基于稀疏表示的超分辨率重建(2).pptVIP

稀疏表示问题的优化算法 最优化方法 另外一种优化算法是基于 l1范数的稀疏表示模型，将原来无法进行求解的 NP组合最优化问题转换为求解线性规划最优化问题，也是近几年研究的一个热点。针对此类目标函数提出的最基本优化算法是基追踪方法，之后，很多学者对此问题进行了深入研究。近几年求解 TV 最小化问题的Bregman 迭代算法在 l1范数的稀疏表示问题上的成功应用，提高了此类问题的重建效果。 NP是指非确定性多项式（non-deterministic polynomial，缩写NP）。所谓的非确定性是指，可用一定数量的运算去解决多项式时间内可解决的问题。NP 问题通俗来说是其解的正确性能够被“很容易检查”的问题，这里“很容易检查”指的是存在一个多项式检查算法。 基追踪方法 基追踪方法是采用线性规划算法来解决公式 (1)的 l1约束的线性反演问题。设变量α∈RM ，其标准的线性规划方程为： (2) 为将公式(1)转换为公式(2)的优化问题，将 α分为两部分：α=α++α- ： (3) 则 l1范数可以转换为 和 的内积，可表示为： (4) 通过上式建立了基追踪与线性规划的联系，可采用单纯性法和内点法求解上式问题。 Bregman 迭代正则化方法 Bregman 迭代最初是用于全变分模型： (5) 其中全变分函数： (6) 上述全变分函数的计算可采用基于 Bregman 的迭代方法。设凸函数 J ( · )，在点 u 和 v 之间的 Bregman 距离可定义为： (7) 其中 ，是在点 v 处的次微分。通常情况下，由于 公式(7)定义的 Bregman 距离并不是一般意义上的距离概念。然而，它能表示点u 和 v 点间的接近程度。 公式(5)的求解，并不是能通过一次迭代过程求解，其 Bregman迭代方法包含一系列凸问题的迭代过程： (8) Bregman 迭代算法如下： Darbon 等提出的基于 Bregman 距离的方法，证明了如果 ，则｛αk｝收敛于α 的全变分最小化： 。显然，这种基于 Bregman 的方法同样 适用于 l1范数的稀疏优化问题： (9) 其中 H (α)是可微凸函数。Bregman 的迭代过程如下： (10) 其中δk是第 k 次迭代的