压缩采样和应用1025答案.ppt

压缩采样流程介绍 压缩采样流程介绍 第一步：信号的稀疏表示 如图是一个稀疏度为3的稀疏变换， ,在时域 基本都是非零值， 但将其变换到 域时，非零值就只有3个了，数目远小于原来的非零数目，实现了信号的稀疏表 示。 压缩采样流程介绍 第二步：观测矩阵的设计 观测器的目的是采样得到 个观测值，并保证从中能够重构出原来长度为 的信号 或者稀疏基下的系数向量 。 观测过程就是利用 观测矩阵的 个行向量对稀疏系数向量进行投影，得到 个观测值，即 观测矩阵需要满足的条件 压缩采样流程介绍 第三步：信号重构 首先介绍下范数的概念。向量的p-范数为： 当p=0时得到0-范数，它表示上式中非零项的个数。 由于观测数量 ，不能直接求解，在信号 可压缩的前提下，求解病态方程组的问题转化为最小0-范数问题： 压缩采样流程介绍 对于0-范数问题的求解是个NP问题，需要列出所有非零项位置的种组合的线性组合才能得到最优解，在多项式时间内难以求解，而且也无法验证其可靠性。 Chen，Donoho和Saunders指出求解一个优化问题会产生同等的解。于是问题转化为： Candes等指出，要精确重构k稀疏信号x，测量次数M（必须满足M=O(k ·logN) ，并且矩阵Φ必须满足约束等距性条件(Restricted Isometry Principle)。 求解该最优化问题，得到稀疏域的系数，然后反变换即可以得到时域信号。 压缩采样流程介绍 重构算法 （1）匹配追踪系列： 匹配追踪（Matching Pursuit, MP） 正交匹配追踪(Orthogonal Matching Pursuit, OMP) 稀疏自适应匹配追踪(Sparse Adaptive MP, SAMP) 正则化正交匹配追踪(Regularized OMP, ROMP)等 （2）方向追踪系列： 梯度追踪(Gradient Pursuit, GP) 共轭梯度追踪(Conjugate GP,CGP) 近似的共轭梯度追踪(Approximation CGP, ACGP) 贪婪算法 凸优化算法 （1）基追踪法(Basis Pursuit, BP) （2）最小角度回归法(Least Angle Regression, LARS) （3）梯度投影法(Gradient Projection for Sparse Reconstruction, GPSR) 另类算法 （1）Bayesian类的统计优化算法 压缩采样流程介绍 内容 Nyquist信号采样 1 压缩采样 2 应用 3 3.1 单像素相机 压缩采样理论带来了信号采样理论的变革，具有广阔的应用前景，包括压缩成像、模拟信息转换、生物传感等。 压缩采样应用于光学成像的首个实际系统是Rice大学的“单像素相机” 入射光线经过第一个透镜之后进入成像系统，照射在放置于像平面的数字微镜设备(DMD)阵列上。DMD 阵列由数百万个尺寸为μm量级的微小反射镜组成，每个反射镜的角度可独立控制。DMD 阵列的反射光线经过第二个透镜，其中仅一个方向的光线进入单像素光子探测器。 3.1 单像素相机 传统百万像素的相机需要百万个探测传感器。 而压缩传感数码相机只使用一个探测器来采光，然后跟捕获后的计算相结合来重构图像。 该相机直接获取的是M次 随机线性测量值而不是获 取原始信号的N 个像素值， 为低像素相机拍摄高质量 图像提供了可能。 3.2 图像融合 将待融合图像进行稀疏表示 用远小于原图像的数据量进行融合 用重构算法将融合结果还原为原图像 可节省中间融合所需的计算量 更好地利用原图像中的内在联系 3.3模拟信息转换 频谱感知（认知无线电） 目标跟踪与定位 故障诊断 生物传感 其他 总结 压缩采样的理论依据： 设长度为N的信号X在某个正交基Ψ上是K-稀疏的， 如果能找到一个与Ψ不相关的观测基 Φ， 用观测基Φ观测原信号得到M个观测值，KMN，得到观测值Y， 那么可以利用最优化方法从观测值中高概率重构X。 找到某个正交基Ψ ，信号在该基上稀疏 找到一个与Ψ不相关，且满足一定条件的观测基 Φ 对Y采用最优化重建， Ψ Φ均是其约束。 以Φ观测真实信号，得到观测值Y 主要的问题： 信号的稀疏表示 观测基的选取 重构算法的设计 何为频率 * 小波，dct余弦变换 * 压