贝叶斯小波图像压缩感知方法

合集下载

利用小波系数上下文建模的Bayesian压缩感知重建算法

利用小波系数上下文建模的Bayesian压缩感知重建算法侯兴松;孙锦强【摘要】针对目前压缩感知图像重建算法没有充分利用图像小波系数尺度内相关性的缺点,提出一种上下文建模的Bayesian压缩感知重建(CBCS)算法.该算法假定图像的小波系数服从参数未知的spike-and-slab概率模型,先通过一种新的上下文建模方法得到待估计小波系数邻域内的上下文矢量,然后根据待估计系数与上下文矢量的相关性及其父亲系数的状态,推测待估计系数为显著系数的概率,最后根据待估计系数的概率,采用马尔科夫链-蒙特卡洛采样的Bayesian推理从观测向量中恢复出图像的小波系数,进而得到重建图像.实验结果表明,CBCS算法可以自适应于图像内容的变化,与仅利用尺度间相关性的小波树结构的压缩感知重建算法相比,在0.9的采样率下,重构性能最大可提高近2 dB.【期刊名称】《西安交通大学学报》【年(卷),期】2013(047)006【总页数】6页(P12-17)【关键词】上下文建模;压缩感知;图像重建;Bayesian推理【作者】侯兴松;孙锦强【作者单位】西安交通大学电子与信息工程学院,710049,西安;西安交通大学电子与信息工程学院,710049,西安【正文语种】中文【中图分类】TN914.42经典的压缩感知重建算法如匹配追踪算法（MP）［1］、正交匹配追踪算法（OMP）［2］、CoSa MP算法［3］等大都属于贪婪迭代算法，这些算法认为信号在稀疏基上的分解系数是独立同分布的。

但是，图像的小波变换系数往往是统计相关的，具体体现在小波系数在尺度间具有衰减特性，在尺度内具有聚类特性［4］。

如果能够在压缩感知重建算法中充分利用小波系数的相关性，将会使压缩感知重建算法的性能得到明显的提升。

如何利用小波系数间存在的相关性来提高压缩感知重建算法的性能，已经引起了广泛的关注。

比如，Model－Based CoSa MP （MBC）算法［5］和小波树结构的压缩感知（TSW－CS）［6］算法都利用了小波系数尺度间的衰减性。

合成孔径雷达图像的贝叶斯压缩感知重构算法

个高频子带中分别使用３ ×５、５ ×３、５ ×５邻域设计了具有方向和空间局部自适应的先验概率分布模型，最后利用马尔科夫链蒙特卡罗采样的贝叶斯推理恢复出图像的小波系数，进而得到重构图
ＡＲｅｃｏｎｓｔｒｕｃｔｉｏｎＡｌｇｏｒｉｔｈｍｗｉｔｈＢａｙｅｓｉａｎＣｏｍｐｒｅｓｓｉｖｅＳｅｎｓｉｎｇ
ｆｏｒＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒＩｍａｇｅｓ
３ｄＢ左右。
关键词：合成孔径雷达；方向提升小波变换；稀疏表示；贝叶斯推理；压缩感知
中图分类号：ＴＮ９１４．４２文献标志码：Ａ文章编号：０２５３ — ９８７Ｘ（２０１３）０８ — ００７４ — ０６
合成孑Ｌ径雷达图像的贝叶斯压缩感知重构算法
侯兴松，张兰，肖琳
（西安交通大学电子与信息工程学院，７１００４９，西安）
摘要：针对目前合成孔径雷达（ＳＡＲ）图像压缩感知重构算法没有充分利用小波系数相关性的缺
第４７卷
第８期
西安交通大学学报
ＪＯＵＲＮＡＬＯＦＸＩ ’ ＡＮＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ
Ｖｏ１．４７ＮＯ．８Ａｕｇ．２０１３

压缩感知稀疏贝叶斯算法

压缩感知稀疏贝叶斯算法
压缩感知是一种信号处理方式，其基本思想是通过采集少量的信号样本，然后通过某种算法重构出原始信号。

稀疏贝叶斯算法是压缩感知中的一种重要方法，它利用贝叶斯估计理论来恢复稀疏信号。

压缩感知的基本模型可描述为：y = Ax + v，其中y为观测到的信号，A为M×N的感知矩阵，x为N×1维的待求信号，v为M×1维的噪声向量。

稀疏贝叶斯学习则是在压缩感知的基础上引入了贝叶斯估计理论，用于恢复稀疏信号。

具体来说，稀疏贝叶斯学习将信号建模为一个稀疏的概率图模型，然后通过贝叶斯公式来求解最优的信号值。

然而，传统的稀疏贝叶斯算法在存在噪声的情况下，其恢复效果可能不佳。

为了解决这个问题，研究者们提出了结合自适应稀疏表示和稀疏贝叶斯学习的压缩感知图像重建方法。

此外，还有研究者提出基于块稀疏贝叶斯学习的多任务压缩感知重构算法，该算法利用块稀疏的单测量矢量模型求解多任务重构问题。

这些改进的方法都在一定程度上提高了压缩感知的性能。

几种压缩感知算法

.1 压缩感知部分压缩感知算法主要可分为三类：贪婪迭代算法、凸凸优化（或最优化逼近方法）和基于贝叶斯框架提出的重构算法。

由于第三类方法注重信号的时间相关性，不适合图像处理问题，故目前的研究成果主要集中在前两类中。

目前已实现6中算法，分别为正交匹配追踪法（OMP）、迭代硬阈值法（IHT）、分段正交匹配追踪法（StOMP）、分段弱正交匹配追踪法（SwOMP）、广义正交匹配追踪（GOMP）、基追踪法（BP）。

1.1 正交匹配追踪法（OMP）在正交匹配追踪OMP中，残差是总与已经选择过的原子正交的。

这意味着一个原子不会被选择两次，结果会在有限的几步收敛。

OMP的算法如下(1)用x表示你的信号，初始化残差e0=x；(2)选择与e0内积绝对值最大的原子，表示为φ1；(3)将选择的原子作为列组成矩阵Φt，定义Φt列空间的正交投影算子为通过从e0减去其在Φt所张成空间上的正交投影得到残差e1；(4)对残差迭代执行(2)、(3)步；其中I为单位阵。

需要注意的是在迭代过程中Φt为所有被选择过的原子组成的矩阵，因此每次都是不同的，所以由它生成的正交投影算子矩阵P每次都是不同的。

(5)直到达到某个指定的停止准则后停止算法。

OMP减去的Pem是em在所有被选择过的原子组成的矩阵Φt所张成空间上的正交投影，而MP减去的Pem是em在本次被选择的原子φm所张成空间上的正交投影。

经OMP算法重构后的结果如下所示：算法的使用时间如下：1.2 迭代硬阈值法（IHT）目标函数为这里中的M应该指的是M-sparse，S应该指的是Surrogate。

这里要求：之后我们利用式对目标函数进行变形。

接着便是获得极值点：利用该式进行迭代可以得到极值点，我们需要的是最小值。

此时目标函数的最小值就得到了。

此时便得到我们需要的公式：我们要保证向量y的稀疏度不大于M，即，为了达到这一目标，要保留最大的M项（因为是平方，所以要取绝对值absolute value），剩余的置零（注意这里有个负号，所以要保留最大的M项）。

基于小波分析的图像压缩方法研究

基于小波分析的图像压缩方法研究随着数字图像技术的不断发展，图像的处理、存储和传输等方面也越来越受到人们的关注。

而一项重要的技术便是图像压缩，图像压缩的目的在于减少图像数据量，使其更容易传输和处理，同时还能保持图像的质量不受影响。

在目前的图像压缩技术中，基于小波分析的图像压缩方法是一种非常有效的方法。

小波分析是一种在频域和空域上均具有局部性质的分析方法，可以有效地提取图像的局部特征，从而实现图像的压缩。

在基于小波分析的图像压缩方法中，主要分为两个步骤：小波变换和量化。

小波变换的作用是将图像从空域转换到小波域，然后通过量化的方式减少小波系数的数量，进而实现压缩。

其中，量化是指将小波系数转换为离散的量化等级，从而实现系数的压缩。

在小波变换的过程中，可以采用不同的小波基函数，如Haar小波、Daubechies小波等，不同的小波基函数对于图像的变换效果也不同。

同时，小波域中的高频系数和低频系数对应图像的细节和平滑部分，因此在进行量化时应考虑到这些系数的重要性，以保证图像压缩后的质量。

在量化的过程中，常用的方法有均匀量化和非均匀量化。

均匀量化是指将小波系数按照一定的间隔进行量化，即将小波系数分组并赋予相同的值。

这种方法简单易行，但会造成量化误差较大，在重建图像时可能会有较大的失真。

而非均匀量化则是在不同的小波系数区间上采用不同的间隔进行量化，这样可以更加精细地控制量化误差，从而保证图像的质量。

除了小波变换和量化之外，基于小波分析的图像压缩方法还有其他的一些处理方法，如熵编码等。

同时，在实际应用中，还需要考虑到压缩比和图像质量的平衡。

通常情况下，压缩比越高，图像质量就会越低，而压缩比越低，则图像质量会相应提高。

总的来说，基于小波分析的图像压缩方法是一种非常有效的图像压缩技术，在实际中也被广泛应用。

对于该方法的研究，可以进一步探索不同小波基函数和量化方法的影响，从而得到更加优秀的压缩效果。

同时，在实际应用中也需要根据具体需求，平衡压缩比和图像质量，从而获得最佳的压缩结果。

小波变换的稀疏表示与压缩感知在信号处理中的应用

小波变换的稀疏表示与压缩感知在信号处理中的应用信号处理是一门研究如何从原始信号中提取有用信息的学科。

在信号处理的领域中，小波变换的稀疏表示与压缩感知技术被广泛应用于信号的分析、压缩和重建等方面。

本文将探讨小波变换的稀疏表示和压缩感知技术在信号处理中的应用，以及它们的优势和局限性。

小波变换是一种数学工具，可以将信号从时域转换到频域。

与傅里叶变换相比，小波变换具有更好的时频局域性，能够更好地捕捉信号的瞬时特征。

稀疏表示是指信号在某个特定的基下表示时，只有少数系数是非零的，其余系数都是接近于零的。

小波变换在信号处理中的一个重要应用就是通过稀疏表示来提取信号的重要特征。

通过选择合适的小波基，可以使得信号在该基下的系数呈现出稀疏性，从而实现对信号的有效表示和分析。

稀疏表示的一个重要应用是信号压缩。

在传统的信号压缩方法中，通常使用离散余弦变换（DCT）或离散傅里叶变换（DFT）来对信号进行变换和压缩。

然而，这些方法并不能很好地处理非平稳信号，而小波变换则可以更好地处理非平稳信号的压缩。

通过小波变换的稀疏表示，可以将信号中的冗余信息去除，从而实现信号的高效压缩。

压缩感知技术则是一种新兴的信号压缩方法，它利用信号的稀疏表示和采样理论来实现高效的压缩。

压缩感知技术通过采样信号的部分信息，并通过稀疏表示算法重建信号，从而实现对信号的高效压缩和重建。

小波变换的稀疏表示和压缩感知技术在信号处理中有许多应用。

例如，在图像处理中，小波变换的稀疏表示可以用于图像的去噪和增强。

通过选择合适的小波基和稀疏表示算法，可以将图像中的噪声去除，并突出图像中的细节和纹理。

在语音处理中，小波变换的稀疏表示可以用于语音信号的压缩和识别。

通过选择合适的小波基和稀疏表示算法，可以将语音信号进行高效压缩，并提取出关键的语音特征用于语音识别。

在视频处理中，小波变换的稀疏表示可以用于视频的压缩和分析。

通过选择合适的小波基和稀疏表示算法，可以将视频信号进行高效压缩，并提取出视频中的运动信息和空间特征。

一种基于贝叶斯压缩感知的图像修复方法_党宏社

０引言
图像修复是针对图像中遗失或损坏的区域，利用图像中完整的区域信息对遗失或损坏区域信息进行估算的过程，使修复后的图像达到人眼可接受的标准．利用各向异性扩散的偏微分方程（ｔａｌｍｉｏ等１提出基于信息传输的图像修复模型，ａｒｔｉａｌＤｉｆＢｅｒＰＤＥ：Ｐ－］［３２－）（：提出全变差沿等照线方向向破损区域进行信息扩散完成图像修复等ｆｅｒｅｎｔｉａｌＥｕａｔｉｏｎｎ．ＴｏＴＶＴｏ－ｑｙ））和曲率驱动扩散（修复模型，ｔａｌＶａｒｉａｔｉｏｎｕｒｖａｔｕｒｅＤｒｉｖｅｎＤｉｆｆｕｓｉｏｎＣＤＤ：ＣＴＶ模型是一个各向异性的模
１贝叶斯压缩感知算法原理
１．１压缩感知压缩感知理论是指当信号是稀疏的或在某变换领域是稀疏的时，可以通过线性观测到的少量测量值重构出原始信号，即（）１ｘ＝Φ Ψ α ＋ｎ＝ Θ α ＋ｎ．ｙ＝Φ 恢复长度为ＮＭ × Ｎ维的随机观测矩阵 Φ 、Ｎ × Ｎ稀疏基，信号恢复过程是利用长度为Ｍ的观测值ｙ、（，向量代表观测噪声的原始信号ｘ或在稀疏基上等效稀疏向量α．是含有当ｎＭ ×１ＫＫＮ）个非零元 α （／）个观测值就能有效重构出原始信号．为了能重构稀疏信号，素时，只要获取Ｍ＝Ｏ（矩阵 Θ 必须ＫｌＮＫ）ｇ［］１０，满足Ｒ满足等距约束性（则对稀疏α的求解过程可以转化为ＩＰ的充分必要条件是 Φ 和Ψ 线性无关，ＲＩＰ）对ｌ０范数的求解：．ｔ．ｍｉｎ‖ α‖０ｓ Ψ α．ｙ＝Φ

一种基于贝叶斯压缩感知的图像修复方法

一种基于贝叶斯压缩感知的图像修复方法
党宏社;张娜
【期刊名称】《河南大学学报：自然科学版》
【年(卷),期】2014(44)5
【摘要】图像修复是利用图像中已知区域信息对破损区域进行信息填充,以弥补信息的损失.传统的修复方法依赖图像的结构来确定,使图像达到人眼主观可以接受的程度.基于贝叶斯压缩感知的图像修复方法首先对受损图像进行稀疏变换,利用贝叶斯压缩感知得到稀疏系数的后验分布函数,求得分布函数的均值和方差,将均值作为图像的稀疏系数的估计,方差作为噪声的估计.仿真结果验证了该方法可以提高图像的修复质量.
【总页数】7页(P601-607)
【关键词】图像修复;贝叶斯压缩感知;后验分布;稀疏变换
【作者】党宏社;张娜
【作者单位】陕西科技大学电气与信息工程学院
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.一种基于贝叶斯压缩感知的说话人识别方法 [J], 杨彦;吕臻;赵力
2.一种基于贝叶斯和神经网络的医学图像组合分类方法 [J], 陈健美;宋顺林;朱玉全;宋余庆;陈耿;程鹏;桂长青
3.基于贝叶斯压缩感知与形态学成分分析的图像修复方法研究 [J], 党宏社;张娜;白梅
4.基于贝叶斯压缩感知的周跳探测与修复方法∗ [J], 李慧;赵琳;李亮
5.一种基于期望值最大化和贝叶斯法则的图像注释和检索方法 [J], 唐淑萍
因版权原因，仅展示原文概要，查看原文内容请购买。

一种用于图像重构的新型贝叶斯压缩感知技术

ｄｐｎｅｔｏｅｓｇａ．Ｔｏｅｈｎｅａｃｒｃｆｔｅｃｎｅｔｏａｅｅｄｎｎｔｉｎ１ｈｎａｃｃｕａｙｏｈｏｖｎｉｎＢＣＳ，ａｎｗｉｄｏｄｆｅＢＣＳｌｅｋｎｆｍｏｉｄｉ
ｅｐｒｎｓｓｏａｅＰＢＣｕｐｒｒｓｔｅｃｎｅｔｎｌＢＣｎｔｅｅｏｓｕｔｎｍｅｒｓｆｒｘｅｍｅｔｈｗｔｔｔＳＳｏｔｅｏｈｏｖｎｏａＳａｄｏｒｒｃｎｔｃｉｔｃｏｉｈｈｆｍｉｈｒｏｉ
应用传统的ＲＭ进行信号重构往往精度非常差。为了提高精度，文中提出了一种新的ＢＳＶＣ技术：粒子群贝叶斯压缩感知（ＳＣ）实验表明这种新的ＢＳ技术在重构精度上大大超越了传ＰＢＳ。Ｃ
统的ＢＳ术。Ｃ技
关键词：贝叶斯压缩感知（Ｃ）ＢＳ；相关向量机（Ｖ；粒子群优化；局部最优困境；向量选ＲＭ）
ｃｍｒｓｉｅｓｇ（Ｃ）ｗｓｒｐｓｄｉｔｅｒｅｔｅｒ．ＩｃｎｉｅｓｈｅｏｓｕｔｎｐｏｅｓａｏｐｅｓｅｓｎｉＢＳａｏｏｅｅｎａｓｔｏｓｒｔｅｒｃｎｔｃｏｒｃｓｓｖｎｐｎｈｃｙｄｒｉ
ｈｙｓａｄｌｔｒｎｔｒｉｏａｒｓａｓｔｍｏｅ．ＩＳ，ｔＯｃｌｅｅａｃｔｅＢａｅｉｎｍｏｅａｅａｅｔｄｔｎｌ１ｏｌｐｒｉｄ１ｎＢＣｈｅＳａｌｄｔｅｒｌｖｎｅｒｈｔｈｈａｉＺｎｎｙｅｈ

小波分析在图像压缩中的应用

小波分析在图像压缩中的应用图像压缩是一种通过减少图像文件的尺寸来降低存储和传输成本的技术。

在现代数字通信和存储中，图像压缩起着至关重要的作用。

而小波分析作为一种广泛应用于信号处理领域的数学工具，其在图像压缩中的应用也得到了越来越多的关注。

本文将介绍小波分析在图像压缩中的原理及应用。

一、图像压缩的基本概念和方法图像压缩是将图像数据经过特定的编码和解码方式进行处理，以减少文件的大小、节省存储空间和传输带宽。

现有的图像压缩方法主要包括无损压缩和有损压缩两种。

其中，无损压缩通过编码来保留图像的每个像素，确保压缩后的图像与原图完全一致。

而有损压缩则通过减少数据的冗余性，在保证视觉感知质量的前提下，压缩图像文件的大小。

二、小波分析的基本原理小波分析是一种基于信号时间-频率表示的数学方法，可以将信号分解为不同频率的成分。

与傅里叶变换相比，小波变换具有更好的局部性，能够更好地描述非平稳和突变的信号。

小波分析的基本思想是通过对信号进行多尺度分解，将信号分解为高频和低频成分。

其中，低频成分表示信号的趋势信息，而高频成分则表示信号的细节信息。

三、小波分析在图像压缩中的应用小波分析在图像压缩中主要应用于有损压缩方法，通过对图像进行小波变换和量化，实现对图像数据的压缩。

具体而言，小波变换将图像分解为一系列频带，其中不同频带的重要性逐渐降低。

在量化过程中，高频子带的系数被量化为较小的值，从而实现对高频细节的压缩。

而低频子带的系数则保留了图像的主要信息，为图像的重构提供了基础。

四、小波压缩的优缺点小波压缩作为一种常用的图像压缩方法，具有以下优点：1. 高压缩比：小波压缩可以实现较高的压缩比，大大减小了图像文件的大小，节省了存储空间和传输带宽。

2. 良好的视觉感知质量：小波压缩通过保留图像的低频信息，可以保证图像的主要内容和细节信息，使得压缩后的图像在视觉上具有较好的质量。

3. 适应性分解：小波变换具有适应性分解的特点，可以根据不同图像的特性进行相应的处理，提高了压缩的效果。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

法是先由图像传感器遵循奈奎斯特采样定律对目标采
图像．假设长度为Ｊ７＼，的信号在某变换域中的系数是稀疏的，用一个与变换基不相关的采样基：Ｍ× Ｎ（Ｍ＜＜ Ⅳ ）对系数进行线性采样得到Ｙ：Ｍ × １，那么只需计算该个采样数据ｙ即可精确或者高概率的重构原始信号．压缩感知理论给图像压缩研究带来了新思路，目前国内外研究人员已经展开了对图像压缩感知的研究．小波变换有“ 数字显微镜” 的美誉，是压缩感知图像稀疏化的重要方法．Ｄｏｎｏｈｏ等人首先研究的基于小波变换的压缩感知问题，提出多尺度压缩感知方法（ＭＣＳ）ｔｌ，为图像压缩感知奠定了理论基础．文献【４】
像重构质量．
关键词：图像；压缩感知；贝叶斯
ＷａｖｅｌｅｔＩｍａｇｅＣｏｍｐｒｅｓｓｅｄＳｅｎｓｉｎｇＢａｓｅｄｏｎＢａｙｅｓｉａｎＭｏｄｅｌ
ＹＡＮＧＧｕａｎｇ－Ｚｕ
（ＣｈａｎｇｓｈａＥｎｖｉｒｏｎｍｅｎｔａｌＰｒｏｔｅｃｔｉｏｎＶｏｃａｔｉｏｎａｌＣｏｌｌｅｇｅ，Ｃｈａｎｇｓｈａ４１０００４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＭｏｓｔｉｍａｇｅｃｏｍｐｒｅｓｓｅｄｓｅｎｓｉｎｇａｌｇｏｒｉｔｈｍｓｉｍｐｒｏｖｅｔｈｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎｑｕａｌｉｔｙｂｙｕｔｉｌｉｚｉｎｇｈｅｔｃＯｒｒｅｌａｔｉＯｎｏｆｐａｒｅｎｔ－ｃｈｉｌｄｗａｖｅｌｅｔｃｏｅｉｃｆｉｅｎｔｓ．Ｈｏｗｅｖｅｒ，ｆｅｗｐｅｏｐｌｅｓｔｕｄｙｔｈｅｃｏｍｐｒｅｓｓｅｄｓｅｎｓｉｎｇｂａｓｅｄｏｎｔｈｅｒａｆｔｅｒｎａｌｒｅｌａｔｉｏｎｓｈｉｐ
Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅ；ｃｏｍｐｒｅｓｓｅｄｓｅｎｓｎｇ；ｉＢａｙｅｓｉａｎ
ｌ前言
图像压缩研究历经６０多年，涌现出了ＪＰＥＧ２０００
等很多优秀的图像压缩标准．现有图像压缩的基本方
ｏｆｈｅｔｈｉｇｈ — ｒｆｅｑｕｅｎｃｙｃｏｅｉｃｆｉｅｎｔｓ．Ｉｎｈｔｉｓｐａｐｅｒ，ａＢａｙｅｓｉａｎ — ｂａｓｅｄｉｍａｇｅｃｏｍｐｒｅｓｓｅｄｓｅｎｓｎｇｉａｌｇｏｒｉｔｈｍｕｓｉｎｇｊｏｎｉｔ
ＥｘｐｅｒｍｅｉｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｏｕｒｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｈａｓｈｉｇｈｅｒｍａｉｇｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎｑｕａｌｉｙｔｈａｔｎｔｈｅｅｘｉｓｔｅｄＭＣＳ．
摘
要：现有小波图像压缩感知方法大多利用父子小波系数的相关性来提高重构精度，很少考虑同一尺度兄弟
小波系数问的相关性关系．鉴于此，提出一种基于贝叶斯模型的高频系数联合重构小波图像压缩感知方法．该算
法将同一尺度水平、垂直和对角三个方向高频系数分别压缩感知采样，然后设计分层贝叶斯模型，充分利用此三个方向兄弟小波系数的相关性来重构图像．实验结果表明本文提出的方法比传统的多尺度压缩感知有更高的图
ｒｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｈｉｇｈ — ｒｅｆｑｕｅｎｃｙｗａｖｅｌｅｔｃｏｅｉｃｆｉｅｎｔｓｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅｈｉｇｈ — ｒｅｆｑｕｅｎｃｙｃｏｅｉｃｆｉｅｎｔｓｏｆｈｅｔｈｏｒｉｚｏｎｔａｌ，ｖｅ￣ｉｃａｌａｎｄｄｉａｇｏｎａｌｄｒｅｉｃｔｉｏｎｓｎｉｈｅｔｓａｍｅｓｃａｌｅａｒｅｓａｍｐｌｅｄｓｅｐａｒａｔｅｌｙｗｈｅｎｅｘｅｃｕｔｎｇｉｃｏｍｐｒｅｓｓｅｄｓｅｎｓｉｎｇ．Ｔｈｅｎ．ａｈｉｅｒａｒｃｈｉｃａｌＢａｙｅｓｉｎａｍｏｄｅｌｉｓｐｒｅｓｅｎｔｅｄａｎｄｔｈｅｃＯｒｒｅｌａｔｉ０ｎｉｓｕｓｅｄｗｈｅｎｒｅｃｏｎｓｔｒｕｃｔｉｏｎｉｓｐｅｒｆｏｒｍｅｄ．
计算机系统
பைடு நூலகம்
用
ｈｔｔｐｆ｝『、．ｃ－Ｓ－ａ．ｏｒｇ．ｃｎ
２０１３年第２２卷第２期
贝叶斯小波图像压缩感知方法①
杨光祖
（长沙环境保护职业技术学院信息技术系，长沙４１ｏｏ０４）