CS(压缩传感)理论与研究.docVIP

一种新的压缩采样技术——Compressed Sensing理论 1.引言 　 在现代数字化信息时代, 信息的来源的模拟化和信息处理工具的数字化是其两大主要特征。信号的采样是两者必然联系的桥梁。傅立叶变换和奈奎斯特采样定理然而随着人们对信息需求量的增加，携带信息的信号的带宽越来越宽基础的信号处理框架，的采集速率和处理速度越来越高，对宽带信号处理的困难也越来越大。这给信号采集、存储、传输和处理等带来了巨大的压力。”。该理论异于近代奈奎斯特采样定理，它指出：利用随机观测（投影）矩阵可以把一个稀疏或可压缩的高维信号投影到低维空间上，然后再利用这些少量的投影通过解一个优化问题就可以以高概率重构原信号，并证明了这样的随机投影包含了重建信号的足够信息。于是一个可压缩信号能够用比奈奎斯特采样要求的信号长度小得多的信号来准确表示。 CS理论中，图像/信号的采样和压缩同时以非常低的速率进行，使传感器的采样率和计算成本大大降低，而信号的恢复过程是一个优化计算的过程。因此，压缩感知理论指出了将模拟信号直接采样压缩为数字形式的有效途径，具有直接信息采样特性。事实上，CS理论的某些抽象结论源于Kashin创立的范函分析和逼近论，最近由Candès, Romberg，Tao和Donoho4等人构造了具体的算法并且通过研究表明了这一理论的巨大应用前景。压缩感知的引人之处在于它对于应用科学和工程的许多领域具有重要的影响和实践意义，如统计学、信息论、编码理论、计算机科学理论及其它理论1。 本文以稀疏信号的压缩观测及重构为主线, 综述了CS理论以及与之相关的信号稀疏变换、观测矩阵设计、重构算法等一系列最新理论成果和应用研究。 2. CS理论框架 2.1 问题描述 考虑一个实值的有限长一维离散时间信号x，可以看作为一个空间的N×1维的列向量，元素为。如果是图像或高维数据矢量，则转化成一个长的一维向量。 空间的任何信号都可以用N×1维的基向量的线性组合表示。为简化问题，假定基是正交的。把向量作为列向量形成N×N的基矩阵，任意信号都可以表示为： （1） 其中是加权系数构成的N×1的列向量，表示转置操作。显然，和是同一个信号的等价表示，是信号在实域的表示，则是信号在域的表示。 信号处理领域关注的的信号大都是可压缩的信号。可压缩信号是指信号或者信号在某个正交基下的展开系数往往是按一定量级衰减变化的。实际应用中，自然信号和人为构造信号的可压缩性激起人们对于稀疏性的研究热情，可压缩意味着存在一个基，信号在其上的表示（（1）式）具有非常少的大系数和许多小系数。可压缩信号可以用K项稀疏表示很好地逼近，这就是变换编码的基础。 变换编码在数据采样系统比如数码相机中发挥重要作用，在这些系统中采样数高但信号可压缩。在这样的框架中，我们采样得到N点采样信号；通过变换后计算出完整的变换系数集合；确定K个大系数的位置，然后扔掉N-K个小系数；对K个大系数的值和位置进行编码,从而达到压缩的目的。 图1 传统方法压缩过程 不幸的是，传统的先采样后压缩的方法具有三种固有的缺点：第一，必须进行高速采样得到很多的点(个)，即使最后需要的很小；第二，变换时即使最终扔掉了个系数之外的其它个小系数，也必须计算所有的变换系数；第三，压缩编码时必然要面临对大系数位置进行编码的开销。 在实际应用中，这种传统的以奈奎斯特采样定理为准则的高速采样然后再压缩的过程浪费了大量的采样资源。例如数码相机具有百万像素的图像传感器，最后却只使用到对图像进行变换压缩后的几百Kbyte的数据。面对降低存储和传输成本的需求，既然大多数的信号都是可压缩的，为什么还要花费大量的精力获取所有的数据，最后却又扔掉大部分？我们是否可以直接获取压缩后的数据？即，能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的条件下，用远低于奈奎斯特采样定理要求的速率去采样信号而又可以完全恢复信号？也即，能否将对信号的采样转变成对“信息”（information）的采样？ 近两年兴起的CS理论证明是可行的，它是信号处理领域的一个新兴理论框架，企图在不丢失逼近原信号所需信息的情况下，用最少的观测次数来采样信号，实现信号的降维处理，即直接对信号进行较少采样得到信号的压缩表示，不经过进行次采样的中间阶段，从而在节约采样和传输成本的情况下，达到了在采样的同时进行压缩的目的，并且可从远少于奈奎斯特采样数目的数据中重构信号或图像 CS理论首先由E.Candès、Romberg和Tao及Donoho在2004年提出，正式文献直到2006年才正式发表。Cand`es等人证明了如果一个信号在某个基下具有稀疏表示，那么它可以从在另外一个不相关的基上的少量投影(观测值向