宋麗娟

摘要：該文簡單對信號稀疏重建的模型和測量矩陣的設(shè)計(jì)進(jìn)行了介紹，主要介紹了幾種稀疏重建算法，詳細(xì)給出壓縮采樣匹配追蹤算法及其改進(jìn)算法的數(shù)學(xué)框架和基本思想，從原子選擇策略和冗余向量的更新方式對算法進(jìn)行了比較分析，最后通過模擬實(shí)驗(yàn)驗(yàn)證了MP，OMP，CoSaMP和IHTCoSaMP算法的重構(gòu)效果，同時(shí)以MSE為性能指標(biāo)評價(jià)了各種算法的重構(gòu)質(zhì)量，實(shí)驗(yàn)結(jié)果表明改進(jìn)的壓縮抽樣匹配追蹤算法的運(yùn)算速度較快，重構(gòu)質(zhì)量較高。

關(guān)鍵詞：壓縮感知；測量矩陣；稀疏重建；匹配追蹤

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）02-0301-04

壓縮感知（Compressed sensing）是近年來信號處理領(lǐng)域出現(xiàn)的一種新的理論，它是由D.Donoho [1]、E.Candes [2]以及華裔科學(xué)家T.Tao[3]等人提出來的，壓縮感知理論是在傳統(tǒng)信號處理理論的基礎(chǔ)上，獲取信號的同時(shí)，就對數(shù)據(jù)進(jìn)行壓縮，傳統(tǒng)的信號處理過程中采樣數(shù)據(jù)量大，必須要先采樣后壓縮，這樣做浪費(fèi)了時(shí)間、傳感元和存儲空間[4，5]。與傳統(tǒng)方式比較，壓縮感知對于可稀疏表示的信號，將數(shù)據(jù)的采集和數(shù)據(jù)的壓縮同時(shí)進(jìn)行，這樣使得壓縮感知體現(xiàn)了突出的優(yōu)點(diǎn)以及非常大的應(yīng)用前景。

壓縮感知將采樣和壓縮同時(shí)進(jìn)行，其中的測量值遠(yuǎn)小于傳統(tǒng)采樣的數(shù)據(jù)量，打破了奈奎斯特定理的瓶頸。壓縮感知主要包含信號的稀疏表示、測量矩陣和信號重建算法三個方面。該文通過對稀疏重建模型的建立、測量矩陣的構(gòu)造，比較分析了常用的幾種信號重建算法，改進(jìn)的壓縮抽樣匹配追蹤算法運(yùn)算速度快，重建質(zhì)量高。

1 稀疏重建模型的建立

2 測量矩陣的設(shè)計(jì)

壓縮感知的測量矩陣主要是具有獨(dú)立同分布的高斯隨機(jī)矩陣。2006年Candes等提出的約束等距性理論[3]，指出從測量矩陣中獲取的每M個列向量組成的矩陣必須是非奇異的。

測量矩陣一般滿足以下三個特征[1]：一是最小奇異值滿足大于一常數(shù)；二是獨(dú)立隨機(jī)性；三是解滿足1范數(shù)。

5 結(jié)束語

壓縮感知理論在壓縮成像、生物傳感和模擬信息轉(zhuǎn)換等[10]方面取得了巨大的應(yīng)用前景。已取得的成果有：單像素相機(jī)使得壓縮感知應(yīng)用到光學(xué)成像中；國防科技大學(xué)從壓縮感知的角度對熱光源關(guān)聯(lián)成像進(jìn)行了研究；一種新的多光譜成像器CASS，其中多光譜圖像既具有二維的空間分辨率，又具有一維的光譜分辨率， CASS通過壓縮采樣實(shí)現(xiàn)了稀疏重構(gòu)估計(jì)三維的數(shù)據(jù)體。

本文主要從運(yùn)算速度、稀疏重構(gòu)質(zhì)量兩個方面對幾種壓縮采樣匹配追蹤算法進(jìn)行了比較分析。今后，研究魯棒的、快速的、精確度高的稀疏重建算法是壓縮感知理論應(yīng)用和發(fā)展的主要方向。

參考文獻(xiàn)：

[1] Donoho D L， Elad M. Optimally sparse representation in general （nonorthogonal） dictionaries via L1 minimization[J]. Proceedings of the National Academy of Sciences USA，2003，100（5）： 2197-2202.

[2] Candes E J. Compressive sampling. In： Proceedings of the International Congress of Mathematics[J]. Madrid， Spain： the European Mathematical Society， 2006： 1433-1452.

[3] Candes E， Romberg J，Tao T. Robust uncertainty principles： exact signal reconstruction from highly incomplete frequency information[J].IEEE Transactions on Information Theory，2006， 52（2）： 489-509.

[4] Candes E， Tao T. Decoding by linear programming[J].IEEE Transactions on Information Theory， 2005， 51（12）：4203-4215.

[5] Candes E， Romberg J， Tao T. Stable signal recovery form incomplete and inaccurate measurements[J]. Communications on Pure and Applied Mathematics， 2006， 59（8）： 1207-1223.

[6] SHI Guang-ming，LIUDan-hua1，GAO Da-hua etal. Advances in Theory and Application of Compressed Sensing [J].Chinese Journal of Electronics， 2009，5（37）：1070-1075.

[7] Candes E. The restricted isometry property and its implications for compressed sensing[J]. Comptes Rendus Mathematique，2008，346（9-10）： 589-592.

[8] S Ji，Y Xue，L Carin. Bayesian compressive sensing[J].IEEE Transactions Signal Processing，2008，56（6）：2346-2356.

[9] Takhar D， Laska J， Wakin M， Duarte M F， Baron D， Sarvotham S， Kelly K， Baraniuk R.A new compressive imaging camera architecture using optical-domain compression[J]. In： Proceedings of the Computational Imaging IV at SPIE Electronic Imaging. San Jose， USA： SPIE， 2006：43-52.

[10] FANG Hong，YANG Hai-Rong. Greedy Algorithms and Compressed Sensing[J].ACTA AUTOMATICA SINICA， 2011，12（37）：1413-1419.

[11] 方紅，楊海蓉.貪婪算法與壓縮感知理論[J].自動化學(xué)報(bào)，2011，12（37）：1413-1419.