基于稀疏表示的超分辨率重建汇总.ppt

稀疏表示理论基础 稀疏编码模型解析 稀疏编码问题的目的是给定字典 D，计算对信号 x 的最稀疏表示系数 α。本节讨论稀疏编码问题的几种解析方式。 最大后验概率估计 稀疏性约束的表达方式： （1） 其中 s 表示稀疏性指标，上述模型也可以转换为正则化表达方式： （2） 其中λ表示正则化参数 ，用于均衡稀疏性和稀疏表示误差。 公式(2)的稀疏表示模型可以理解为对稀疏表示系数 α 的最大后验概率估计： （3） 假设观测信号 x 具有加性零均值高斯噪声，则： （4） α 的先验概率模型为： 压缩编码长度最小化 从信号编码角度分析，稀疏编码相当于信号在稀疏约束下的压缩编码。设已知字典 D，对图像 X 进行压缩，一种方法是对重建系数 A 和残差 X-DA 进行无损编码；或者采用有损编码的方式，对 A进行编码，得较好的近似重建 X≈ DA。以有损编码为例，多数压缩编码包含两部分：计算概率阶，指定 A 的概率P(A)；编码阶段，计算具有 L(A)长度的编码 C(A)，并确保 L(A)尽可以小。霍夫曼编码给出了最好的解决方案：L(A) =-log P(A) 。可见，现代压缩理论是通过 P(A)的最大化来计算系数 A。由此可得，有损压缩相当于确保在一定压缩误差 ε 条件下的最大化概率 P(A)问题。对 X 的每个样本进行压缩处理，估计每个样本 xi的最优压缩系数 αi可表示为下列优化问题： （5） 选择 ，进行无损压缩，需要考虑重建残差xi-Dαi。因为 ，编码长度转换为： （6） 计算最优化系数 αi，相当于解决 minαL ( xi,αi)的估计问题，此问题与上公式的 MAP 问题一致，根据上节分析，无损压缩问题又与公式的稀疏表示模型一致。 稀疏表示问题的优化算法 稀疏编码问题是基于 2.1 节的稀疏表示模型，并假设字典 D 已知的情况下，输入信号 x 的稀疏表示系数 α 的估计问题。目前常用的稀疏编码问题的优化算法多是基于最优化方法、匹配追踪和贝叶斯方法构造的，大概可归纳为以下三类：针对 l0范数最小化问题提出的贪婪算法；针对 l1范数最小化问题提出的线性规划最优化算法；统计优化算法。 为简化表达，本文假设字典 D 的每个原子是标准化的（l2范数大小为 1）。 贪婪算法 多数算法都是针对下述问题提出的： 常用的计算方法主要为贪婪算法。代表性的有 MP算法、OMP算法及改进算法。 匹配追踪 MP 贪婪算法的核心思想是在每次迭代过程中，选择与当前残留误差最相关的原子。 正交匹配追踪 OMP 贪婪算法的核心思想也是在每次迭代过程中，选择与当前残留误差最相关的原子，相对 MP 算法改进之处在于：将选中的原子正交投影到已被选择的原子张成的空间中；之后重新计算残留误差，循环上述过程即可。如下：