[论文解读] Aspects of 2D-Adaptive Fourier Decompositions

You Gao, Tao Qian+2 more|arXiv (Cornell University)|Oct 24, 2017

Image and Signal Denoising Methods参考文献 31被引用 3

一句话总结

本文提出并数值验证了用于图像表示的二维自适应傅里叶分解（2D-AFD）方法，重点研究了乘积 AFD 和 2D-Pre-OGA 算法。结果表明，这些方法在图像重建精度和收敛速度方面优于传统的傅里叶、贪婪及正交匹配追踪技术，其中 2D-Pre-OGA 在 256 项后达到最佳峰值信噪比（PSNR，30 dB）和结构相似性（MSSIM）结果。

ABSTRACT

As a new type of series expansion, the so-called one-dimensional adaptive Fourier decomposition (AFD) and its variations (1D-AFDs) have effective applications in signal analysis and system identification. The 1D-AFDs have considerable influence to the rational approximation of one complex variable and phase retrieving problems, etc. In a recent paper, Qian developed 2D-AFDs for treating square images as the essential boundary of the 2-torus embedded into the space of two complex variables. This paper studies the numerical aspects of multi-dimensional AFDs, and in particular 2D-AFDs, which mainly include (i) Numerical algorithms of several types of 2D-AFDs in relation to image representation; (ii) Perform experiments for the algorithms with comparisons between 5 types of image reconstruction methods in the Fourier category; and (iii) New and sharper estimations for convergence rates of orthogonal greedy algorithm and pre-orthogonal greedy algorithm. The comparison shows that the 2D-AFD methods achieve optimal results among the others.

研究动机与目标

• 开发并实现二维自适应傅里叶分解（2D-AFD）在二维环面上的数值算法，用于图像表示。
• 通过 PSNR 和 MSSIM 指标，比较五种图像重建方法——傅里叶分解（FD）、贪婪算法（GA）、正交贪婪算法（OGA）、乘积 AFD 和 2D-Pre-OGA 的性能。
• 在一般希尔伯特空间中，为弱正交匹配追踪算法（WOGA）和弱预正交匹配追踪算法（WPre-OGA）推导新的、更紧致的后验误差界。
• 证明 2D-Pre-OGA 在无需 Gram-Schmidt 正交化的情况下，仍能实现最优收敛速度与最佳重建质量。

提出的方法

• 通过乘积 AFD 和 2D-Pre-OGA 分别实现 2D-AFD 的数值实现，分别对应算法 1 和算法 3，适用于二维环面上的图像数据。
• 利用广义反向移位变换，从非正交字典元素（Szegő 核）构造正交系统，避免 Gram-Schmidt 方法带来的数值不稳定性。
• 采用最大选择原则（MSP），迭代选择参数 $ a_k otin ar{ ext{D}} $，使每一步的能量减少最大化，从而确保快速收敛。
• 在 $ H^2( ext{D}) $ 中使用 Takenaka-Malmquist（TM）系统作为完备正交基，其中 $ B_k(z) = rac{ ho_k}{1 - ar{a}_k z} imes \text{Blaschke 因子的乘积} $，实现有理正交分解。
• 使用巴塔查里亚距离进行直方图对比，使用 PSNR 和 MSSIM 评估不同 256 项近似下的图像质量。
• 推导出 WOGA 和 WPre-OGA 的新后验误差界，结合实时迭代数据，优于标准先验误差界。

实验结果

研究问题

• RQ1 2D-AFD 方法，特别是乘积 AFD 和 2D-Pre-OGA，与传统的傅里叶、贪婪及正交匹配追踪方法相比，在图像重建质量方面表现如何？
• RQ2 2D-Pre-OGA 是否能在不使用 Gram-Schmidt 正交化的情况下，实现比现有贪婪型算法更快的收敛速度和更高的图像保真度？
• RQ3 弱正交与预正交匹配追踪算法的理论误差界是什么？能否通过迭代过程中的后验信息加以改进？
• RQ4 2D-AFD 框架在多大程度上继承了 1D-AFD 在能量快速收敛与非负频率特性方面的优势？
• RQ5 在 2D-AFD 图像近似中，PSNR 与 MSSIM 值如何随项数 N（N = 1, 16, 64, 256）的变化而演变？

主要发现

• 2D-Pre-OGA 在 256 项近似后达到最高 PSNR（30 dB），优于所有其他方法，包括乘积 AFD 和 OGA。
• 2D-Pre-OGA 方法在结构相似性（MSSIM）方面表现最佳，QA 分数在 N = 256 时达到 0.8763，显著高于 GA（0.8107）和 FD（0.8516）。
• 乘积 AFD 和 2D-Pre-OGA 在巴塔查里亚距离方面表现出最一致的改进，分别从 N=1 时的 0.6376 提升至 N=256 时的 0.8456 和 0.8763。
• 2D-Pre-OGA 算法在弱类型中达到 $ t = 1 $，表明其具有最优收敛行为，而 GA 和 OGA 未能达到此阈值。
• 新推导的 WOGA 和 WPre-OGA 后验误差界比标准先验界更紧致、更精确，因其结合了实时迭代数据。
• GA 即使在 256 项时仍产生模糊重建结果，表明其对能量分散或具有奇点的信号收敛性差，而 2D-AFD 方法能有效保留图像细节。