压缩感知理论及其在成像技术中的应用
基于压缩感知的雷达成像
H a r b i n I n s t i t u t e o f T e c h n o l o g y 课程报告 课程名称：现代信号处理专题论文题目：基于压缩感知的雷达成像院系：电信学院 班级：电子一班 设计者：刘玉鑫 学号：13S005061 指导教师：张云 时间：2014.06 哈尔滨工业大学
第一章压缩感知理论基本原理 1.1 压缩感知的基本知识 压缩感知理论的核心思想主要包括两点。第一个是信号的稀疏结构。传统的香农信号表示方法只开发利用了最少的被采样信号的先验信息，即信号的带宽。但是，现实生活中很多广受关注的信号本身具有一些结构特点。相对于带宽信息的自由度，这些结构特点是由信号的更小的一部分自由度所决定。换句话说，在很少的信息损失情况下，这种信号可以用很少的数字编码表示。所以，在这种意义上，这种信号是稀疏信号（或者近似稀疏信号、可压缩信号）。另外一点是不相关特性。稀疏信号的有用信息的获取可以通过一个非自适应的采样方法将信号压缩成较小的样本数据来完成。理论证明压缩感知的采样方法只是一个简单的将信号与一组确定的波形进行相关的操作。这些波形要求是与信号所在的稀疏空间不相关的。 压缩感知方法抛弃了当前信号采样中的冗余信息。它直接从连续时间信号变换得到压缩样本，然后在数字信号处理中采用优化方法处理压缩样本。这里恢复信号所需的优化算法常常是一个已知信号稀疏的欠定线性逆问题。 1.2 压缩感知的主要原理内容 总的说来，压缩感知方法的处理流程可简要描述为：基于待处理信号在某个基上的稀疏性或可压缩性，设计合理的测量矩阵，获得远小于信号维数但包含足够信号特征信息的采样，通过非线性优化算法重构信号。 在传统理论的指导下，信号X的编解码过程如图1-1所示。编码端首先获得X的N店采样值经变换后只保留其中K个最大的投影系数并对它们的幅度和位置编码，最后将编得的码值进行存储或者传输。 解压缩仅仅是编码过程的逆变换。实际上，采样得到的大部分数据都是不重要的，即K值很小，但由于奈奎斯特采样定理的限制，采样点数N可能会非常大，采样后的压缩是造成资源浪费的根本所在。
压缩感知理论综述(原创)
压缩感知理论综述 摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。压缩感知（Compressed Sensing）提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及仿真，举例说明基于压缩感知理论的编解码理论在一维信号、二维图像处理上的应用。 关键词：压缩感知；稀疏表示；观测矩阵；编码；解码 一、引言 Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist采样机制是冗余的或者说是非信息的。 于是很自然地引出一个问题：能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的情况下，用远低于Nyquist 采样定理要求的速率采样信号，同时又可以完全恢复信号。与信号带宽相比，稀疏性能够直观地而且相对本质地表达信号的信息。事实上，稀疏性在现代信号处理领域起着至关重要的作用。近年来基于信号稀疏性提出一种称为压缩感知或压缩采样的新兴采样理论，成功实现了信号的同时采样与压缩。 简单地说，压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。在该理论框架
基于压缩感知的图像重构模型的设计
基于压缩感知的图像重构模型的设计 压缩感知打破了传统的奈奎斯特采样定律，可以用远小于奈奎斯特采样定律所要求的采样率从较少的测量值中高精度的重构出原始信号。文章利用MATLAB GUI对基于压缩感知理论的图像压缩重构模型进行设计，该模型界面友好，操作简单方便。 标签：压缩感知；小波变换；图像重构；模型设计 引言 压缩感知理论为信号采集带来了革命性的突破，在信号具有可压缩性或稀疏性的前提下，压缩感知理论能以远低于奈奎斯特频率的采样率对信号进行采样，通过数值最优化准确重构原始信号[1-4]。压缩感知理论是编解码思想的一个突破，减轻了信号采样、传输和存储遇到的巨大压力，是一种信息获取及处理的全新的理论框架。 本文将利用MATLAB GUI进行基于压缩感知理论的图像重构模型的设计，使模型使用者方便操作界面。MATLAB是Math Works公司用C语言开发的集编程、数据结构和图形用户界面于一身的广泛被大家使用并具备矩阵及科学计算功能的一款较完备的软件，在该软件平台下进行的仿真以及系统模型的设计，在界面和性能上面远远超过很多软件，其专业性更是使其在很多领域有广泛的应用，其中能快速的利用图形用户界面（GUI）方式进行程序设计，这给设计者带来了极大的便利[5]。 1 基于小波变换的压缩感知 本节通过对原始图像采用小波变换，从而获得稀疏的小波系数矩阵，并利用高斯随机测量矩阵对稀疏变换后的小波系数进行测量，得到M个测量值，再通过OMP算法重构小波变换域下的稀疏矩阵，最后通过稀疏逆变换就可以得到重构后的图像。 本节选取大小为256×256的图像X，采样率为0.5对图像进行变化重构。本文实验仿真所得的PSNR值均经过10次仿真测量求平均值所得。 2 模型设计的主要步骤 根据上述基于小波变换的压缩感知进行模型设计[6]，主要步骤包括： （1）根据需求制定模型的重点功能，继而根据功能设计各个功能子模块。 （2）根据初始需求以及大致目标设计出最原始的软件界
压缩感知在雷达成像中的应用
2014雷达对抗原理期末报告 题目：压缩感知在雷达成像中的应用 院（系）信息与电气工程学院 专业电子信息工程 学生 班级 学号 教师 报告日期2014-11-25 1.课题来源 1.1摘要 以 ISAR 和 InISAR 为代表的高分辨率雷达成像技术在军事和民用领域有着广泛的需求。通常情况下，高分辨率雷达图像的获得需要宽带雷达信号，而宽带雷达信号则又会导致雷达数据率的增加。近年来在雷达技术领域得到高度关注的压缩感知理论，其非相关测量过程能够有效地降低高分辨率雷达成像系统的数据率，有望解决雷达系统中超大数据量的采集、存储与传输问题。因此压缩感知理论和技术在雷达成像领域的应用，有可能会为高分辨率雷达成像技术带来巨大变革。压缩感知在高分辨率雷达成像中的应用研究工作虽然取得了一定的进展，但还没有针对压缩感知雷达成像理论进行系统性研究，也没能在此基础上给出实用化的成像算法。论文以基于压缩感知的雷达成像理论与算法作为研究内容，将压缩感知理论应用到高分辨率雷达成像算法中。论文围绕着成像数据获取方法、
成像信号处理方法和压缩感知在宽带雷达成像中的应用等紧密联系而侧重不同的三个方面展开了研究，建立了匹配滤波体制和去斜体制下的基带回波信号稀疏表示模型，提出了压缩感知测量器应用到雷达接收机的数字方案与模拟方案，构建了具有保相性的压缩感知距离压缩算法，通过距离-方位解耦合的雷达成像框架，将压缩感知距离压缩算法与传统的雷达二维成像和 InISAR 三维成像算法相结合，形成了压缩感知雷达成像算法，并将其应用到调频步进宽带雷达成像中。论文通过对仿真和实测数据的处理，证明了所提出的方法的有效性。 1.2研究的目的和意义 在压缩感知雷达成像算法研究中，首先在常用的稀疏信号重建算法中筛选出适合雷达成像的算法，然后与雷达回波信号稀疏表示模型以及非相干测量矩阵一起构建了具有保相性的压缩感知距离压缩算法。在此基础上利用距离-方位解耦合的雷达成像框架，将压缩感知距离压缩算法与传统的雷达二维成像和 InISAR 三维成像算法相结合，形成了压缩感知雷达成像算法。 在压缩感知宽带雷达成像算法研究中，结合调频步进信号的子脉冲合成方法，提出了针对调频步进信号的压缩感知测量方法，实现了压缩感知宽带雷达成像。 2.国内外在该方向的研究现状及分析 雷达成像的历史可以追溯到 20 世纪 50 年代。1951 年 6 月，美国Goodyear Aircraft 公司的 Carl Wiley 首先提出利用频率分析方法改善雷达的角分辨率，并设计了实验装置进行验证，这是合成孔径雷达思想的最初体现。1957 年 8 月，Michigan 大学雷达和光学实验室的 Cutrona 和 Leith 等人研制的机载合成孔径雷达进行了飞行试验，得到了第一张大面积的聚焦型合成孔径雷达图像。70 年代，Kirk 等人研制了第一台 SAR 数字处理系统。1978年 5 月，星载 SAR SeaSat 升空，标志着 SAR 技术已进入空间领域。目前，美国、欧空局、加拿大、日本等都有自己的实用化机载和星载合成孔径雷达系统，机载 SAR 系统有美国的 AN/APY-6，德国的 AER-Ⅱ，英国的 DERA ‘ESR’，以及瑞士的 DO-SAR 等；星载SAR 系统有美国的 SIR-A 和 SIR-B 卫星，欧空局的 ERS-1 和 ERS-2 卫星，日本的 JERS-1和 ALOS 卫星，加拿大的 Radarsat-1 和 Radarsat-2 卫星，意大利航天局的 COSMO-SkyMed高分辨雷达卫星星座系统，美国航天局、德国空间局和意大利空间局联合发射的SIR-C/X-SAR 以及德国空间中心和欧洲EADS Astrium 公司合作开发的 TerraSAR-X 卫星等。在国内，从七十年代开始大力研究 SAR 相关技术，中国科学院电子学研究所在 1979年成功研制了机载合成孔径雷达原理样机，并获得首批 SAR 成像数据。从“八五”开始，对SAR 系统的研究就一直是遥感技术中的重点研究方向之一。目前，中科院电子所、信息产业部 14 所、38 所、航空工业总公司 607 所，以及航科集团等单位都已对 SAR 技术开展了研究，许多单位已经有了机载 SAR 的实验系统，并获得了大量实际成像数据。bZ0YfRP。 逆合成孔径雷达是在合成孔径雷达的基础上发展起来的又一种高分辨成像雷达，其历史可以追溯到二十世纪六十年代。六十年代，在 Brown 领导下的Willow Run 实验室就开展了对旋转目标的成像。Walker 从 1970 年起开展对旋转目标成像的研究，他的研究工作对距离-多普勒成像理论做了更明确的阐述，并且由于引入了极坐标存储技术（光学处理），解决了运动穿越分辨单元的处理
陆吾生-压缩感知方法及其在稀疏信号和图像处理中的应用
陆吾生教授短期课程“压缩感知方法及其在稀疏信号和图像 处理中的应用”资料 1. 课程介绍_压缩感知方法及其在稀疏信号和图像处理中的应 用.doc 2. 陆吾生教授短期课程“压缩感知方法及其在稀疏信号和图像处理中的应用”的讲义 Lecture_Notes_CS_LWS_Final.pdf 3. 各章所涉及到的Matlab程序 Main functions Main functions.zip（内含 ex3_1.m (for Example 3.1) ex3_2.m (for Example 3.2) gp_denoise.m (for Algorithm GP in Sec.3.2) fgp_denoise.m (for Algorithm FGP in Sec.3.2) gp_deblurr.m (for Algorithm GPB in Sec.3.3) ) Auxiliary functions Auxiliary functions.zip（内含gen_dct.m oper_L.m oper_Lt.m proj_bound.m proj_pair.m gp_denoise_w.m） Data Data.zip（内含camera256.mat 及 lena256.mat）
4. 陆吾生“压缩感知方法及其在稀疏信号和图像处理中的应用”课程（1A-6B）上课录像 Lecture_LWS_1A.rmvb 2010.11.09.(220M) Lecture_LWS_1B.rmvb 2010.11.09.(231M) Lecture_LWS_2A.rmvb 2010.11.11.(252M) Lecture_LWS_2B.rmvb 2010.11.11.(193M) Lecture_LWS_3A.rmvb 2010.11.12.(225M) Lecture_LWS_3B.rmvb 2010.11.12.(200M) Lecture_LWS_4A.rmvb 2010.11.16.(239M) Lecture_LWS_4B.rmvb 2010.11.16.(169M) Lecture_LWS_5A.rmvb 2010.11.18.(239M) Lecture_LWS_5B.rmvb 2010.11.18.(226M) Lecture_LWS_6A.rmvb 2010.11.19.(256M) Lecture_LWS_6B.rmvb 2010.11.19.(224M) 5. 陆吾生教授2010.11.17.在上海大学所做的学术报告，题为：
压缩感知磁共振成像技术综述
https://www.360docs.net/doc/9810550173.html, 压缩感知磁共振成像技术综述 王水花，张煜东 南京师范大学计算机科学与技术学院，江苏南京210023 【摘 要】目的:综述近年来压缩感知磁共振成像技术的研究进展。方法:磁共振成像是目前临床医学影像中最重 要的非侵入式检查方法之一，然而其成像速度较低，限制其发展。压缩感知是一种新的信号采集与获取理论，它利用信号在特定域上的稀疏性或可压缩性，可通过少量测量重建整个原始信号。压缩感知磁共振成像技术将压缩感知应用到磁共振成像中，可在相同的扫描时间内获得更精细的空间组织结构，也可在相同的空间分辨率下加速成像。结果:本文概述了压缩感知磁共振成像的理论基础，分别从稀疏变换、不相干欠采样、非线性重建三个方面具体阐述，最后讨论了其研究展望与应用现状。结论:压缩感知磁共振成像具有较好的发展潜力，有逐渐增长的医用与商用价值。 【关键词】磁共振成像；压缩感知；稀疏变换；不相干欠采样；非线性重建【DOI 编码】doi:10.3969/j.issn.1005-202X.2015.02.002【中图分类号】R312；R445.2 【文献标识码】A 【文章编号】1005-202X （2015）02-0158-05 Survey on Compressed Sensing Magnetic Resonance Imaging Technique WANG Shui-hua,ZHANG Yu-dong School of Computer Science and Technology,Nanjing Normal University,Nanjing 210023,China Abstract:Objective This paper focuses on the survey of compressed sensing in magnetic resonance imaging （CSMRI ）.Meth -ods Magnetic resonance imaging is one of the most crucial non-invasive diagnostic implements in routine clinical examination.However,it is often limited by long scan https://www.360docs.net/doc/9810550173.html,pressed sensing is a novel theory of signal acquisition and processing.It capitalizes on the signal's sparseness or compressibility in specific domain,allowing the entire original signal to be reconstruct-ed from relatively few measurements.CSMRI is proposed by integrating compressed sensing into MRI,providing more precise spatial tissue structure than normal technique in the same scan time,and accelerating imaging in the same spatial resolution.Results In this study we discussed in depth three components as sparse transform,incoherent subsampling,and nonlinear re-construction.We conclude the paper by discussing the research prospects and applications of CSMRI.Conclusion CSMRI has good development potential,and has increasing values for medical and commercial applications. Key words:magnetic resonance imaging;compressed sensing;sparse transform;incoherent subsampling;nonlinear recon-struction 前言 1971年，纽约州立大学的Paul https://www.360docs.net/doc/9810550173.html,uterbur 教授提出磁共振成像(MRI)，并于2003年获得诺贝尔生理医学奖。MRI 利用核磁共振原理，由于能量在不同物 质结构中有不同的衰减[1]，通过外加梯度磁场检测电 磁波，可知构成物体原子核的位置和种类，从而绘制物体内部影像[2-3]。 MRI 是目前少有的对人体无伤害的安全、快速、准确的临床诊断方法，具有多方位、多参数、多模态等优点，不仅可显示人体组织的解剖信息，而且可显示功能信息。MRI 在临床上有广泛的应用，如今每年至少有6000万病例利用MRI 技术进行检查。但MRI 扫描时间过长、成像较慢[4]，造成以下几个问题[5]：（1）给病人造成额外的痛苦；（2）由于器官运动（例如呼吸、眨眼、吞咽等非自主运动）造成图像模糊，增加伪影；（3）无法满足动态实时成像与导航的需要；（4）限制功能成像的推广，如波谱成像、磁敏感加权成像等。 2006年Candes 等[6]在前人的基础上，系统性地 【收稿日期】2014-12-21 【基金项目】国家自然科学基金(610011024)；南京师范大学高层次人才 科研启动基金(2013119XGQ0061,2014119XGQ0080) 【作者简介】王水花，女，助教，研究方向：生物图像处理。【通信作者】张煜东，男，博士，教授，研究方向：医学图像处理。 158--
压缩感知原理
压缩感知原理(附程序) 1压缩感知引论 传统方式下的信号处理，是按照奈奎斯特采样定理对信号进行采样，得到大量的采样数据，需要先获取整个信号再进行压缩，其压缩过程如图2.1。 图2.1 传统的信号压缩过程 在此过程中，大部分采样数据将会被抛弃，即高速采样后再压缩的过程浪费了大量的采样资源，这就极大地增加了存储和传输的代价。 由于带宽的限制，许多信号只包含少量的重要频率的信息。所以大部分信号是稀疏的或是可压缩的，对于这种类型的信号，既然传统方法采样的多数数据会被抛弃，那么，为什么还要获取全部数据而不直接获取需要保留的数据呢？Candes和Donoho等人于2004年提出了压缩感知理论。该理论可以理解为将模拟数据节约地转换成压缩数字形式，避免了资源的浪费。即，在采样信号的同时就对数据进行适当的压缩，相当于在采样过程中寻找最少的系数来表示信号，并能用适当的重构算法从压缩数据中恢复出原始信号。压缩感知的主要目标是从少量的非适应线性测量中精确有效地重构信号。核心概念在于试图从原理上降低对一个信号进行测量的成本。压缩感知包含了许多重要的数学理论，具有广泛的应用前景，最近几年引起广泛的关注，得到了蓬勃的发展。 2压缩感知原理 压缩感知，也被称为压缩传感或压缩采样，是一种利用稀疏的或可压缩的信号进行信号重构的技术。或者可以说是信号在采样的同时被压缩，从而在很大程度上降低了采样率。压缩感知跳过了采集N个样本这一步骤，直接获得压缩的信号的表示。CS理论利用到了许多自然信号在特定的基 上具有紧凑的表示。即这些信号是“稀疏”的或“可压缩”的。由于这一特性，压缩感知理论的信号编解码框架和传统的压缩过程大不一样，主要包括信号的稀疏表示、编码测量和重构算法等三个方面。
基于MATLAB的图像压缩感知算法的实现毕业设计说明书
毕业设计（论文） 课题名称基于MATLAB的图像压缩感知 算法的实现
目录 目录......................................................... I 第1章绪论.. (1) 1.1 研究背景和意义 (1) 1.2 数据压缩技术 (2) 1.2.1 传统数据压缩技术 (2) 1.2.2 压缩感知理论（Compressed/Compressive Sensing/Sampling, CS） (3) 1.3 无线传感器网络 (6) 1.3.1 无线传感器网络概述 (6) 1.3.2 无线传感器网络数据压缩的必要性 (7) 1.4 本文主要工作和内容安排 (8) 第2章压缩感知理论 (9) 2.1压缩感知的前提条件—稀疏性和不相干性 (10) 2.2 三个关键技术 (13) 2.3信号的稀疏表示 (13) 2.4 观测矩阵设计 (15) 2.5 稀疏信号的重构 (17) 2.6 重构算法 (18) 2.7 压缩感知优势及不足 (20) 2.8 压缩感知在传感网中的观测方式 (21) 第3章压缩感知理论应用概述 (22) 3.1 压缩成像 (22) 3.2 模拟信息转换 (23) 3.3 生物传感 (23) 3.4 本章小结 (24)
第4章 CS在无线传感网中的应用 (24) 4.1 研究背景 (25) 4.1.1 基于感知数据相关性的压缩 (25) 4.1.2传统压缩重构方法 (25) 4.1.3 图像压缩重构质量的评价 (26) 4.2 压缩感知理论算法对一维信号的实现 (28) 4.2.1 CS用于WSN的优势 (28) 4.2.2 观测重构模型 (28) 4.2.2 正交匹配追踪算法（OMP） (29) 4.2.3 算法的实现及结果分析 (30) 4.3 压缩感知理论算法对二维图像重构的实现 (34) 4.3.1 基于小波变换的分块压缩感知理论 (34) 4.3.2 实现步骤 (35) 4.3.3 重构结果及分析 (38) 4.4 本章小结 (42) 第5章总结与展望 (42) 5.1 工作总结 (42) 5.2 后续展望 (43) 参考文献 (43) 致谢 (45) 附录 (46)
压缩感知新技术专题讲座_二_第3讲压缩感知技术中的信号稀疏表示方法
压缩感知新技术专题讲座(二) 第3讲 压缩感知技术中的信号稀疏表示方法 X 周 彬1,朱 涛2,张雄伟3 (1.解放军理工大学指挥自动化学院研究生2队,江苏南京210007; 2.中国人民解放军66242部队,内蒙古锡林郭勒026000; 3.解放军理工大学指挥自动化学院信息作战系)摘 要:信号的稀疏表示是信号分析领域的基本问题,也是近几年兴起的压缩感知理论的基础。文章首先 分析了信号稀疏表示的基本原理,然后介绍了当前信号稀疏表示的主要方法,并重点阐述了基于过完备字典的稀 疏表示方法及其在压缩感知中的应用,最后总结了稀疏表示所面临的问题和未来发展方向。 关键词:稀疏表示;压缩感知;字典学习 中图分类号:T N 911.7文献标识码:A 文章编号:CN 32-1289(2012)01-0085-05 Sparse Representation of Signals in Compressive Sensing ZH OU Bin 1,ZH U T ao 2,ZH A N G X iong -w ei 3 (1.Postg r aduate T eam 2ICA ,PL A U ST ,Nanjing 210007,China ; 2.U nit 66242of P LA , Xiling uole 026000,China; 3.Depar tment of I nfo rm atio n O peration Studies ICA ,PL A U ST ) Abstract :T he sparse representation is a basic problem in signal analy sis field and also the basis o f the new emerging compressiv e sensing theory .The definitio n and principles of the sparse representation w ere firstly reviewed.And then some m ain m ethods o f the sparse representation, especially those based on the overco mplete dictionary w er e inv estig ated .The applications of the sparse repr esentation in CS w er e discussed.Some problem s to so lve were given and further devel- opm ent w as pointed out . Key words :sparse representation;com pressive sensing ;ov ercomplete dictionary 随着现代传感器技术的发展,许多领域面临着日益膨胀的海量数据,如地球物理数据、视频数据、天文数据、基因数据等。如何实现对这些数据更为灵活、简洁的表达已成为一个倍受关注的问题。传统的信号表示方法通常是基于正交基(如傅里叶基,小波基)的展开。为了实现信号的灵活、简洁和自适应的表示,一种更好的信号分解方式是根据信号本身的特点,自适应地选择合适的基函数,来完成信号的分解,从而得到信号的一个非常简洁的表达,即稀疏表示。由于信号的稀疏表示能在一定程度上自然地贴近信号的本质特征,因而对稀疏分解的研究有极其重要而深远的理论意义和广泛的应用价值。 目前,稀疏表示被广泛应用于信号处理和图像处理的各个领域,如图像压缩、音频压缩、噪声抑制、盲信号分离、地震数据处理、系统辨识、雷达成像处理等等。尤其是近年来新兴起的压缩感知(com pressed sensing)理论[1,2],其优点就是针对可稀疏表示的信号,将传统的数据采集与数据压缩合二为一,在获取信号同时对数据进行压缩。压缩感知理论的一个重要基础和前提就是选择信号的稀疏域,只有选择合适的基矩阵才能保证信号的稀疏度,从而保证信号的恢复精度。由于压缩感知理论的提出和蓬勃发展,稀疏表示越来 第33卷第1期 2012年3月军 事 通 信 技 术Jour na l o f M ilitar y Co mmunicatio ns T echnolog y V ol.33N o.1M ar.2012X 收稿日期:2011-10-18;修回日期:2011-12-12 作者简介:周 彬(1986-),男,博士生.
压缩感知原理
压缩感知原理 1压缩感知引论 传统方式下的信号处理，是按照奈奎斯特采样定理对信号进行采样，得到大量 的采样数据，需要先获取整个信号再进行压缩，其压缩过程如图 2.1。 在此过程中，大部分采样数据将会被抛弃，即高速采样后再压缩的过程浪费了大量的采样资源，这就极大地增加了存储和传输的代价。 由于带宽的限制，许多信号只包含少量的重要频率的信息。所以大部分信号是稀疏的或是可压缩的，对于这种类型的信号，既然传统方法采样的多数数据会被抛弃，那么，为什么还要获取全部数据而不直接获取需要保留的数据呢？Candes和Donoho等人于2004年提出了压缩感知理论。该理论可以理解为将模拟数据节约地转换成压缩数字形式，避免了资源的浪费。即，在采样信号的同时就对数据进行适当的压缩，相当于在采样过程中寻找最少的系数来表示信号，并能用适当的重构算法从压缩数据中恢复出原始信号。压缩感知的主要目标是从少量的非适应线性测量中精确有效地重构信号。核心概念在于试图从原理上降低对一个信号进行测量的成本。压缩感知包含了许多重要的数学理论，具有广泛的应用前景，最近几年引起广泛的关注，得到了蓬勃的发展。 2压缩感知原理 压缩感知，也被称为压缩传感或压缩采样，是一种利用稀疏的或可压缩的信号进行信号重构的技术。或者可以说是信号在采样的同时被压缩，从而在很大程度上降低了采样率。压缩感知跳过了采集N个样本这一步骤，直接获得压缩的信号的表示。CS理论利用到了许多自然信号在特定的基上具有紧凑的表示。即这些信号 是“稀疏”的或“可压缩”的。由于这一特性，压缩感知理论的信号编解码框架和传统的压缩过程大不一样，主要包括信号的稀疏表示、编码测量和重构算法等三个方面。 对于一个实值的有限长一维离散时间信号 X ,可以看作为一个R N空间N X 1的 维的列向量，元素为n, n,=1 , 2,…N。R N空间的任何信号都可以用N X1维
基于压缩感知的图像重构技术研究
基于压缩感知的图像重构技术研究 压缩感知理论表明，若信号在某变换域具有稀疏表示，且采样矩阵与稀疏矩阵不相关，则可从远低于信号维度的少量非自适应测量值中精确恢复原信号。目前，压缩感知理论已被广泛用于各类磁共振成像中，以便在不降低成像质量的情况下减少采样点数，提高系统扫描速度。 本文即研究从亚采样的磁共振数据中，怎样快速而有效地恢复目标图像。主要研究内容包括：（1）为消除亚采样的磁共振成像重构时可能出现的过光滑（over-smoothed）和混叠伪影现象，将重构问题转化成含复合正则项的约束最小化问题，并提出一种高效的算法来求解。 该算法首先利用Bregman迭代技术，将约束问题转化成一系列无约束问题。然后利用算子分裂技术，将各无约束问题分解成一个梯度问题和一个能使用修改的SBD（Splitting Bregman Denoising）算法来求解的复合正则项的去噪问题。 最后再用加速方案对无约束问题的求解予以加速。本文将该算法称作BFSA （Bregman based Fast SBD Algorithm）。 对非笛卡尔轨迹采样的重构，本文还提出了一种动态更新L的方法。实验结果表明，新算法能够获得比其他算法更好的重构质量。 （2）为了克服现有动态磁共振成像重构速度较慢的问题，本文基于BFSA 算法框架，提出一种高效的动态磁共振成像重构算法ktBFSA。该算法利用SBD3D （Splitting Bregman Denoising for3D images）来求解含复合正则项的3D去噪问题。 实验结果表明，ktBFSA在重构速度和重构质量上都有优势。（3）SENSE （Sensitivity encoding）是常用的并行磁共振成像技术，引入压缩感知后重构
基于压缩感知的微波成像研究
基于压缩感知的微波成像研究 微波成像本质上属于电磁逆散射问题,在民用和军事领域都拥有广阔的应用前景。本文主要研究基于压缩感知的微波成像。 首先,本文针对实际应用中常见的无线定位问题,通过设计具有随机辐射特性的超材料结构,提出了一种基于随机辐射平面口径的压缩感知定位方法,并实现了二维平面内散射目标的定位实验。根据超材料在零折射率附近具有很强的非线性色散特性,理论推导出辐射电场的出射角度与频率之间的非线性关系。 基于传统雷达的模糊函数,通过空间-频率二维自相关函数计算验证了辐射场的伪随机性能。利用压缩感知算法对接收到的散射回波与随机辐射场信息作逆散射问题求解,从而实现比传统定位方法更少的数据量和更快的运算速度。 本文设计并实现了基于随机辐射平面口径的压缩感知定位系统,全波仿真和实际实验的定位结果均验证了上述定位方法的有效性。其次,本文针对当前热门的随机照射微波成像问题,利用随机调相的阵列天线获取随机辐射场,提出了一种具有最优成像距离的随机多波束照射微波成像方法,并实现了二维平面内微波成像实验。 同时,仿真实现了基于压缩感知的随机辐射照射成像,表明了利用压缩感知实现超分辨率成像的潜力。为了求解成像模型方程,随机照射成像体制的关键在于产生具有随机电磁特征的辐射场分布,进而实现对目标的随机测量。 利用奇异值分解和互相关性函数分别计算不同距离处成像系统函数的行相关性和列相关性,从而得到具有最优成像距离的随机照射微波成像系统,并通过仿真和实验进行了验证。最后,本文针对较少实验研究的实时微波隔墙成像问题,结合传统的逆散射成像模型和压缩感知理论框架,提出了基于空间压缩感知的实
时微波隔墙成像方法,并实现了对位于封闭墙体内的稀疏目标进行实时隔墙成像实验。 利用成像区域内物体和墙体的稀疏性,通过分时的多天线系统对目标进行不同空间位置测量从而实现压缩感知成像。与传统的电磁逆散射成像方法对比,在成像质量不受损的情况下,成像计算时间减少了两个数量级,表明了实际应用中实时成像的可行性。 根据已知墙体信息,墙体作为均匀背景的一部分构成新的非均匀背景,还提出了非均匀背景下基于压缩感知的隔墙成像方法。
(完整word版)压缩感知原理
压缩感知原理（附程序） 1压缩感知引论 传统方式下的信号处理，是按照奈奎斯特采样定理对信号进行采样，得到大量 的采样数据，需要先获取整个信号再进行压缩，其压缩过程如图 2.1 o > 重构信号 图2.1传统的信号压缩过程 在此过程中，大部分采样数据将会被抛弃，即高速采样后再压缩的过程浪费了大量的采样资源，这就极大地增加了存储和传输的代价。 由于带宽的限制，许多信号只包含少量的重要频率的信息。所以大部分信号是稀疏的或是可压缩的，对于这种类型的信号，既然传统方法采样的多数数据会被抛弃，那么，为什么还要获取全部数据而不直接获取需要保留的数据呢？Can des和Donoho等人于2004年提出了压缩感知理论。该理论可以理解为将模拟数据节约地转换成压缩数字形式，避免了资源的浪费。即，在采样信号的同时就对数据进行适当的压缩，相当于在采样过程中寻找最少的系数来表示信号，并能用适当的重构算法从压缩数据中恢复出原始信号。压缩感知的主要目标是从少量的非适应线性测量中精确有效地重构信号。核心概念在于试图从原理上降低对一个信号进行测量的成本。压缩感知包含了许多重要的数学理论，具有广泛的应用前景，最近几年引起广泛的关注，得到了蓬勃的发展。 2压缩感知原理 压缩感知，也被称为压缩传感或压缩采样，是一种利用稀疏的或可压缩的信号进行信号重构的技术。或者可以说是信号在采样的同时被压缩，从而在很大程度上降低了采样率。压缩感知跳过了采集N个样本这一步骤，直接获得压缩的信号的表示。CS理论利用到了许多自然信号在特定的基上具有紧凑的表示。即这些信号 是“稀疏”的或“可压缩”的。由于这一特性，压缩感知理论的信号编解码框架和传统的压
压缩感知技术综述
压缩感知技术综述 摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。压缩感知（Compressed Sensing）提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及基于压缩感知SAR成像的仿真。 关键词：压缩感知；稀疏表示；观测矩阵；SAR成像； Abstract: Signal sampling is a necessary means of information world physical world to the digital simulation. Over the years, the base theory of signal sampling is the famous Nyquist sampling theorem, but a large amount of data generated by the waste of storage space. Compressed sensing and put forward a new kind of sampling theory, it can be much less than the Nyquist sampling signal sampling rate. This paper introduces the basic theory of compressed sensing, emphatically introduces the new progress in three aspects of signal sparse representation, design of measurement matrix and reconstruction algorithm, and introduces the application of compressed sensing and Simulation of SAR imaging based on Compressive Sensing Keywords: Compressed sensing; Sparse representation; The observation matrix; SAR imaging; 0 引言 Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist采样机制是冗余的或者说是非信息的。 于是很自然地引出一个问题：能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的情况下，用远低于Nyquist 采样定理要求的速率采样信号，同时又可以完全恢复信号。与信号带宽相比，稀疏性能够直观地而且相对本质地表达信号的信息。事实上，稀疏性在现代信号处理领域起着至关重要的作用。近年来基于信号稀疏性提出一种称为压缩感知或压缩采样的新兴采样理论，成功实现了信号的同时采样与压缩。
浅谈压缩感知方法及其在雷达领域的应用
浅谈压缩感知方法及其在雷达领域的应用 摘要：传统信号处理的采样率必须满足香农定理。随着携带信息量和系统分辨率的提高，系统带宽不断增大，这对系统传输和存储等带来巨大压力。压缩感知理论利用信号内在的稀疏性，以低于奈奎斯特采样率对其进行采样，显著降低信号处理的成本。文章介绍了压缩感知方法的基本理论和几类典型稀疏重构方法，并通过仿真实验分析了它们的性能。最后结合几个典型实例，概述了采用压缩感知方法解决雷达信号处理领域某些特定工程问题的优势。 Abstract：Conventional signal processing approaches must follow Shannon's celebrated theorem. As the promotion of information and resolution，the band of system will also increase. The transmission and storage of system is greatly challenged. While compressive sensing theory can sample signal at the rate below Nyquist Sampling frequency to lessen the system cost in signal processing. This paper introduces the basic theory of compressive sensing and several typical sparse recovery methods. The performance of different methods was illustrated through simulation. Via several typical applications in radar，we showed the advantage in dealing with some special
压缩感知理论综述
压缩感知理论综述摘要：信号采样是模拟的物理世界通向数字的信息世界之必备手段。多年来，指导信号采样的理论基础一直是著名的Nyquist采样定理，但其产生的大量数据造成了存储空间的浪费。压缩感知(Compressed Sen si ng)提出一种新的采样理论，它能够以远低于Nyquist采样速率采样信号。本文详述了压缩感知的基本理论，着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，并介绍了压缩感知的应用及仿真，举例说明基于压缩感知理论的编解码理论在一维信号、二维图像处理上的应用。 关键词：压缩感知；稀疏表示；观测矩阵；编码；解码 一、引言 Nyquist采样定理指出，采样速率达到信号带宽的两倍以上时，才能由采样信号精确重建原始信号。可见，带宽是Nyquist采样定理对采样的本质要求。然而随着人们对信息需求量的增加，携带信息的信号带宽越来越宽，以此为基础的信号处理框架要求的采样速率和处理速度也越来越高。解决这些压力常见的方案是信号压缩。但是，信号压缩实际上是一种资源浪费，因为大量的不重要的或者只是冗余信息在压缩过程中被丢弃。从这个意义而言，我们得到以下结论：带宽不能本质地表达信号的信息，基于信号带宽的Nyquist采样机制是冗余的或者说 是非信息的。 于是很自然地引出一个问题：能否利用其它变换空间描述信号，建立新的信号描述和处理的理论框架，使得在保证信息不损失的情况下，用远低于Nyquist 采样定理要求的速率采样信号，同时又可以完全恢复信号。与信号带宽相比，稀疏性能够直观地而且相对本质地表达信号的信息。事实上，稀疏性在现代信号处理领域起着至关重要的作用。近年来基于信号稀疏性提出一种称为压缩感知或压缩采样的新兴采样理论，成功实现了信号的同时采样与压缩。 简单地说，压缩感知理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。在该理论框架 下，采样速率不再取决于信号的带宽，而在很大程度上取决于两个基本准则：稀疏性