信号的稀疏表示.pptVIP

稀疏编码的方法及稀疏字典学习的基本方法 稀疏表示，它意欲用尽可能少的非0系数表示信号的主要信息，从而简化信号处理问题的求解过程。 稀疏表示模型可如表达式(1)所示，其中y为待处理信号，D为字典，x为稀疏系数，||x||0?m。||x||0为x的稀疏度，它表示x中非0稀疏的个数。 y=Dx subject to min||x||0 (1) n×1 n×m m×1 我们一般用的字典都是过完备的，因为在过完备的字典下分解稀疏系数不唯一，这也恰恰为图像的自适应处理提供的可能，我们可以根据自己处理的要求选择最合适的最稀疏的系数。 稀疏分解算法 获取信号在过完备字典下的最优稀疏表示或稀疏逼近的过程叫做信号的稀疏分解，这是稀疏表示能否在实际图像处理中应用的基本问题。 1.凸松弛法 基追踪（BP）, 基追踪去噪算法（BPDN） ,平滑L0范数 （SL0）等等。 2.贪婪法 匹配追踪（MP） ,正交匹配追踪（OMP）,弱匹配追踪等等。 凸松弛法 凸松弛算法的核心思想就是用凸的或者是更容易处理的稀疏度量函数代替(1)中非凸的L0范数 ，通过转换成凸规划或非线性规划问题来逼近原先的组合优化问题，变换后的模型则可采用诸多现有的高效算法进行求解，降低了问题的复杂度。 这里主要介绍的是基追踪算法（BP）与基追踪去噪算法（BPDN）。这两个算法的基础是用L1范数替代L0范数即将 subject to?y=Dx?? 转化为 subject to ||y-Dx||2＜ε 基追踪：将L1范数替换L0范数之后，稀疏表示模型： ??? subject to??y=Dx ? 就变成了一个常见的线性规划问题，我们可以用单纯性算法或内点法来求解. 基追踪去噪：我们可以把上式的模型加以变形为： min（x） ?||y-Dx||2+i||x||1 这个称为L1范数最小二乘规划问题，可以用梯度下降或梯度投影法进行快速的求解。 凸松弛算法的有效性依赖于过完备字典自身是否存在快速的变换与重建算法，例如对于正交基字典算法具有较高的效率，然而对于一般的过完备字典，凸松弛算法仍具有非常高的运算复杂度。 贪婪法 稀疏解x包括非0系数的位置索引和幅值两个信息，贪婪法的主体思路是先确定x中非0元素的位置索引，然后用最小二乘求解对应的幅值。与凸松弛算法相比，贪婪法具有比较低的复杂度。 这里主要介绍的算法是匹配追踪算法（MP）与正交匹配追踪算法(OMP)。这两个算法是复杂贪婪算法的基础。 匹配追踪法 MP算法的基本思路是在每一次的迭代过程中，从过完备字典D中选择与信号最为匹配的原子来构建稀疏逼近，并且求出信号表示残差。之后继续选择与信号残差最为匹配的原子，再经过一定次数的迭代，信号就可以由多个原子线性的表示。 x为信号， 为用于稀疏分解的过完备字典的原子（即列向量），Γ为r的集合。原子都做了归一化处理 。 首先从过完备库中选出与待分解信号x最为匹配的原子 ，何为最为匹配就是信号在原子 上的投影最大时： 信号可以分解为在最佳原子上的分量和残余信号两部分，即为： 其中R1x为残余信号，初始值R0=x。 由投影的原理可知 与R1x是正交的，故可得： 由上式可知要使残差R1最小，则投影值 要求最大。 对最佳匹配后的残余信号可以不断进行上面同样的分解过程，即 其中 满足 要求。 由此经过n次迭代之后信号被分解为： Rnx表示为信号分解为n个原子的线性组合时信号的残差。由于我们使用每步都取最优原子，故可知残差是会迅速下降的，当n达到无穷是，残差即无限接近于0.我们可以根据自己的要求设置n的值来使信号稀疏，n也可以称为信号的稀疏度。 正交匹配追踪 正交匹配追踪算法与匹配追踪算法的唯一的区别在于递归对于所选择原子集合进行了正交化处理，为了保证每次结果都是最优的，从而可以有效的减少了迭代次数，提高了算法效率。 即在每次选择的原子 用Rram-Schmidt正交化处理： 其中Up为上一次的原子正