压缩传感介绍讲义.ppt

压缩传感原理 （compressive sening） 创始人： 华裔数学家陶哲轩（Terence Tao） 斯坦福大学统计学家 ：David L. Donoho 理论性的文献(1)： “Robust uncertainty principles:exact signal reconsttruction from highly incomplete frequency information” IEEE Trans. on infromation theory Vol.52 No.2 2006 489~509 理论性的文献(2)： “compressed sinsing” IEEE Trans. on infromation theory Vol.52 No.4 2006 1289~1306 研究、学习的基础： 矩阵分析 统计概率论 优化与运筹学 泛函分析与变分问题 时频分析（傅里叶变换、小波变换、方向性小波变换、框架小波） 信号处理与图像处理。 基本思路： 传统思路——正交变换的应用 变换的能量集中特性与压缩： 最优的正交变换： K-L变换 它以输入图像的特征向量为变换核矩阵。因而变换核矩阵随输入图像而变化。 应用于信号重建： 变换后只保留K个分量。 重建条件： 1. N-K个分量为零。 2. N-K个分量对信号的贡献微乎其微。 问题： 各种形态的稀疏性： 新的思路： 压缩传感 压缩采样： 采样是一个线性泛函作用于信号，不限于获得信号的一个瞬时电平。 例： 信号 x ? Rn，将信号与随意选取的 m 个向量 vi 作内积（滤波），m n, 输出结果 y。 这种采样可以用一个 m×n 代数方程描述： Φ x = y 。 在一般情况下，重建 x 有无穷多解。 问题的数学表述：（P0） 范数的选择： 最优化问题的分析 范数的选择： 问题的数学表述改为：（P1） 一个有趣的例子： 研究的主要方向： 理论依据 目前的主要工作 最优化算法 正交匹配跟踪算法 随机投影算法 应用问题的压缩传感表述 压缩传感雷达。。。 实际应用的处理方法 2009年的一次国际会议征文： CS算法。 适合于有噪声、非稀疏信号、非线性测量的CS方法。 CS的数学理论 多信号或带附加信息的CS方法。 模拟信号的CS方法。 压缩测量的信号处理 非自适应信号压缩 CS系统的硬件实现 CS的应用 随机投影算法 “Random Projections Imaging With Extended Space-Bandwidth Product” By Adrian Stern and Bahram Javidi JOURNAL OF DISPLAY TECHNOLOGY, VOL. 3, NO. 3, SEPTEMBER 2007 随机投影算法系统示意图 压缩传感雷达 “Compressed sening ladar”，ICASSP 2008，1509~1512 * * 能否重建（恢复）信号？ K “稀疏”信号 或可压缩信号 什么信号是K稀疏的？ 信号在什么变换下是K稀疏的？ 信号（图像）本身可能是稀疏的； 信号（图像）在变换域是稀疏的； 信号（图像）中含有内部的相关性、规律性，当用某个数学模型描述时，只需要少量的模型系数； 信号（图像）的规则性：良好的图像具有卡通模式，噪声和干扰较少,意味着具有变差稀疏性或总变差有限性 。 A Big Idea 怎样由y重构信号x？ 或 求两个空间面的交点 在什么范数下，两个空间面相交 的可能性最大？ 或 问题等价的条件 : 受限等量性质 Restricted Isometry Property of Oder k (RIP) [ E.J. Candes, et al., 2006 ] 定义： 假定k m 是一个整数，一个矩阵Ф ? Rm×n的等量常数δk 是指对所有k 稀疏向量 x ? Rn，满足以下不等式的最小值： (1 - δk )|| x ||l22 ≤||Фx ||l22 ≤ (1 - δk )|| x ||l22 大致地说，RIP 是要求Ф 的每个 m×k 子矩阵 Sk 是近似单位正交的，即任何一个 SkTSk 的各个特征值不要偏离数值 1 太远。 充分条件（Cand