压缩感知及应用

传统的信号采样必须遵循香农采样定理,产生的大量数据造成了存储空间的浪费.压缩感知(CS)提出一种新的采样理论,它能够以远低于奈垒斯特采样速率采样信号.压缩感知的基本论点是如果信号具有稀疏性,可投影到一个与变换基不相关的随机矩阵并获得远少于信号长度的测量值,再通过求解优化问题,精确重构信号.本文详述了压缩感知的基本理论,压缩感知适用的基本条件:稀疏性和非相干性,测量矩阵设计要求,及重构算法的RIP准则,并介绍了压缩感知的应用及仿真.仿真结果表明当采样个数大于K×log(N/K),就能将N维信号稳定地重建出来.     

基于压缩感知理论的WSNs时序信号分段压缩算法

针对压缩感知理论(CS)应用在无线传感器网络中时序信号在传输过程存在压缩比率低、通信能耗高等问题,提出了一种时序信号分段压缩算法来解决在信号稀疏度未知及高稀疏度条件下,压缩感知数据重构算法中存在的重构效率低,重构精度差,影响网络生命周期的问题.该算法将采集数据中非零元素个数作为分段依据,通过减少段内非零元素组合数量来提高信号重构精度,同时利用了压缩感知理论特性实现了对信号的高压缩率.实验结果表明,在以混沌量子免疫克隆重构(Q-CSDR)算法为重构算法、在信号盲稀疏度及稀疏度高于40的条件下,能够以大于0.4的压缩比率对信号进行压缩,其重构信号的均方误差小于0.01,能够延长网络寿命2倍左右.     

结构化压缩感知研究进展

压缩感知（Compressive sensing,CS）是一种全新的信息采集与处理的理论框架. 借助信号内在的稀疏性或可压缩性,可从小规模的线性、非自适应的测量中通过非线性优化的方法重构信号. 结构化压缩感知是在传统压缩感知基础上形成的新的理论框架,旨在将与数据采集硬件及复杂信号模型相匹配的先验信息引入传统压缩感知,从而实现对更广泛类型的信号准确有效的重建. 本文围绕压缩感知的三个基本问题,从结构化测量方法、结构化稀疏表示和结构化信号重构三个方面对结构化压缩感知的基本模型和关键技术进行详细的阐述,综述了结构化压缩感知的最新的研究成果,指出结构化压缩感知进一步研究的方向.     

压缩感知中的信号重构方法分析

压缩感知理论(CS)因高采样速率和巨大的存储空间被广泛应用于认知无线电中.重构算法是压缩感知理论的核心之一,也是目前的研究热点.介绍了压缩感知理论的基本模型和重构算法,在基本的梯度算法(GP)基础上做了改进,提出了巴兹莱一伯文(PBB)算法,并对两种重构算法进行了仿真.仿真结果表明,PBB算法能更好地重构信号.     

动态压缩感知综述

动态压缩感(Dynamic compressed sensing, DCS)知由视频信号处理问题引出, 是压缩感知(Compressed sensing, CS)理论研究领域中新兴起的一个研究分支, 旨在处理信号支撑集随时间发生变化的时变稀疏信号, 较为成功的应用范例是动态核磁共振成像. 本文首先介绍动态系统模型, 给出时变稀疏信号支撑集缓慢变化的定义、 时变稀疏信号的稀疏表示和感知测量的方法; 其次, 建立一个统一的时变稀疏信号重构模型, 基于该模型对现有算法进行分类, 简要综述时变稀疏信号的重构算法, 并且对比分析算法的性能; 最后, 讨论动态压缩感知的应用, 并对其研究前景进行展望.     

基于贝叶斯压缩感知的信号重构

本文提出了基于贝叶斯压缩感知的信号重构算法,将压缩感知理论应用于信号的压缩传输以及重构,该算法将压缩感知问题转化为线性回归问题,逐步推演出结果向量之间的迭代关系,最后通过迭代以得到原始信号的精确重构. 仿真说明了贝叶斯压缩感知在信号处理中的应用,结果表明该算法对一维和二维信号的压缩重构有很好的效果.     

压缩感知理论投影矩阵优化方法综述

通过优化投影矩阵的结构可提高压缩感知（Compressed sensing,CS）的重构性能及信号适应的稀疏度范围。该类方法利用迭代更新Gram矩阵使CS投影矩阵逼近最优结构,不同于以往的投影矩阵设计问题,它是一类新的改进CS性能方法。本文阐述了该问题的产生起源、理论基础、目标函数、理想模型以及与编码理论的交叉。在此基础上,分析、总结和比较现有投影矩阵优化方法的构造原理、应用特点以及存在的问题,最后讨论了其未来可能的发展方向。实验结果验证了分析结论的正确性。     

压缩感知理论及其OMP算法FPGA实现研究

奈奎斯特定理要求采样频率不得低于信号最高频率的2倍,这使得高频信号的硬件采样实现变得较为困难。压缩感知(Compressive Sensing,CS)理论从研究信号的稀疏性出发,指出在一定条件下可以用低于奈奎斯特定理的频率对信号进行采样。介绍了压缩感知理论及其OMP重构算法,设计了OMP重构算法的FPGA实现的总体框图和各模块框图,编写了Verilog HDL程序代码,并给出了在Quartus II中的仿真结果,和Matlab仿真结果对比,压缩重构效果比较理想。     

双阈值正交匹配追踪算法

压缩感知理论(CS)中的重构算法是压缩感知理论的重要组成部分。在稀疏度未知的情况下,一些重构算法表现不佳。针对该问题,提出一种基于双阈值的正交匹配追踪算法。通过对所选原子的两次筛选,能够在稀疏度未知的情况下,高效率、高质量地重构信号。与同类算法相比,所提算法能够很好地重构信号,重构精度较高,运行速度较快。     

压缩感知在雷达目标探测与识别中的研究进展

压缩感知理论是针对采样率和计算复杂度的一种新的信号处理模式,它以远低于奈奎斯特频率对信号进行采样,并能准确重构出原始信号.随着宽带高分辨雷达技术发展,目标相对于背景的高度稀疏,与复杂的雷达系统、海量数据呈现极度的不平衡,压缩感知是有效地减弱这种不平衡的可能技术之一.以雷达稀疏信号的压缩测量及重构为主线,本文综述了压缩感知理论在雷达目标探测与识别中的研究进展,分析了压缩感知理论在PD雷达、穿墙雷达、MIMO雷达、雷达目标参数估计、雷达成像以及目标识别等领域的潜在应用,描述了国内外的相关研究进展.文中对研究中现存的难点问题进行了探讨,并展望了未来的研究方向.     

基于CS理论的嵌入式监控系统视频编码

将压缩感知理论应用于视频编解码中,给出了视频图像帧内和帧间编码的CS采样图像编码与重构新方法.通过仿真实验表明在图像编解码系统中,与传统视频编码方法相比,结合CS理论的方法能得到更高质量的重构图像,PSNR有较大提高.     

灰色理论在图像处理中的应用研究

对基于灰色系统理论的图像处理方法进行了综述,归纳了灰色关联分析和GM（1,1）模型方法在图像处理中的应用情况,总结了在图像工程中应用灰色理论时要解决的关键问题。结果显示,尽管灰色理论在图像工程中的应用研究还处于起步阶段,但其应用范围却几乎可涉及图像工程的各个方面,这充分显示出它的广泛性、可行性、有效性以及良好的发展潜力和应用前景。     

基于模糊集理论的医学图像分割的应用

图像分割是医学图像处理、分析、研究的基础。由于人的视觉特性和数字图像本身所具有的模糊性,使得图像分割问题是典型的结构不良问题。而模糊集合论具有描述不良问题的能力,模糊集理论应用于图像分割是针对图像模糊性非常有效的方法。对近年来基于模糊集理论的医学图像分割技术的应用和发展进行了综述和讨论,展望了基于模糊集理论的医学图像分割技术的前景和面临的挑战。     

粗糙集理论及其在图像处理中的应用*

首先描述了粗糙集理论的基本概念,包括粗糙集知识表示方法和粗糙集约简理论;叙述了粗糙集理论及其与其他非线性理论相结合在图像处理中的应用情况;最后指出了粗糙集理论应用于图像处理的基本思路,并指出将粗糙集理论与其他非线性理论相结合应用于图像处理,将会产生更加有效的结果.     

图像放大的偏微分方程方法

在分析一些常见的图像放大方法的基础上,根据图像像素值特点及近期偏微分方程在图像处理中的应用,将图像的像素值看作是平面物体的温度;利用偏微分方程理论中的热传导数学模型,提出了基于一种新颖的热传导方程初边值问题的图像放大法;并根据其物理意义,设计相应的差分算法．实验证明,这是一种有效的图像放大方法．     

支持向量机理论及其在遥感图像处理中的应用

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的学习算法,经过多年的研究,它的理论基础日渐成熟,它的应用领域逐步扩大.SVM在遥感图像处理领域内的研究也逐渐增多.介绍了支持向量机的理论以及近年来它在遥感图像分类、检索、特征提取、图像压缩、混合像元分解等方面的应用.随着支持向量机研究热的兴起,它必将在遥感图像处理方面发挥更大的作用.     

压缩感知理论及其在成像技术中的应用

在传统的Shannon/Nyquist采样定理指导下,信号处理往往面临两大难题:A/D转换器技术的限制和海量采样数据的处理压力.压缩感知(CS)理论表明当信号具有稀疏性或可压缩性时,可以通过全局非自适应线性投影的方式,用远低于Shannon/Nyquist采样定理要求的频率获取信号的全部信息.以CS理论为基础的压缩成像(CI)技术在近年来得到了快速的发展.在概述CS理论的基础上,着重介绍了CI技术的原理及其发展状况,并从稀疏分解、观测矩阵的构造和重建算法3个方面对其关键问题进行了分析.CI系统可以显著节省感光器件的数量,避免了传统成像技术"先采样再压缩"方式带来的资源浪费.     

基于局部DCT系数的图像压缩感知编码与重构

引入了压缩感知(Compressed sensing, CS)理论, 给出了在获取局部二维 离散余弦变换(Discrete cosine transform, DCT)系数的基础上高质量地编码与重构图像的新方法. 研究了在无量化和有量化情况下, 基于局部DCT系数的图像CS最小全变差重构算法. 在对DCT系数进行量化的过程中得到含噪的局部DCT系数, 在此基础上设计了能完成CS重构的图像编解码一般流程, 并构建了实际应用系统. 实验结果表明, 对于稀疏性较强的图像, 在图像编解码系统中结合CS理论与方法能得到高质量的重构图像, 与传统的直接反离散余弦变换(Inverse DCT, IDCT)方法相比, 峰值信噪比(Peak signal to noise ratio, PSNR)最大能提高5dB以上, 对于一般图像, PSNR也有较大提高.     

Semi-tensor compressed sensing

In compressed sensing (CS), sparse or compressible signals can be reconstructed with fewer samples than the Nyquist–Shannon theorem requires. Over the past ten years, CS has developed into a relatively mature theory and this brand-new technique has been widely used in many fields such as image processing, wireless communication and medical imaging. In this paper, we propose a new model for signal compression and reconstruction based on semi-tensor product, called STP-CS, which is a generalization of traditional CS. Like traditional CS, we investigate some reconstruction conditions of STP-CS in terms of the spark, the coherence and the restricted isometry property (RIP). The experimental results show that STP-CS has the flexibility to choose a lower-dimensional sensing matrix for signal compression and reconstruction.     

基于OpenCV的双幅图像采集系统设计与实现

数字图像采集是图像处理技术应用中的基础,传统的图像采集系统一般只针对单幅图像采集,而且随着技术的发展,在许多实际应用中要求采集双幅图像.论文先介绍了图像采集相关原理,并对双幅图像采集系统进行了设计,然后详细介绍了双幅图像采集开发的主要步骤,最后采用Opencv技术开发双幅图像采集系统.实验结果显示,该系统具有采集速度快,系统易读性和可移植性强的特点,很好地满足双幅图像采集的要求.