压缩感知是一种新颖的信号采样理论,具有对稀疏或者可压缩信号边采样边压缩的特性,突破了传统奈奎斯特采样定理中采样率不得低于基带带宽两倍的限制,有效降低信号在获取、存储及传输过程中的数据量。该理论具有对硬件性能要求不高、动态分配计算复杂度和重构精度高的优异特性,能够有效地应用于视频图像处理领域。论文重点对基于压缩感知的视频图像重构算法进行研究,主要内容如下:1)论文从信号稀疏表示、观测矩阵测量和重构算法三个方面介绍压缩感知基本理论;详细阐述目前几种经典的压缩感知重构算法,并通过一维和二维信号对比分析各算法的重构性能。2)针对自然信号稀疏度未知的特点,并综合考虑信号的重构精度与效率,本文提出一种稀疏度自适应分段正交匹配追踪算法。首先对观测矩阵与初始残差相乘所得的残余相关性向量进行离散余弦变换,估算出支撑集所要扩充的最大原子数;其次通过一个与采样率成正相关的因子对较大的阈值参数进行适当修正,并对所选取的原子进行优化处理;最后在分段正交匹配追踪算法的框架下采用变步长的方法实现稀疏度的逼近和信号的精确重构。仿真结果表明,在信号稀疏度未知的情况下,本文算法在保持了较低重构复杂度的同时能够完成信号稳定精确的重构。3)监控视频序列具有较强的时空相关性,论文在研究传统视频编解码的同时,利用压缩感知能够充分挖掘信号稀疏性的特性,提出一种适合监控场景下的基于压缩感知的视频重构方案。该方案通过欧氏距离法提取视频序列的关键帧,为视频序列进行合理的分组,制定帧内帧间编码策略,并对关键帧进行高采样率观测,残差帧进行低采样率观测,从而最大程度地提高压缩率;对视频帧进行合理分块,并对关键帧和残差帧块设定不同的阈值,充分探索信号的稀疏性,从而提高重构性能。仿真结果表明,该方案在保证一定压缩率的同时,对场景内容变化缓慢和剧烈的视频序列均具有较好的重构效果,能够有效地应用于视频监控领域。