一种图像的稀疏重构方法及装置与流程

本发明属于计算机技术领域，尤其涉及一种图像的稀疏重构方法及装置。

背景技术：

图像的稀疏重构又可称为图像的压缩感知、图像的压缩传感等，是通过压缩感知理论开发图像信号的稀疏性，使得在图像的采样频率远小于传统奈奎斯特采样率的条件下依旧能够精确地重建图像信号，因此图像的稀疏重构有效地解决了由于图像信息量大而导致压缩过程中图像信号部分丢失、图像压缩效率低的问题。

目前，研究人员已经提出了许多解决在图像的稀疏重构中l₀范数优化问题的方法，以实现高效率、高精度的图像重构，这些方法包括Homotopy(同伦法)、BP(误差反向算法)等，然而，l₀范数的优化过程尚存在收敛能力不足、易陷入局部最优等问题，导致图像重构的重构精度不佳、且重构过程耗费的软硬件资源较多。

技术实现要素：

本发明的目的在于提供一种图像的稀疏重构方法及装置，旨在解决由于现有技术无法提供一种有效的图像重构方法，导致图像重构精度不佳、且重构过程耗费的软硬件资源较多的问题。

一方面，本发明提供了一种图像的稀疏重构方法，所述方法包括下述步骤：

获取图像的压缩矩阵，确定所述压缩矩阵中每列数据的待优化目标；

判断当前的优化次数是否超过预设的优化阈值；

当所述优化次数未超过所述优化阈值时，对所述待优化目标的当前解集合进行优化，更新优化次数，并跳转至判断当前的优化次数是否超过所述优化阈值的步骤，否则，获取所述待优化目标的优化结果；

根据所述所有的优化结果，获取所述图像的稀疏系数矩阵，并根据预设的稀疏基，获取重构的图像。

另一方面，本发明提供了一种图像的稀疏重构装置，所述装置包括：

优化目标确定模块，用于获取图像的压缩矩阵，确定所述压缩矩阵中每列数据的待优化目标；

判断模块，用于判断当前的优化次数是否超过预设的优化阈值；

优化模块，用于当所述优化次数未超过所述优化阈值时，对所述待优化目标的当前解集合进行优化，更新优化次数，并触发所述判断模块执行判断当前的优化次数是否超过所述优化阈值的操作，否则，获取所述待优化目标的优化结果；以及

重构图像获取模块，用于根据所述所有的优化结果，获取所述图像的稀疏系数矩阵，并根据预设的稀疏基，获取重构的图像。

本发明根据信号的压缩感知理论，将图像的重构问题转换为优化问题，并通过图像的压缩矩阵，确定了该优化问题中的待优化目标，对该优化目标进行多次的优化，根据优化结果获得该图像的稀疏系数矩阵，得到重构后的图像，从而不仅实现了图像的重构，而且通过提高整个优化过程的收敛速度和收敛能力，有效地降低了图像重构过程中软硬件资源的消耗，提高了图像的重构效率和重构精度。

附图说明

图1是本发明实施例一提供的一种图像的稀疏重构方法的实现流程图；

图2是本发明实施例二提供的一种图像的稀疏重构方法中对待优化目标进行优化的实现流程图；

图3是本发明实施例三提供的一种图像的稀疏重构装置的结构示意图；以及

图4是本发明实施例四提供的一种图像的稀疏重构装置中优化模块的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的具体实现进行详细描述：

实施例一：

图1示出了本发明实施例一提供的一种图像的稀疏重构方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在步骤S101中，获取图像的压缩矩阵，确定压缩矩阵中每列数据的待优化目标。

在本发明实施例中，图像经过压缩传感后得到的多个观测向量可构成图像的压缩矩阵，在压缩传感过程中，可利用预设的稀疏基矩阵B∈R^n×n对图像X∈R^n×p进行正交变换，使得图像稀疏化，其中，正交变换的公式可为X＝B·S，S为图像X在稀疏基矩阵B下的稀疏系数矩阵，再通过预设的观测矩阵A∈R^m×n对图像X∈R^n×p稀疏后的每列数据进行观测，得到相应的观测向量，其中，观测的公式可为Y_i＝A·X_i＝A·B·S_i＝M·S_i，Y_i为X稀疏化后第i列数据的观测向量，M为信息算子。

在获取到图像的压缩矩阵后，可根据压缩矩阵中的每列数据，确定每列数据对应的待优化目标，进而将图像的重构问题转换为该待优化目标的优化问题。具体地，待优化目标为l₁范数，其中，第i列数据对应的l₁范数为λ为预设的标量权重。

在步骤S102中，判断当前的优化次数是否超过预设的优化阈值。

在本发明实施例中，优化次数为对待优化目标进行优化的次数，优化阈值为可对待优化目标进行优化的最大次数。

具体地，当对待优化目标进行第一次优化时，可预先设置优化次数的值为0。

在步骤S103中，当优化次数未超过优化阈值时，对待优化目标的当前解集合进行优化，更新优化次数，并跳转至判断当前的优化次数是否超过预设优化阈值的步骤，否则，获取待优化目标的优化结果。

在本发明实施例中，将优化次数与优化阈值进行比较，当优化次数未超过优化阈值时，可认为当前优化次数不够，应对优化次数进行加一操作，并继续对待优化目标进行优化，当优化次数超过优化阈值时，可认为对待优化目标的优化结束，应获取相应的优化结果。

具体地，可先获取待优化目标的当前解集合，当优化次数为0时，该当前解集合即预设的初始解集合，初始解集合中的解可为随机值，接着，可根据优化次数与优化阈值的比较结果，执行不同的操作：当优化次数未超过优化阈值时，可对当前解集合中的解进行变异、交叉、选择以及局部搜索操作，得到一个优化后的解集合，并将当前解集合更新为该优化后的解集合，继而再次判断优化次数是否超过优化阈值，如果没有则继续对待优化目标进行下一次的优化，如此循环，直到优化次数超过优化阈值。此时，可计算当前解集合中所有解在待优化目标的公式中的函数值，获取所有函数值中最小函数值所对应的解，并将该解确定为待优化目标的优化结果。

在步骤S104中，根据所有的优化结果，获取图像的稀疏系数矩阵，并根据预设的稀疏基，获取重构的图像。

在本发明实施例中，图像压缩矩阵中每列数据的待优化目标经过优化后，都对应着一个优化结果，将这些优化结果进行组合，可得到图像的稀疏系数矩阵S，预设的稀疏基即步骤S101中提到的稀疏基矩阵B，最终可根据图像的原始矩阵等于稀疏系数矩阵与稀疏基矩阵之积(X＝B·S)，计算出图像的原始矩阵，得到重构后的图像。

在本发明实施例中，获取图像压缩矩阵中每列数据对应的待优化目标，当优化次数未超过优化阈值时，循环对待优化目标的优化操作，具体的优化操作包括变异、交叉、选择以及基于软阈值迭代局部搜索算法的局部搜索操作，直至优化次数超过优化阈值，最后通过所有待优化目标的优化结果，得到图像的稀疏系数矩阵，实现对图像的重构，从而通过提高整个优化过程的收敛速度和收敛能力，有效地降低了图像重构过程中软硬件资源的消耗，提高了图像的重构效率和重构精度。

实施例二：

图2示出了本发明实施例二提供的一种图像的稀疏重构方法中对待优化目标的当前解集合进行优化的实现流程，详述如下：

如实施例一中描述的，图像压缩矩阵中每列数据都对应着一个待优化目标，在本发明实施例中，对其中任一待优化目标的优化过程进行描述：

在步骤S201中，根据预设的策略概率，在待优化目标的当前解集合中选取预设数量个当前解，并根据预设的多个变异策略，对预设数量个当前解中的每个当前x_i进行变异。

在本发明实施例中，预先设置策略概率集合q_g＝{q_1,g,...,q_k,g,...,q_K,g}和多种变异策略，策略概率集合中的q_k,g表示当优化次数为g时第k种变异策略对应的策略概率，在变异操作中，依次采用K种变异策略对当前解集合中预设数量个解进行变异，其中，当采用的变异策略不同时，预设数量可能不同，具体地，当在第g次优化过程中采用第k种变异策略进行变异操作时，可从当前解集合中选取q_k,g×NP个当前解，并将这q_k,g×NP个当前解中的每个当前解x_i按照第k种变异策略进行变异，其中，NP为当前解集合中当前解的数目。

具体地，当优化次数为0时或在第一次优化过程中，可对当前解集合随机进行初始化，并将当前解集合中的所有值初始化为K为变异策略的数目。

在步骤S202中，获取变异操作后每个当前解x_i对应的变异解x_i'，并根据预设的交叉概率，将当前解x_i与变异解x_i'进行交叉。

在本发明实施例中，在当前解x_i采用第k种变异策略变异得到变异解x_i'后，可在预设的第k种变异策略的交叉概率集合CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}(NP为当前解集合中当前解的数目)中获取第k种变异策略对应当前解x_i的交叉概率CR_k,i，并将当前解x_i与变异解x_i'按照该交叉概率CR_k,i进行交叉，因此根据当前解在变异过程中采用的变异策略的不同，该当前解交叉过程中的交叉概率也可能不同。

可选地，可预先设置总交叉概率集合CR＝{CR₁,...,CR_k,...,CR_K}，CR_k表示第k种变异策略的交叉概率集合，CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}，其中，CR_k,i表示第k种变异策略对应当前解x_i的交叉概率，当优化次数为0或者在第1次优化过程中时，可初始化K种变异策略的交叉概率集合，其中，CR_k,i可初始化为0。

在步骤S203中，获取交叉操作后每个当前解x_i对应的交叉解u_i，并将当前解x_i的函数值与交叉解u_i的函数值进行比较，当交叉解u_i的函数值不超过当前解x_i的函数值时，将交叉解u_i存储在预设的第一解集合中，否则，将当前解x_i存储在第一解集合中。

在本发明实施例中，当每个当前解x_i与变异解x_i'交叉后得到交叉解u_i时，可将当前解x_i和交叉解u_i分别代入待优化目标的公式得到函数值f(x_i)和函数值f(u_i)，其中，将函数值f(x_i)与函数值f(u_i)进行比较，当函数值f(u_i)不超过函数值f(u_i)时，可将交叉解u_i存储在预设的第一解集合中的对应位置处，否则，将当前解x_i存储在该第一解集合中的对应位置处。

可选地，当函数值f(u_i)不超过函数值f(u_i)时，可将当前解x_i使用的交叉概率CR_k,i存储在预设的交叉成功概率集合CR_list(k)中，并对预设的第k种策略的进化成功次数ns_k,g进行加一操作，否则，对预设的第k种策略的进化失败次数nf_k,g进行加一操作，以便后续根据交叉成功概率集合CR_list(k)、第k种策略的进化成功次数ns_k,g以及第k种策略的进化失败次数nf_k,g等数据，对策略概率和交叉概率进行更新操作。

优选地，可预设设置学习阈值，当优化次数超过学习阈值时，可根据不同变异策略在优化过程中的贡献，对策略概率集合q_g＝{q_1,g,...,q_k,g,...,q_K,g}中的策略概率和总交叉概率集合CR＝{CR₁,...,CR_k,...,CR_K}中K种集合的交叉概率集合进行更新，从而实现对变异策略的智能选择，增加了优化过程中解的多样性，有效地提高了优化过程的收敛速度和收敛能力。

作为示例地，策略概率集合q_g＝{q_1,g,...,q_k,g,...,q_K,g}的q_k,g的更新公式可为：

其中，S_k,g为在优化次数为第g次时当前解集合中的解采用第k种变异策略成功进入第一解集合的概率，ε为预设参数。

作为示例地，在对第k种策略的交叉概率集合CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}进行更新时，可通过下述步骤实现：

(1)检测交叉成功概率集合CR_list(k)是否为空；

(2)当交叉成功概率集合CR_list(k)不为空时，计算交叉成功概率集合CR_list(k)的中值，将第k种策略的交叉概率集合CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}设置为以该中值为均值、以预设常数为标准差的高斯随机值；

(3)当交叉成功概率集合CR_list(k)为空时，获取高斯随机值CRm_k，并将第k种策略的交叉概率集合CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}设置为以高斯随机值CRm_k为均值、以预设常数为标准差的高斯随机值。

在步骤S204中，根据预设的软阈值迭代局部搜索算法，对第一解集合中每个解进行局部搜索，获取每个解对应的局部搜索解，并将第一解集合中的解与局部搜索解进行比较操作，并将比较后的解存储在预设的第二解集合中。

在本发明实施例中，软阈值迭代局部搜索算法具有较好的局部搜索能力和收敛速度，通过该局部搜索算法，在第一解集合中进行梯度搜索，以得到每个解对应的局部搜索解，并将该局部搜索解与第一解集合中的解进行步骤S203中的函数比较操作，将比较后的解存储在预设的第二解集合中。

在步骤S205中，将第二解集合确定为待优化目标的当前解集合。

在本发明实施例中，待优化目标的当前解集合经过变异、交叉、选择以及局部搜索后，得到第二解集合，之后，将该第二解集合设置为待优化目标的当前解集合。

在本发明实施例中，对待优化目标的当前解集合进行变异、交叉、选择，得到第一解集合，接着，采用预设的软阈值迭代收缩局部搜索算法，对待第一解集合进行局部搜索，得到第二解集合，并将第二解集合设置为待优化目标的当前解集合，从而不仅完成对待优化目标的整个优化过程，而且有效地提高了优化过程的收敛速度和收敛能力。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

实施例三：

图3示出了本发明实施例三提供的一种图像的稀疏重构装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：

优化目标确定模块31，用于获取图像的压缩矩阵，确定压缩矩阵中每列数据的待优化目标。

在本发明实施例中，图像经过压缩传感后得到的多个观测向量可构成图像的压缩矩阵，在压缩传感过程中，可利用预设的稀疏基矩阵B∈R^n×n对图像X∈R^n×p进行正交变换，使得图像稀疏化，其中，正交变换的公式可为X＝B·S，S为图像X在稀疏基矩阵B下的稀疏系数矩阵，再通过预设的观测矩阵A∈R^m×n对图像X∈R^n×p稀疏后的每列数据进行观测，得到相应的观测向量，其中，观测的公式可为Y_i＝A·X_i＝A·B·S_i＝M·S_i，Y_i为X稀疏化后第i列数据的观测向量，M为信息算子。

在获取到图像的压缩矩阵后，可根据压缩矩阵中的每列数据，确定每列数据对应的待优化目标，进而将图像的重构问题转换为该待优化目标的优化问题。具体地，待优化目标为l₁范数，其中，第i列数据对应的l₁范数为λ为预设的标量权重。

判断模块32，用于判断当前的优化次数是否超过预设的优化阈值。

在本发明实施例中，优化次数为对待优化目标进行优化的次数，优化阈值为可对待优化目标进行优化的最大次数。

具体地，当对待优化目标进行第一次优化时，可预先设置优化次数的值为0。

优化模块33，用于当优化次数未超过优化阈值时，对待优化目标的当前解集合进行优化，更新优化次数，并触发判断模块32执行判断当前的优化次数是否超过优化阈值的操作，否则，获取待优化目标的优化结果。

在本发明实施例中，将优化次数与优化阈值进行比较，当优化次数未超过优化阈值时，可认为当前优化次数不够，应对优化次数进行加一操作，并对待优化目标进行优化，当优化次数超过优化阈值时，可认为对待优化目标的优化结束，应获取相应的优化结果。

具体地，可先获取待优化目标的当前解集合，当优化次数为0时，该当前解集合即预设的初始解集合，初始解集合中的解可为随机值，接着，可根据优化次数与优化阈值的比较结果，执行不同的操作：当优化次数未超过优化阈值时，可对当前解集合中的解进行变异、交叉、选择以及局部搜索操作，得到一个优化后的解集合，并将当前解集合更新为该优化后的解集合，继而再次判断优化次数是否超过优化阈值，如果没有则继续对待优化目标进行下一次的优化，如此循环，直到优化次数超过优化阈值。此时，可计算当前解集合中所有解在待优化目标的公式中的函数值，获取所有函数值中最小函数值所对应的解，并将该解确定为待优化目标的优化结果。

重构图像获取模块34，用于根据所有的优化结果，获取图像的稀疏系数矩阵，并根据预设的稀疏基，获取重构的图像。

在本发明实施例中，图像压缩矩阵中每列数据的待优化目标经过优化后，都对应着一个优化结果，因此，将这些优化结果进行组合，可得到图像的稀疏系数矩阵S，预设的稀疏基即优化目标确定模块31中提到的稀疏基矩阵B，最终可根据图像的原始矩阵等于稀疏系数矩阵与稀疏基矩阵之积(X＝B·S)，计算出图像的原始矩阵，得到重构后的图像。

在本发明实施例中，获取图像压缩矩阵中每列数据对应的待优化目标，当优化次数未超过优化阈值时，循环对待优化目标的优化操作，具体的优化操作包括变异、交叉、选择以及基于软阈值迭代局部搜索算法的局部搜索操作，直至优化次数超过优化阈值，最后通过所有待优化目标的优化结果，得到图像的稀疏系数矩阵，实现对图像的重构，从而通过提高整个优化过程的收敛速度和收敛能力，有效地降低了图像重构过程中软硬件资源的消耗，提高了图像的重构效率和重构精度。

实施例四：

图4示出了本发明实施例四提供的一种图像的稀疏重构装置中优化模块的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：

如实施例三中描述的，图像压缩矩阵中每列数据都对应着一个待优化目标，在本发明实施例中，对优化模块中33中对其中任一个待优化目标的优化操作进行描述：

变异模块41，用于根据预设的策略概率，在待优化目标的当前解集合中选取预设数量个当前解，并根据预设的多个变异策略，对预设数量个当前解中的每个当前x_i进行变异。

在本发明实施例中，预先设置策略概率集合q_g＝{q_1,g,...,q_k,g,...,q_K,g}和多种变异策略，策略概率集合中的q_k,g表示当优化次数为g时第k种变异策略对应的策略概率，在变异操作中，依次采用K种变异策略对当前解集合中预设数量个解进行变异，其中，当采用的变异策略不同时，预设数量可能不同，具体地，当在第g次优化过程中采用第k种变异策略进行变异操作时，可从当前解集合中选取q_k,g×NP个当前解，并将这q_k,g×NP个当前解中的每个当前解x_i按照第k种变异策略进行变异，其中，NP为当前解集合中当前解的数目。

具体地，当优化次数为0时或在第一次优化过程中，可对当前解集合随机进行初始化，并将当前解集合中的所有值初始化为K为变异策略的数目。

交叉模块42，用于获取变异操作后每个当前解x_i对应的变异解x_i'，并根据预设的交叉概率，将当前解x_i与变异解x_i'进行交叉。

在本发明实施例中，在当前解x_i采用第k种变异策略变异得到变异解x_i'后，可在预设的第k种变异策略的交叉概率集合CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}(NP为当前解集合中当前解的数目)中获取第k种变异策略对应当前解x_i的交叉概率CR_k,i，并将当前解x_i与变异解x_i'按照该交叉概率CR_k,i进行交叉，因此根据当前解在变异过程中采用的变异策略的不同，该当前解交叉过程中的交叉概率也可能不同。

可选地，可预先设置总交叉概率集合CR＝{CR₁,...,CR_k,...,CR_K}，CR_k表示第k种变异策略的交叉概率集合，CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}，其中，CR_k,i表示第k种变异策略对应当前解x_i的交叉概率，当优化次数为0或者在第1次优化过程中时，可初始化K种变异策略的交叉概率集合，其中，CR_k,i可初始化为0。

选择模块43，用于获取交叉操作后每个当前解x_i对应的交叉解u_i，并将当前解x_i的函数值与交叉解u_i的函数值进行比较，当交叉解u_i的函数值不超过当前解x_i的函数值时，将交叉解u_i存储在预设的第一解集合中，否则，将当前解x_i存储在第一解集合中。

在本发明实施例中，当每个当前解x_i与变异解x_i'交叉后得到交叉解u_i时，可将当前解x_i和交叉解u_i分别代入待优化目标的公式得到函数值f(x_i)和函数值f(u_i)，其中，将函数值f(x_i)与函数值f(u_i)进行比较，当函数值f(u_i)不超过函数值f(u_i)时，可将交叉解u_i存储在预设的第一解集合中的对应位置处，否则，将当前解x_i存储在该第一解集合中的对应位置处。

可选地，当函数值f(u_i)不超过函数值f(u_i)时，可将当前解x_i使用的交叉概率CR_k,i存储在预设的交叉成功概率集合CR_list(k)中，并对预设的第k种策略的进化成功次数ns_k,g进行加一操作，否则，对预设的第k种策略的进化失败次数nf_k,g进行加一操作，以便后续根据交叉成功概率集合CR_list(k)、第k种策略的进化成功次数ns_k,g以及第k种策略的进化失败次数nf_k,g等数据，对策略概率和交叉概率进行更新操作。

局部搜索模块44，用于根据预设的软阈值迭代局部搜索算法，对第一解集合中每个解进行局部搜索，获取每个解对应的局部搜索解，并将第一解集合中的解与局部搜索解进行比较操作，并将比较后的解存储在预设的第二解集合中。

在本发明实施例中，软阈值迭代局部搜索算法具有较好的局部搜索能力和收敛速度，通过该局部搜索算法，在第一解集合中进行梯度搜索，以得到每个解对应的局部搜索解，并将该局部搜索解与第一解集合中的解进行选择模块33中的函数比较操作，将比较后的解存储在预设的第二解集合中。

解集合更新模块45，用于将第二解集合确定为待优化目标的当前解集合。

在本发明实施例中，待优化目标的当前解集合经过变异、交叉、选择以及局部搜索后，得到第二解集合，之后，将该第二解集合设置为待优化目标的当前解集合。

优选地，优化模块还包括概率更新模块46，其中：

概率更新模块46，用于当优化次数超过预设的学习阈值时，更新策略概率和交叉概率。

优选地，可预设设置学习阈值，当优化次数超过学习阈值时，可根据不同变异策略在优化过程中的贡献，对策略概率集合q_g＝{q_1,g,...,q_k,g,...,q_K,g}中的策略概率和总交叉概率集合CR＝{CR₁,...,CR_k,...,CR_K}中K种集合的交叉概率集合进行更新，从而实现对变异策略的智能选择，增加了优化过程中解的多样性，有效地提高了优化过程的收敛速度和收敛能力。

作为示例地，策略概率集合q_g＝{q_1,g,...,q_k,g,...,q_K,g}的q_k,g的更新公式可为：

其中，S_k,g为在优化次数为第g次时当前解集合中的解采用第k种变异策略成功进入第一解集合的概率，ε为预设参数。

作为示例地，第k种策略的交叉概率集合CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}的更新步骤可为：

(1)检测交叉成功概率集合CR_list(k)是否为空；

(2)当交叉成功概率集合CR_list(k)不为空时，计算交叉成功概率集合CR_list(k)的中值，将第k种策略的交叉概率集合CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}设置为以该中值为均值、以预设常数为标准差的高斯随机值；

(3)当交叉成功概率集合CR_list(k)为空时，获取高斯随机值CRm_k，并将第k种策略的交叉概率集合CR_k＝{CR_k,1,...,CR_k,i,...CR_k,NP}设置为以高斯随机值CRm_k为均值、以预设常数为标准差的高斯随机值。

在本发明实施例中，对待优化目标的当前解集合进行变异、交叉、选择，得到第一解集合，接着，采用预设的软阈值迭代收缩局部搜索算法，对待第一解集合进行局部搜索，得到第二解集合，并将第二解集合设置为待优化目标的当前解集合，从而不仅完成对待优化目标的整个优化过程，而且有效地提高了优化过程的收敛速度和收敛能力。

在本发明实施例中，图像的稀疏重构装置的各模块可由相应的硬件或软件模块实现，各模块可以为独立的软、硬件模块，也可以集成为一个软、硬件模块，在此不用以限制本发明。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。