压缩传感技术及其应用.docVIP

  压缩传感技术及其应用# 余国义，郑梅军，张乐* （华中科技大学光学与电子信息学院微电子工程系，武汉 430074） 5 10 15 20 25 摘要：随着信息技术的快速发展，人们所需要处理的数据量也不断增多，这就对传统信号采 样方式的信息处理硬件能力提出了更高的要求. 本文综述了一种新的信号处理方法—压缩 传感（Compressive Sensing，CS），它是针对稀疏或者可压缩信号，在采样的同时即可对信 号数据进行适当压缩的新理论. 近年来，压缩传感理论成为信号采样及图像处理领域最新、 最热点的问题之一。 它主要包括三个方面：稀疏表示矩阵，非相干测量矩阵以及重建算法. 本文介绍了压缩传感理论的模型，以及压缩传感的主要重建算法，并将实现方法进行了分析 与比较。文章最后列举出了压缩传感的主要应用领域。 关键词：压缩传感；稀疏性；测量矩阵；重建算法 中图分类号：TN919.72 Compressive Sensing and Its applications Yu Guoyi, Zheng Meijun, Zhang Le (Department of Micro-electronics Engineering , School of Optical and Electronic Information, Huazhong University of Science and Technology, WuHan 430074) Abstract: With the rapid development of information technologies, people need to deal with more and more data with which current hardware capacity has been difficult to cope. This paper introduced a new signal processing method —Compressive Sensing (CS). Recently, an emerging theory of signal acquirement named Compressive Sensing become one of the hottest topics of signal sampling and image processing. It is a novel signal sampling theory under the condition that the signal is sparse or compressible. It has the ability of compressing a signal during the process of sampling. It consists of three main areas: sparse representation matrix, measurement matrix and reconstruction algorithm. This paper mainly introduces the model of Compressive Sensing, and the main reconstruction algorithms，then analyses and compares the algorithms. Finally，the paper lists the main applications of Compressive Sensing. Keywords: Compressive sensing; Sparseness; measurement matrix; reconstruction algorithm 30 0 引言 传统方式下，奈奎斯特采样定理指出，在进行模拟/数字信号的转换过程中，当采样频 率大于信号最高频率的 2 倍时，采样后的数字信号才能够保留原始信号的所有信息。随着各 种信号处理系统获取数据能力的不断增强，需要后期处理的数据量也以惊人的速度在增加。 35 40 这无疑给系统的处理能力提出了更高的要求，同样给硬件设备的设计带来了极大的挑战。近 年来，作为 Shannon/Nyquist 定理的另一选择，压缩传感理论受到大家的关注。 压缩传感理论[1][2][3]在信号获取的同时，就对数据进行适当地压缩，而传统的信号获取 和处理过程主要包括采样，压缩，传输以及解压缩四个部分。压缩传感（Compressive Sensing， CS）理论是信号处理领域新近发展的一种新框架，它把物理，计算和数值方法有机地结合 起来去解决大而复杂的问