基于亚高斯随机投影的图像重建方法

将亚高斯随机投影引入可压缩传感CS(compressed sensing)理论,给出了两种新类型的CS测量矩阵:稀疏投影矩阵和非常稀疏投影矩阵.利用亚高斯分布尾部的有界性,证明了这两种矩阵满足CS测量矩阵的必要条件.同时,进一步说明由于这两种矩阵构成元素的稀疏性可以简化图像重建过程中的投影计算,从而提高重建速度.实验结果表明新的测量矩阵均有较好的测量效果,在满足一定测量数目要求的条件下可以精确重建.最后给出了这两种矩阵与一般采用的高斯测量矩阵的重建结果比较和分析.     

基于CS-GPSR的电容层析成像图像重建算法

提出将基于压缩感知(CS)理论的稀疏梯度投影(GPSR)算法应用于电容层析成像(ECT)图像重建过程中.采用离散Fourier变换(DFT)基将原始图像灰度信号进行稀疏化处理;将ECT灵敏度矩阵的各行按随机顺序进行排列,得到ECT系统观测矩阵,同时将测量电容向量的各行按相同顺序进行排列,得到观测投影向量;使用GPSR算法进行图像重建.仿真实验结果表明:基于CS理论的GPSR(CS-GPSR)算法重建图像质量明显优于LBP算法和Landweber迭代算法.本文所述算法可实现较高精度的图像重建,为ECT图像重建的研究提供了一种新的手段.     

一种单检测器可压缩成像系统设计

采用基于亚高斯随机投影的图像重建方法,得到以稀疏矩阵、非常稀疏投影矩阵作为测量矩阵的仿真结果,设计一种基于数字微镜装置阵列的可压缩成像系统,给出系统结构、各模块之间的联系和核心模块的设计方法。为满足系统对高频弱光信号检测的需要,设计单检测器弱光信号检测模块,实验结果证明该方案速度快、有较高的精度和适应性。     

压缩感知及应用

传统的信号采样必须遵循香农采样定理,产生的大量数据造成了存储空间的浪费.压缩感知(CS)提出一种新的采样理论,它能够以远低于奈垒斯特采样速率采样信号.压缩感知的基本论点是如果信号具有稀疏性,可投影到一个与变换基不相关的随机矩阵并获得远少于信号长度的测量值,再通过求解优化问题,精确重构信号.本文详述了压缩感知的基本理论,压缩感知适用的基本条件:稀疏性和非相干性,测量矩阵设计要求,及重构算法的RIP准则,并介绍了压缩感知的应用及仿真.仿真结果表明当采样个数大于K×log(N/K),就能将N维信号稳定地重建出来.     

压缩感知理论投影矩阵优化方法综述

通过优化投影矩阵的结构可提高压缩感知（Compressed sensing,CS）的重构性能及信号适应的稀疏度范围。该类方法利用迭代更新Gram矩阵使CS投影矩阵逼近最优结构,不同于以往的投影矩阵设计问题,它是一类新的改进CS性能方法。本文阐述了该问题的产生起源、理论基础、目标函数、理想模型以及与编码理论的交叉。在此基础上,分析、总结和比较现有投影矩阵优化方法的构造原理、应用特点以及存在的问题,最后讨论了其未来可能的发展方向。实验结果验证了分析结论的正确性。     

基于稀疏带状矩阵的二维图像重建

压缩传感（Compressed Sensing,CS）是数据采样同时实现压缩的新理论、新技术。针对大图像重构时采用的测量矩阵维数高,所需存储空间过大的问题,引入稀疏带状概念,提出了稀疏带状测量矩阵,可减少测量矩阵独立随机元,根据图像按列逐步处理的方式,测量矩阵维数大大降低。实验结果表明基于稀疏带状测量矩阵的逐列图像重构算法在保证重建质量的情况下,计算速度也大大提升。     

基于最优格拉斯曼框架的测量矩阵投影构造方法

压缩采样中测量矩阵对于信号的压缩及重建都有着十分重要的作用。为了减小测量矩阵与稀疏变换矩阵的互相干性,对测量矩阵和稀疏变换矩阵的乘积,构造其Gram矩阵并通过最优投影法优化之。格拉斯曼框架各元素间具有较小的相干性,使优化后的矩阵逼近格拉斯曼框架则可以获得更好的性能。     

使用二分图邻接矩阵的压缩传感图像快速重建

针对压缩传感中高维投影计算采用稀疏性较差的普通随机测量矩阵,从而导致计算复杂度高,重构性能不佳这一难题,提出一种基于二分图邻接矩阵的压缩传感图像快速重建算法。该算法在满足测量矩阵的RIP条件下,充分利用二分图邻接矩阵的稀疏性与二值性,将时间复杂度由传统算法的O(N·logN)降低至O(N)。实验结果表明,算法在保证图像重构质量情况下大大提高了运算性能,尤其对于色彩(灰度)变化平缓图像,该算法性能更加优越。     

基于准循环低密度奇偶校验码的压缩感知测量矩阵

针对随机测量矩阵元素随机产生、不易于硬件实现的缺点,利用有限域上准循环低密度奇偶校验(QC-LDPC)码奇偶校验矩阵的构造方法,设计了一种确定性的结构化稀疏测量矩阵。由于QC-LDPC码的信道编解码性能较好,故以此为基础构造压缩感知(CS)测量矩阵预计有较好的性能。分别用一维和二维信号的CS重建实验验证新矩阵的性能,结果表明,与常用的测量矩阵相比,在相同的重建算法和压缩比条件下,新矩阵对应的重建误差较低,在峰值信噪比(PSNR)的评价指标上有所提高(0.5~1dB)。特别地,所提的确定性测量矩阵在结构上具有对称特性和准循环特性,如将其应用于硬件实现,可降低物理内存的需求量与硬件实现的复杂度。     

基于低秩和稀疏性先验知识的压缩感知图像重构

压缩感知（CS）图像重建算法是CS图像获取问题的一个研究重点。针对当前重建效果最好的基于低秩先验的NLR重建算法,忽略了图像的局部结构信息,不能有效地重建图像的边缘,为了在测量值数量不变情况下进一步提高图像的重建质量,在低秩先验的基础上,引入稀疏约束（梯度域的稀疏性-总变差）作为图像额外的先验知识,建立了基于总变差和低秩约束的CS图像重建模型。增广拉格朗日-交替方向乘子算法用于求解产生的非凸优化问题。实验结果表明,与传统的稀疏性先验重建算法和NLR算法相比,所提算法能够获得更高的图像重构质量。     

基于Legendre序列的确定性测量矩阵

近年来,压缩感知理论飞速发展。很多压缩感知的应用中,信号的测量可以通过卷积滤波和之后的二次采样完成。在此基础上,实现了一种由勒让德（Legendre）序列构造的矩阵。该矩阵在经过二次采样之后,得到一种新的确定性测量矩阵。对于一个K-稀疏的信号,通过该测量矩阵可以对信号进行稳定的恢复重建。据仿真结果显示,在对K-稀疏信号进行恢复的过程中,该测量矩阵的恢复效果与高斯随机测量矩阵的应用效果相当。     

低存储化压缩感知

目的 非相关观测是压缩感知(CS)理论中的关键因素。高斯随机矩阵作为一种普适的CS非相关观测矩阵,在压缩感知中得到广泛的研究与应用。但在实际应用中,却存在实际内存占用较多,不适应大规模应用的问题。为寻求降低随机观测矩阵所需的存储空间,提出一种基于半张量积的压缩感知方法,利用该方法可以成倍地降低观测矩阵所需的存储空间。方法 该方法利用半张量积理论,构建降维随机观测矩阵,实现对原始信号的随机观测,并采用l^q(0< q< 1)范数的迭代重加权最小二乘法进行重构,从而得到稀疏信号的估计值。结果 仿真实验分别采用1维稀疏信号和2维图像信号进行了测试,并从重构概率、迭代收敛速度、重构信号的峰值信噪比等角度进行了测试和比较。通过不同大小的随机观测矩阵比较验证表明,采用降维后观测矩阵进行采样和重构,其重构信号质量并没有明显下降,但其观测矩阵所需的存储空间却可大大降低,如降低为通常的1/4,1/16,甚至更低。结论 本文压缩感知方法,可以大大降低观测矩阵所需的存储空间,同时有效降低数据运算复杂度以及内存占用率,有助于压缩感知的应用。     

半张量积压缩感知模型的l0-范数解

目的 半张量积压缩感知模型是一种可以有效降低压缩感知过程中随机观测矩阵所占存储空间的新方法,利用该模型可以成倍降低观测矩阵所需的存储空间。为寻求基于该模型新的重构方法,同时提升降维后观测矩阵的重构性能,提出一种采用光滑高斯函数拟合l₀-范数方法进行重构。方法 构建降维随机观测矩阵,对原始信号进行采样;构建可微且期望值为零的光滑高斯函数来拟合不连续的l₀-范数,采用最速下降法进行重构,最终得到稀疏信号的估计值。结果 实验分别采用1维稀疏信号和2维图像信号进行测试,并从重构概率、收敛速度、重构信号的峰值信噪比等角度进行了测试和比较。验证结果表明,本文所述算法的重构概率、收敛速度较该模型的l_q-范数（0 <q <1）方法有一定的提升,且当观测矩阵大小降低为通常的1/64,甚至1/256时,仍能保持较高的重构性能。结论 本文所述的重构算法,能在更大程度上降低观测矩阵的大小,同时基本保持重构的精度。     

帐篷混沌序列稀疏测量矩阵构造

测量矩阵的构造是压缩感知(CS)中重要的研究内容之一.利用混沌系统伪随机性、遍历性的特点,提出了一种基于帐篷混沌序列构造确定性稀疏随机矩阵的方法.对混沌系统生成的确定性序列进行了间隔采样,采样后的序列满足统计独立性,然后通过符号函数映射,生成了具有稀疏性质的伪随机序列,进而构造出混沌稀疏测量矩阵.仿真实验表明:该方法构造出的混沌稀疏测量矩阵与高斯随机矩阵、稀疏随机矩阵及Bernoulli随机矩阵相比,具有类似的重构性能.混沌系统参数与初值固定时,构造的混沌稀疏测量矩阵是确定的,计算复杂度小且硬件上容易实现.     

A new wavelet based efficient image compression algorithm using compressive sensing

We propose a new algorithm for image compression based on compressive sensing (CS). The algorithm starts with a traditional multilevel 2-D Wavelet decomposition, which provides a compact representation of image pixels. We then introduce a new approach for rearranging the wavelet coefficients into a structured manner to formulate sparse vectors. We use a Gaussian random measurement matrix normalized with the weighted average Root Mean Squared energies of different wavelet subbands. Compressed sampling is finally performed using this normalized measurement matrix. At the decoding end, the image is reconstructed using a simple ?₁-minimization technique. The proposed wavelet-based CS reconstruction, with the normalized measurement matrix, results in performance increase compared to other conventional CS-based techniques. The proposed approach introduces a completely new framework for using CS in the wavelet domain. The technique was tested on different natural images. We show that the proposed technique outperforms most existing CS-based compression methods.