基于压缩感知理论的重构算法技术总结.docVIP

压缩感知重构算法综述 李珅1,2，马彩文1，李艳1，陈萍1 （1.中国科学院西安光学精密机械研究所 光电跟踪与测量室,陕西省 西安市 710119; 2.中国科学院研究生院,北京 100039） 摘要：现代社会信息量的激增带来了信号采样、传输和存储的巨大压力，而近年来出现的压缩感知理论(Compressed Sensing,CS)为解决该问题提供了契机。该理论指出：对于稀疏或可压缩的信号，能够以远低于奈奎斯特频率对其进行采样，并通过设计重构算法来精确的恢复该信号。本文介绍了压缩感知理论的基本框架，综述了压缩感知理论的重构算法，其中着重介绍了最优化算法和贪婪算法并比较了各种算法之间的优劣，最后探讨了压缩感知理论重构算法未来的研究重点。 关键词：信号采样; 压缩感知; 稀疏; 重构算法 中图法分类号： TP301.6　文献标识码：A? Survey on reconstruction algorithm based on compressive sensing Li Shen1,2, Ma Cai-wen1, Li Yan1, Chen Ping1 (1.Xi’an Institute of Optics and Precision Mechanics of CAS, Xi’an Shaanxi?710119, China；2.Graduate University of Chinese Academy of Sciences, Beijing 100039, China）theory. Next, this paper introduces the basis pursuit algorithm and greedy algorithms and explores the difference between them. In the end, we briefly discuss possible implication in the areas of CS data reconstruction. Key words：information sampling; compressive sensing; sparse; reconstruction algorithm 引言 随着现代科技的飞速发展，人们对信息量的需求也在剧增。传统的信息采样是基于香农采样定理，它指出信号的采样率不低于最高频率的两倍，信号才能被精确的重构。该理论支配着几乎所有信号的获取、处理、存储和传输。一方面，在许多实际应用中（如超宽带通信，核磁共振，空间探测，高速AD转换器等），信息在存储和处理时，为达到采样率而需要大量的采样数据，从而导致采样硬件成本昂贵，获取效率低下甚至在某些情况难以实现。另一方面，在数据的存储和传输方面，传统的做法是先按照Nyquist方式获取数据，然后将获得的数据进行压缩，最后将压缩后的数据进行存储或传输。显然，这样的方式造成很大程度的资源浪费，同时也提出了一个问题[1]：既然在压缩中需要丢弃大多数数据，为什么不在采样时直接取得我们需要的重要数据？ 近年来，D.Donoho、E.Candes及华裔科学家T.Tao等人提出了一种新的信息获取理论－压缩感知(Compressive Sensing)，以下简称为CS。 该理论指出[1]：对于可压缩的信号，可以通过低于或远低于奈奎斯特标准的方式对其进行数据采样并精确重构该信号。与香农定理不同的是，压缩感知并不是直接测量信号本身，它使用非自适应线性投影（感知矩阵）来获得信号的整体构造从而直接得到重要的信息，忽略那些在有损压缩中会被丢弃的信息。一般来说，压缩感知涉及三个比较重要的层面 [2]：一、信号稀疏域的选取，是压缩感知理论的基础和前提。二、观测矩阵的选取，已经证明大部分具有一致分布的随机矩阵都可以作为观测矩阵。三、重构算法的设计，由于压缩感知采用的是全局非自适应测量方法，观测数量远远少于信号长度，从而数据采集量大大减少。但是需要付出的代价是信号重建算法的软件成本。因此，CS重构算法的好坏直接影响到CS理论是否实用。 可压缩（稀疏）的定义：考虑一个一维信号xRN×1，都可以用N×1维基向量线性表示。为了简化问题，假设基向量为规范正交向量，使用N×N的基矩阵,信号x可以被表示为： 其中S是投影系数构成的N×1维列向量。显然，X和S是同一个信号的等价表示，其中X是在时域或空间域的表示，S是在Ψ域的表示。当信号可以仅被K个基向量线性表示时，则称信号x为K-稀疏。当KN时，如果信号可以被很少的大系数和很多的小系数表示的话，则称信号x为可压缩的[2][3]。假设信为稀疏的，那么对于0p2以及R0有： 传统思路中压缩信号就是采用这种正交变换的方式，其编码解码的策略为