基于压缩感知的EMT探伤和图像重建

为改善EMT逆问题的欠定性,提高探伤过程中裂纹图像重建质量,本文提出一种基于压缩感知原理的EMT探伤和图像重建方法.其本质是通过压缩感知弱化问题的求解条件,进而有效改善EMT逆问题的欠定性.本文采用压缩感知技术对EMT探伤信号进行处理,并引入了相应的图像重建算法.其中,信号处理包括选取恰当的稀疏变换基对原始信号进行稀疏表示,将稀疏处理后的原始信号进行投影;图像重建过程则采用了两种算法,分别是基于最小L1范数的迭代重加权最小二乘(IRLS)法和基于匹配追踪原理的压缩采样匹配追踪(CoSaMP)算法.仿真和实验结果均表明,IRLS图像重建算法和CoSaMP图像重建算法的图像重建质量都要好于传统的EMT图像重建算法,尤其是CoSaMP算法的图像重建质量更佳.     

一种迭代加权l1范数的信号优化恢复方法

稀疏信号的快速优化恢复是压缩感知理论（Compressed Sensing,CS）研究的热点。讨论了参数选取对迭代加权l1范数优化算法恢复效果的影响,并将参数规则化过程引入到算法中,提出了带有参数规则化过程的迭代加权l1范数优化算法。最后通过数值实验,表明改进的算法较大程度地提升了对稀疏信号的恢复能力。     

基于迭代p阈值算法压缩感知磁共振成像重构

从优化网络结构出发,在基于迭代软阈值网络的压缩感知磁共振成像深度网络基础上,加入由p阈值函数组成的优化模块,进一步优化软阈值函数,以抑制噪声,减少重建误差,从而提高重建质量。上述算法结合了压缩感知磁共振重建和深度学习的优势,所有参数都是端到端学习得到的,既具有很好的理论可解释性,又具有良好的网络泛化能力。对上述算法与其它算法进行对比,仿真结果表明,所提算法提高了磁共振成像的重建精度,特别对于结构复杂的磁共振图像重建效果更好。     

一种基于CGLS和LSQR的联合优化的匹配追踪算法

在压缩感知理论中,设计好的稀疏重构算法是一个比较重要,同时也是一个具有挑战性的问题.稀疏重构的基本目标是用较少的数据样本,通过解一个优化问题完成信号或者图像重构.关于稀疏重构过程,一个重要的研究方向是在数据受噪声干扰的情况下,如何高效快速地重建原信号.本文提出了基于共轭梯度最小二乘法（Conjugate gradient least squares,CGLS）和最小二乘QR分解（Least squares QR,LSQR）的联合优化的匹配追踪算法.该算法采用Alpha散度来测量CGLS和LSQR之间的离散度（差异度）,并通过离散度来选择最优的解序列.实验分析表明基于CGLS和LSQR的联合优化的匹配追踪算法在压缩采样的信号受噪声干扰情况下具有较好的恢复能力.     

基于IALM的穿墙雷达成像算法

针对传统压缩感知穿墙雷达成像算法存在的计算过程复杂、对噪声较敏感等问题,提出一种压缩感知框架下的基于非精确增广拉格朗日乘子（Inexact Augmented Lagrange Multiplier,IALM）的穿墙成像算法。考虑到墙体回波信号的低秩性和目标信号的稀疏性,将穿墙成像视为正则化最小二乘优化问题,并转化为一个含核范数和[l1]范数的复合优化问题。通过非精确增广拉格朗日乘子法交替更新迭代求解墙杂波矩阵和目标矩阵,从而完成目标重构。仿真结果表明所提算法的信杂比较好,并在显著提高目标成像精度的同时提高了处理速度。     

压缩感知问题统计建模及应用

对高斯噪声下的高斯随机观测矩阵压缩感知问题建立了新的统计模型,并在该统计模型的基础上,引入相应的统计检验方法对[l0]范式约束下的硬阈值加权中值回归重建算法进行分析。提出了基于卡方检验的[l1]范式支持检测计算顺序排序方法来改进该算法的坐标下降的计算顺序;针对该算法需要通过人工设定最大迭代次数和残差能量下界来控制迭代次数的问题,提出了基于F检验的自适应停止准则,并在仿真实验中证明了改进后算法的有效性。     

光滑lp范数压缩感知图像重构优化算法

针对已有压缩感知重构算法重构精度不高、消耗时间长的问题,在研究[lp]范数和光滑[l0]范数压缩感知重构算法的基础上提出改进算法。通过极大熵函数构造一种光滑函数来逼近最小[lp] 范数,对解序列进行离散化来近似最小[lp]范数的最优解,结合图像分块压缩感知技术（BCS）,在MATLAB中对测试图像进行仿真实验。结果表明,与传统的BOMP（Block Orthogonal Matching Pursuit）算法和IRLS（Iteratively Reweighted Least Squares）算法相比,改进后的算法不仅提高了重构精度,而且大大降低运行时间。     

正交匹配追踪算法的优化及FPGA实现

正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法是压缩感知系统中应用最广泛的重构算法之一.OMP算法中的最小二乘(Least Squares,LS)问题涉及到矩阵求逆运算,是计算复杂度最高的部分.本文提出了一种近似OMP算法,通过优化最小二乘问题提高重构速度,更利于硬件实现.设计了一种...     

基于贝叶斯压缩感知的信号重构

本文提出了基于贝叶斯压缩感知的信号重构算法,将压缩感知理论应用于信号的压缩传输以及重构,该算法将压缩感知问题转化为线性回归问题,逐步推演出结果向量之间的迭代关系,最后通过迭代以得到原始信号的精确重构. 仿真说明了贝叶斯压缩感知在信号处理中的应用,结果表明该算法对一维和二维信号的压缩重构有很好的效果.     

基于压缩感知的后退型自适应匹配追踪算法

基于压缩感知理论的重建关键在于从压缩感知得到的低维数据中精确恢复出原始的高维稀疏数据。针对目前大多数算法都建立在稀疏度已知的基础上,提出一种后退型固定步长自适应匹配追踪重建算法,能够在稀疏度未知的条件下获得图像的精确重建。该算法通过较大固定步长的设置,保证待估信号支撑集大小的稳步快速增加;以相邻阶段重建信号的能量差为迭代停止条件,在迭代停止后通过简单的正则化方法向后剔除多余原子保证精确重建。实验结果表明,该算法在保证测量次数的条件下可以获得快速的精确重建。     

迭代硬阈值压缩感知重构算法——IIHT

研究了压缩感知信号重构算法的理论,针对迭代硬阈值(IHT)重构算法对测量矩阵的过分依赖、计算复杂度高、运算时间长的缺点,通过修订迭代硬阈值重构算法的代价函数和自适应地调整迭代步长的选取原则,设计了一种迭代硬阈值重构算法--IIHT。IIHT算法显著提高了信号精确重构的概率,降低了算法的计算复杂度,进一步减少了算法的运算时间,加快了算法的收敛速度。     

基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

基于分离字典构造的快速压缩感知重构算法

针对当前压缩感知重构算法存在重构质量偏低、重构时间过长等问题,提出了基于矩阵流形分离字典构造的分块压缩感知重构算法。首先,该算法基于矩阵流形模型训练出可分离稀疏表示矩阵,并对其正交化;其次,构造随机测量矩阵,并利用矩阵运算将其与得到的稀疏表示矩阵进行结合,进而构造出一组分离字典;最后,将该字典用于信号压缩感知中,并通过线性运算实现信号的快速重构。实验结果表明,与当前主流的压缩感知重构算法相比,所提算法在重构精度以及重构时间上都具有一定提升,并在对实时性要求高的领域中具有很好的应用价值。     

Fast and exact unidimensional L2–L1 optimization as an accelerator for iterative reconstruction algorithms

This paper studies the use of fast and exact unidimensional L2–L1 minimization as a line search for accelerating iterative reconstruction algorithms. In L2–L1 minimization reconstruction problems, the squared Euclidean, or L2 norm, measures signal-data discrepancy and the L1 norm stands for a sparsity preserving regularization term. Functionals as these arise in important applications such as compressed sensing and deconvolution. Optimal unidimensional L2–L1 minimization has only recently been studied by Li and Osher for denoising problems and by Wen et al. for line search. A fast L2–L1 optimization procedure can be adapted for line search and used in iterative algorithms, improving convergence speed with little increase in computational cost. This paper proposes a new method for exact L2–L1 line search and compares it with the Li and Osher's, Wen et al.'s, as well as with a standard line search algorithm, the method of false position. The use of the proposed line search improves convergence speed of different iterative algorithms for L2–L1 reconstruction such as iterative shrinkage, iteratively reweighted least squares, and nonlinear conjugate gradient. This assertion is validated experimentally in applications to signal reconstruction in compressed sensing and sparse signal deblurring.     

基于SL0范数的改进稀疏信号重构算法

平滑范数（Smoothed l0,SL0）压缩感知重构算法通过引入平滑函数序列将求解最小l0范数问题转化为平滑 函数优化问题,可以有效地用于稀疏信号重构。针对平滑函数的选取和算法稳健性问题,提出一种新的平滑函数序列近似范数,结合梯度投影法优化求解,并进一步提出采用奇异值分解（Singular value decomposition, SVD）方法改进算法的稳健性,实现稀疏度信号的精确重构。仿真结果表明,在相同的测试条件下,本文算法相比OMP算法、SL0算法以及L1-magic算法在重构精度、峰值信噪比方面都有较大改善。     

基于改进CoSaMP算法的图像重建

重构算法是压缩感知的核心技术之一,直接决定着压缩感知能否可以在实际系统中进行应用。为提高压缩感知的重构精度同时缩短处理时间,本文引进加权与矩阵分块技术,与压缩采样匹配追踪(Compressive Sampling Matching Pursuit, CoSaMP)算法相结合,使原始算法更加完善。仿真结果表明,当稀疏条件同等的情况下进行重构,改进的算法与原始算法相比重构质量有所提高。     

一种多适应性的压缩感知声纹识别系统

针对传统压缩感知(compressive sensing,CS)语音增强方法抗噪类型单一的问题,本文提出了一种多适应性的压缩感知声纹识别系统。在用正交匹配追踪(orthogonal matching pursuit,OMP)算法重构语音信号时设定相关度阈值和语音恢复阈值,并对迭代算法进行改进,不仅有效恢复了纯净语音信号,实现了语音增强,并且减少了重构的计算量。将重构恢复的信号通过Gammatone滤波器组,提取特征参数GFCC,然后在高斯混合模型中识别。实验结果表明,将这种方法应用于声纹识别系统,系统的识别率及鲁棒性都有明显提高。     

二阶收敛的光滑正则化压缩感知信号重构方法

目的压缩感知信号重构过程是求解不定线性系统稀疏解的过程。针对不定线性系统稀疏解3种求解方法不够鲁棒的问题:最小化l₀-范数属于NP问题,最小化l₁-范数的无解情况以及最小化l_p-范数的非凸问题,提出一种基于光滑正则凸优化的方法进行求解。方法为了获得全局最优解并保证算法的鲁棒性,首先,设计了全空间信号l₀-范数凸拟合函数作为优化的目标函数;其次,将n元函数优化问题转变为n个一元函数优化问题;最后,求解过程中利用快速收缩算法进行求解,使收敛速度达到二阶收敛。结果该算法无论在仿真数据集还是在真实数据集上,都取得了优于其他3种类型算法的效果。在仿真实验中,当信号维数大于150维时,该方法重构时间为其他算法的50%左右,具有快速性;在真实数据实验中,该方法重构出的信号与原始信号差的F-范数为其他算法的70%,具有良好的鲁棒性。结论本文算法为二阶收敛的凸优化算法,可确保快速收敛到全局最优解,适合处理大型数据,在信息检索、字典学习和图像压缩等领域具有较大的潜在应用价值。