AnIntroductionToCompressiveSampling翻译.docVIP

采集信号或者图像传统的方法是根据有名的香农定理：采样速率必须至少是信号最大频率的两倍（也叫奈奎斯特速率）。事实上，这个原理构成了所有信号获取的协议，被用在了消费音频和视频设备，医学图像设备，无线电接收器等等（对于一些信号，比如说图像本身不是带宽受限的，采样速率不是通过香农定理来设定而是暂时所需的或者空间分辨率。然而，在这样的系统里来使用一个反锯齿低通滤波器在抽样前来带限信号是很平常的，所以香农定理起到了一个含蓄的作用）。举个例子，在数据转换方面，标准的模数转换器技术使用通用的量化香浓定理描述为：信号均匀抽样速率大于等于内奎斯特速率。 这篇文章概括论述了压缩采样的理论，也被称作压缩传感或者CS，是一篇阐述突破了传统信号获取理论的文章。CS理论断言可以用比传统方法更少的采样点或者测量值恢复某个特定信号或者图像。为了使其成为可能，CS依靠两个原则：稀疏性，由信号本身决定；非相关性，由感知系统决定。 稀疏性表达了这样一个想法：连续时间信号的信息速率比我们依据带宽小很多，或者离散时间信号自由度远小于其有限的长度。更精确的说，CS阐述了这样一个事实：在一定意义上说，很多自然信号是稀疏的或者可压缩的，当在合适的基上表达时，他们有简明的描述。 非相关性扩充了时域和频域的二元性，表达了这样一种思想，在基上有稀疏表示的目标信号必须在它们被获取的域上展开，正如在时域中一个dirac函数（即冲击函数函数）或者一个spike函数（峰值函数）在频域中是展开的。换句话说，非相关性说的是和我们感兴趣的信号不同，采样/传感信号波形在基有一个相当的密集描述。 一个至关重要的发现是能够设计一个高效的传感或采样协议使得获得内嵌在稀疏信号里的有用的信息内容然后把他压缩成一个小量的数据。这些协议是非自适应的，仅仅要求将信号与少量的固定波形相关联，这些波形是与稀疏化的基非相关的。让人难以置信的是这些抽样协议在一个稀疏信号中允许一个传感器来高效的获取信息来恢复这个信号。更进一步来说，有方法来使用数字化优化从少量收集的信号来重建整个信号。换句话说，CS是一个非常简单和高效的信号获取协议，信号可以在一个低速情况下抽样（不依赖于传统方式），然后使用计算机的方法从一个不完整集得测量来恢复。 这篇文章我们的目的是概述CS理论的基本原理，这些原理可在文献【1】~【3】中可见，重要的数学思想构成了这个理论，概述了在这个领域的几个重要的结果。我们的目的是用尽可能简单的解释CS，所以我们的文章主要是指南性质的。这个理论其中一个魅力所在是他是从各个不同的学科分支包括应用数学，最著名的概率论中得来的。在这篇文章中，我们决定强调这方面，尤其是这样一个事实，可能更令人惊讶的是，随机性能导致非常有作用的传感机制。我们也讨论了重要意义，解释了为什么CS对于同时传感和压缩数据是一个实用的协议，通过一些重要的应用来证明我们的结论。 信号感知问题 在这篇文章中，我们讨论了传感机制，在这个机制中关于信号f(t)的信息是通过线性泛函来获得，记录的值如下： （1） 我们简单的关联了我们希望获得的目标和波形。这是一个标准的设置。如果传感波形是一个狄拉克函数注意力。本质上的原因有两点：第一，概念简单的，第二已有的离散CS理论已经发展的很成熟了（我们在“应用”部分简要回顾模拟部分）。用上所述，我们对在采样过疏的情况下感兴趣，在这种情况下，观测数量m比信号f的维数n还要小。这些问题对于各种原因是极其普通的。例如，传感器数量可能有限。或者，通过中子散射的在某些成像过程中，测量仪器可能极其昂贵。或者在传感过程中可能很慢以至于仅仅能够测量这个目标几次，比如在磁共振成像也是如此。 这种情况提出了重要的问题。是否可能正确无误的仅仅从观测中重建？有没有可能来设计传感波形来捕获几乎所有的信息f？怎样从这些数据来逼近f？不可否认的是，这样的情况是让人很失望的，需要有人来解决这个欠定的线性系统方程。用A来表示感知矩阵，矢量作为行（是a的复数转置），从恢复的过程是一般来说是一个病态问题，当mn：有很多无穷的候选信号，其中。但是人们可能能够通过依靠目标信号f的现实模型来想象出一条出路，而这个模型是本身存在的。香农理论告诉我们，如果f（t）确实有一个很低的带宽，少量的抽样对于恢复信号已经足够了。在剩余的文章里，正如我们所看到的，对于一个很宽的信号模型，信号恢复确实能够可以做到。 非相关性和稀疏信号的传感 这部分讲述了构成CS理论的两大基本前提：稀疏性和非相关性。 稀疏性 很多自然信号在合适的基下展开时具有简明的表达式。例如， 考虑图1（a）中的图形，他的小波变换在（b）。虽然几乎所有的图像像素都是非零值，但是小波系数给了一个简要的概括：大多数小