基于压缩感知理论的图像压缩技术研究

压缩感知理论是近年来信号处理领域诞生的一种新的信号处理理论。相较于传统的奈奎斯特采样定率,压缩感知理论采样数据量少,节省了后续处理时间和存储空间,这使其在信号处理领域有着广阔的应用前景。首先讨论了应用压缩感知理论的三个关键问题:信号稀疏表示、随机测量矩阵设计、信号重构算法,初步研究了压缩感知理论在图像压缩技术中的应用,给出了在不同压缩率下的重构图像和PSNR。计算机模拟结果表明了理论的可行性。     

压缩感知中贪婪重构算法研究

压缩感知理论是利用信号的稀疏性,通过少量的观测值就可以实现对该信号的精确重构。贪婪类算法是压缩感知重构步骤中广泛应用的一类算法。该文主要对该类算法中典型的三种算法在存在噪声环境中进行了综合分析比较。首先从理论方面分析了三种算法,给出了实现过程;然后在不同稀疏度情况下,对三种贪婪算法重构性能进行综合比较。根据理论分析结果和仿真结果,得出相应的结论。     

压缩感知中贪婪重构算法研究

压缩感知理论是利用信号的稀疏性,通过少量的观测值就可以实现对该信号的精确重构。贪婪类算法是压缩感知重构步骤中广泛应用的一类算法。该文主要对该类算法中典型的三种算法在存在噪声环境中进行了综合分析比较。首先从理论方面分析了三种算法,给出了实现过程;然后在不同稀疏度情况下,对三种贪婪算法重构性能进行综合比较。根据理论分析结果和仿真结果,得出相应的结论。     

改进SA-SP算法的路面不平度信号压缩感知采集研究

为大幅度减少采集路面不平度信号的存储空间,提高采集速度,基于压缩感知理论针对标准路面的不平度信号进行压缩采样和重构。首先验证了B级路面不定度信号在频域下的近似稀疏性,并进行了信号的压缩采样。针对现阶段凸优化方法和常用的三种贪婪算法的不足,提出一种改进的模拟退火算法与子空间追踪算法相结合的稀疏度自适应匹配追踪算法,利用改进的模拟退火算法快速搜索匹配最优的稀疏度,并采用子空间追踪算法快速重构信号。仿真实验对比五种重构方法,结果表明,凸优化方法精度较高,耗时过长;OMP算法和SP算法耗时极短,但需要预先进行实验来估测信号的稀疏度,实用性低;SAMP算法能实现稀疏度的自适应匹配,但匹配的误差较大,且耗时较长;提的新方法具有良好的精度和较快的执行速度,R-squares和耗时的均值分别为0.9837和2.77 s,稀疏度估测效果较好,且采样点数的增加不影响算法重构信号的速度。     

压缩感知理论及其OMP算法FPGA实现研究

奈奎斯特定理要求采样频率不得低于信号最高频率的2倍,这使得高频信号的硬件采样实现变得较为困难。压缩感知(Compressive Sensing,CS)理论从研究信号的稀疏性出发,指出在一定条件下可以用低于奈奎斯特定理的频率对信号进行采样。介绍了压缩感知理论及其OMP重构算法,设计了OMP重构算法的FPGA实现的总体框图和各模块框图,编写了Verilog HDL程序代码,并给出了在Quartus II中的仿真结果,和Matlab仿真结果对比,压缩重构效果比较理想。     

基于压缩感知的CoSaMP算法自适应性改进

压缩感知重构算法在实际应用中需要预知信号稀疏度,而信号的稀疏度通常是未知的.为此,改进压缩采样匹配追踪(CoSaMP)算法的自适应性,提出一种稀疏度自适应贪婪算法.对信号稀疏度进行初始估计,结合SAMP算法思想,以残差值比对为终止条件,在CoSaMP算法框架下进行稀疏度逐步增大的递归运算,实现精确重构.仿真实验结果证明,该算法重构精度高、抗噪能力强,同时具备稀疏度自适应的特点.     

基于小波变换的电生理信号压缩采样与重构

压缩感知是一个新兴领域,该理论可对信号以低于奈奎斯特采样率的速率进行成比例压缩采样,用来降低数据存储。本文基于压缩感知和小波变换,设计并实现了神经动作电位信号的压缩与重构。首先在小波域构造了64位神经动作电位信号的稀疏矩阵,然后设计了64位神经动作电位信号的2：1压缩矩阵与OMP（OrthogonalMatchingPursuit）重构算法,并通过编程仿真实现,可以完成信噪比较高的压缩信号的高精度恢复。仿真结果表明,重构信号与原信号的关键值相对误差小于15％。     

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。     

基于压缩感知和双簇头交替的WSNs路由算法

提出了一种基于压缩感知和双簇头交替的无线传感器网络分层路由算法CS-DC HA(Compressed Sensing-Double Cluster Head Alternation)。该算法对DCHS(Deterministic Cluster-head Selection)算法进行改进,利用压缩感知理论优化稀疏采样过程;采用双簇头交替方法进行路由选择,进而实现减低能耗;同时以贝叶斯算法进行稀疏信号重构。通过实验可以看出,相比于传统的无线传感器监测网络,CS-DCHA算法保证了在一定的信号重构精度条件下,能降低无线传感器网络的能耗并延长其生存时间。     

双阈值正交匹配追踪算法

压缩感知理论(CS)中的重构算法是压缩感知理论的重要组成部分。在稀疏度未知的情况下,一些重构算法表现不佳。针对该问题,提出一种基于双阈值的正交匹配追踪算法。通过对所选原子的两次筛选,能够在稀疏度未知的情况下,高效率、高质量地重构信号。与同类算法相比,所提算法能够很好地重构信号,重构精度较高,运行速度较快。     

LFM宽带雷达信号的多通道盲压缩感知模型研究

在传统压缩感知(Compressed sensing, CS)基础上,提出了一种基于盲压缩感知(Blind compressed sensing, BCS)理论的线性调频(Linear frequency modulated, LFM)雷达信号欠采样与重构的多通道模型.这一机制在稀疏基未知的条件下,利用LFM信号在分数阶傅里叶变换(Fractional Fourier transform, FRFT)域上良好的能量聚集特性,将多个LFM信号看作是在多个未知阶次下FRFT域的稀疏表达,通过时延相关解线调和逐次消去相结合的的欠采样方法逐一估计出每个通道的LFM信号满足聚集性条件的特定分数阶傅里叶域,以此构造出该通道LFM信号对应的DFRFT正交稀疏基字典,以各DFRFT 正交基为对角块构建混合信号正交稀疏基字典,最后利用块重构算法从测量值中估计出稀疏信号,同时验证了LF M信号多通道BCS问题解的唯一性,从而实现了稀疏基未知情况下针对多路LFM宽带雷达信号的多通道盲压缩感知.     

基于边膨胀图的压缩感知理论

膨胀图(Expander graphs, EG) 理论与压缩感知(Compressive sensing, CS)理论相结合是近几年发展起来的一个新方向, 其优点在于能设计出具有确定结构的0-1测量矩阵, 且可根据膨胀图的结构协同设计重建算法, 相当于在重建算法中引入了先验知识, 能更快更准确地重构出稀疏信号. 本文从非均匀采样的必要性和合理性分析出发, 在已有的膨胀图压缩感知理论基础上, 将膨胀图的定义拓展到左顶点度数不相等的边膨胀图, 并建立起边膨胀图邻接矩阵与有限等距性质 (Restricted isometry property, RIP)条件之间的联系, 又进一步给出了边膨胀图邻接矩阵的列相关系数的上限值. 同时根据边膨胀图的特性, 协同设计了两种压缩感知重建算法. 通过仿真实验对比边膨胀图代表的非均匀采样模式与现有膨胀图代表的均匀采样模式, 以及本文设计的算法与传统算法在重建稀疏信号上的性能, 实验结果验证了边膨胀图压缩感知理论的有效性.     

基于参数化流形学习的压缩传感重构方法

压缩传感是一种新的信息获取理论,它突破了传统的采样理论,将数据采集和压缩合二为一,再利用重构算法将原始数据恢复。为了能够得到更好的压缩传感重构效果,把流形学习的思想和方法与压缩传感相结合,提出了一种基于参数化流形学习的压缩传感重构方法。实验结果表明,提出的方法对自然图像进行重构取得了很好的效果,充分验证了基于参数化流形学习的压缩传感重构方法的有效性。     

压缩感知基本理论:回顾与展望

随着信息社会的迅速发展,人们对数字信息的需求越来越大。同时,人们对信号的采样速率、传输速度和存储空间的要求也变得越来越高。如何在保持信号信息的同时尽可能地减少信号的采样数量?Candès在2006年的国际数学家大会上介绍了一种称为压缩感知的新颖信号采样理论,指出:只要远少于传统Nyquist采样定理所要求的采样数即可精确或高概率精确重建原始信号。围绕压缩感知的稀疏字典设计、测量矩阵设计、重建算法设计这3个核心问题,对其基本理论和主要方法进行了系统阐述,同时指出了压缩感知有待解决的若干理论问题与关键技术。     

基于训练字典的压缩感知光谱稀疏化方法

压缩感知理论利用目标的稀疏特性,能从极少的测量值中重构出目标图像,已成为突破奈奎斯特采样定理,实现超分辨成像的一个极具潜力的研究方向,其应用于对地观测遥感成像的一个核心问题在于面对复杂的地物场景,如何探求有效的稀疏化表达方法。对于具有超高数据量的高光谱成像而言,充分利用波段间丰富的冗余光谱信息,研究有效的光谱稀疏化表达方法更加具有实用价值。首先介绍了压缩感知光谱成像以及光谱稀疏化表达的基本原理,然后利用来自ASTER光谱库的多种类型地物光谱数据构建了一种基于K-SVD方法的训练字典,将其与DCT基、小波基分别作为稀疏基,对于几种典型地物目标进行仿真重构,结果表明:所构建的稀疏字典在采样数较少的情况下明显优于DCT基和小波基,在20%的低采样率时即可近乎完美地重构光谱曲线。     

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。     

Robust 1-bit compressive sensing via variational Bayesian algorithm

In a compressive sensing (CS) framework, a sparse signal can be stably reconstructed at a reduced sampling rate. Quantization and noise corruption are inevitable in practical applications. Recent studies have shown that using only the sign information of measurements can achieve accurate signal reconstruction in a CS framework. We consider the problem of reconstructing a sparse signal from 1-bit quantized, Gaussian noise corrupted measurements. In this paper, we present a variational Bayesian inference based 1-bit compressive sensing algorithm, which essentially models the effect of quantization as well as the Gaussian noise. A variational message passing method is adopted to achieve the inference. Through numerical experiments, we demonstrate that our algorithm outperforms state-of-the-art 1-bit compressive sensing algorithms in the presence of Gaussian noise corruption.