小波变换及稀疏述初步-梅树立.pptVIP

上述讨论告诉我们： Y=AX，测量矩阵A对N维s-稀疏信号进行压缩测量得到的压缩数据Y，当A满足一定条件时，可由Y唯一恢复原始信号X。 A是m*N（Nm）矩阵，即A不存在逆矩阵。如何由Y恢复X？ 设N维向量x是s-稀疏向量，假设该向量是通过2s个离散Fourier变换系数： 观测。其中 考虑以下三角多项式 当 时，上式精确消失，因此我们重点寻找集合S Mohimani G H, Babaie-Zadeh M, Jutten C. Fast sparse representation based on smoothed l0 morm. Proc 7th Int Conf Independent Component Analysis and Signal Separation. London, 2007, 389-396 Mohimani G H, Babaie-Zadeh M, Jutten C. A Fast approach for overcomplete sparse decomposition based on smoothed l0 morm [J]. IEEE Trans Signal Process, 2009,57:289-301 图中黑线是函数f(x) = a – (x – b) ^ 2， * 这两个特性均反映了稀疏解的唯一性。 * Is injective as a map from: 一一映射 (b) 零空间核A不包含除零向量外的任何2s-稀疏向量。这里的意思是：矩阵的m个行向量的线性组合可构成2s-稀疏向量。 为什么称A为零向量核？？ * Transpose:转置 Cardinality：基数 * * * * * Only 0 function in all spaces 如果某函数在所有空间中，必然在任意区间上是常数，而且平方可积，因此只能是0。所谓平方可积，即： * * 可以逼近所有的平方可积函数f (x) 以上尽管涉及到了内积运算，但实质属于插值。即以上讨论内容均在巴拿赫空间进行。 完备的线性赋范空间称为Banach空间 由于没有定义内积概念，只能用线性泛函代替内积。如插值算子，Laplace算子（微分算子）等。（算子是泛函的一种）。坐标就是线性泛函。 完备的内积空间称为Hilbert空间。 数值逼近理论在Hilbert空间定义。 设X是n维实向量空间，对其中向量 定义内积 正交的定义: (x,y)=0 任何n维空间都存在正交基 正交推论： 设 是线性内积空间X的n+1个 线性无关元素，子集 在 中寻求对X的某一元素f的最佳逼近时指在 中存在一元素S*，使对于任意 都有 定理： 是集 对f 的最佳逼近元素 的充要条件是S1-f 与所有的 正交。 假设f 是集合 中的元素，则，f 可以被集合 中的基函数 精确线性表达。 误差S1-f =0。若表达式的误差不为零，且误差仍然能被基函数表达，说明表达式还不完整。 由下列方程组决定 对应的矩阵形式为 被逼近函数为 F= MC=F * Relation to measurements Denoising By Energy Minimization Thomas Bayes 1702 - 1761 Prior or regularization y : Given measurements x : Unknown to be recovered Many of the proposed denoising algorithms are related to the minimization of an energy function of the form This is in-fact a Bayesian point of view, adopting the Maximum-Aposteriori Probability (MAP) estimation. Clearly, the wisdom in such an approach is within the choice of the prior – modeling the images of interest. * The Evolution Of Pr(x) During the past several decades we have made all sort of guesses about the prior Pr(x) for images: Mumford Shah formulation, Compression algo