图像修复,利用块稀疏的方式实现图像的修复，根据图像丢失区域附近的稀疏程度来描述响应点的优先级决定修复顺序-Image Inpainting

已有的基于分块压缩感知的图像重构模型采用相同的测量矩阵以块 ×块的方式获取数据，解决了传统ＣＳ方法中测量矩阵所需存储量较大的问题，但由于采用分块重构，没有考虑 到图像的全局稀疏度，出现了大量的块效应。-Current image reconstruction models using block compressed sensing

前基于图像块稀疏表示的超分辨率重构算法对所有图像块都用同一字典表示，不能反映不同类型图 像块问的筹别．针对这一缺点，本文提出基于图像块分类稀疏表示的方法．该方法先利用图像局部特征将图像块分为 平滑、边缘和不规则结构三种类型，其中边缘块细分为多个方向．然后利用稀疏表示方法对边缘和不规则结构块分别 训练各自对应的低分辨率和-岛分辨率字典．重构时对平滑块利用简单双三次插值方法，边缘和不规则结构块由其对应 的高、低分辨率字典通过正交匹配追踪箅法重构．实验结果表明，与单字典稀疏表示算法相比

：针对压缩感知算法重建时间长、图像重建质量不高等不足 ， 在认真分析压缩感知算法的基础上 ， 提 出一 种压缩感知多描述并行算法。为了提 高系统运行速度和重建 图像质量， 将 经过稀疏 变换后 的系数进行 交织抽 取 ， 分成多个子图像 ， 再利用 Op e nMP将子图像分配到各线程中并行实现分块压缩感知。实验结果表明， 随着抽 取数的增加，图像的重建质量呈上升趋势， 在 3 2抽取时图像的重建质量比单抽取的高出了7． 2 4 dB； 随着线程数 的增加 ， 程序的执行效率不断提 高， 最高可