基于压缩感知的后退型自适应匹配追踪算法

基于压缩感知理论的重建关键在于从压缩感知得到的低维数据中精确恢复出原始的高维稀疏数据。针对目前大多数算法都建立在稀疏度已知的基础上,提出一种后退型固定步长自适应匹配追踪重建算法,能够在稀疏度未知的条件下获得图像的精确重建。该算法通过较大固定步长的设置,保证待估信号支撑集大小的稳步快速增加;以相邻阶段重建信号的能量差为迭代停止条件,在迭代停止后通过简单的正则化方法向后剔除多余原子保证精确重建。实验结果表明,该算法在保证测量次数的条件下可以获得快速的精确重建。     

基于Bregman迭代的CT图像重建算法

针对大规模集成电路领域CT重建图像的特点,提出TV约束条件下采用l1范数作正则项的重建模型,并给出了基于Bregman迭代的模型求解算法.算法分为两步: 1)采用Bregman迭代求解图像的l1范数作为正则项,误差的加权l2范数作为保真项的约束极值问题;2) 采用TV约束对1)中得到的重建图像进行修正.算法对TV约束条件下采用l1作正则项的重建模型分开求解,降低了算法的复杂度,加快了收敛速度.算法在稀疏投影数据下可以快速重建CT图像且质量较好.本文采用经典的Shepp-Logan图像进行仿真实验并对实际得到的电路板投影数据进行重建,结果表明该算法可满足重建质量要求且重建速度有较大提升.     

稀疏补分析模型下迭代硬阈值正交投影

为了从含噪声的测量矢量中重构信号,研究了稀疏补分析模型理论及其迭代硬阈值正交投影算法。通过采用稀疏补正交投影修改了稀疏补分析模型下迭代硬阈值算法的迭代追踪过程;分析了迭代步长和稀疏补取值大小对算法收敛速度和重构性能的影响,找出了选取最优迭代步长和最佳稀疏补取值方法;提出并实现了稀疏补分析模型下迭代硬阈值正交投影算法,给出了算法收敛的充分条件和重构信号误差范围。仿真实验结果表明,算法的平均运算时间仅仅为AIHT、AL1和GAP算法的19%、11%和10%;算法重构信号的综合平均峰值信噪比(PSNR)比AIHT算法提高了0.89dB,但比AIHT、AL1算法稍逊色。算法在满足给定条件下能够以高概率实现含噪信号重构,重构信号的综合平均PSNR与典型算相比没有明显下降,但运算时间大为缩短,收敛速度更快。     

基于能量的稀疏自适应匹配追踪算法

信号的重建算法在整个压缩感知领域中居于重要的地位。针对稀疏度未知的情况下的信号重建,在经典的稀疏自适应匹配追踪(SAMP)算法的基础上,提出一种基于能量的稀疏自适应匹配追踪(ESAMP)算法。根据测量向量与重建信号能量的比值自适应调整步长,确定步长的合理初始值,对二进制信号的重建算法进行进一步修正,提高了二进制信号的重建精度并实现了二进制信号的完整重建。仿真结果表明,在相同条件下该算法能够在提高重建速度的同时保证较高的重建精度,以更优越的综合性能恢复原始信号,并且使二进制信号的重建算法更具有实用性。     

一种变步长稀疏度自适应子空间追踪算法

针对压缩感知（Compressive sensing,CS）中未知稀疏度信号的重建问题,本文提出一种变步长稀疏度自适应子空间追踪算法.首先,采用一种匹配测试的方法确定固定步长,然后以该固定步长与变步长方式相结合,通过不同支撑集原子个数下的重建残差变化确定信号稀疏度,算法采用子空间追踪方法确定相应支撑集原子,并完成原始信号准确重建.实验结果表明,与同类算法相比,该算法可以更准确重建原始信号,且信号稀疏度值较高时,运算量低于同类算法.     

一种低剂量锥束CT三维图像重建快速GPU并行算法

鉴于非局部平均NL-Means(Nonlocal Means)算法的高性能图像去噪表现,并考虑到重建速度这一重要因素,提出一种低剂量锥束CT稀疏角度3D图像迭代重建算法。首先,采用最小二乘方法进行图像重建以满足投影数据一致性,再对重建图像进行非负约束;然后,利用非局部平均算法对以上非负约束后的图像进行滤波处理,起到去噪保边缘的作用。以上各步骤均可以进行并行化处理,交替执行直至满足迭代终止条件。实验结果表明,该迭代重建算法获得了满意的3D图像质量,尤其适合并行化GPU加速,重建速度大幅度提升。     

基于回溯的迭代硬阈值算法

针对压缩传感(Compressed sensing, CS)理论中迭代硬阈值(Iterative hard thresholding, IHT)算法迭代次数多和时间长的问题, 提出基于回溯的迭代硬阈值算法(Backtracking-based iterative hard thresholding, BIHT), 该算法通过加入回溯的思想, 优化了IHT算法迭代支撑的选择, 减少支撑被反复选择的次数. 模拟实验表明, 在保证重建质量的前提下, 相比较于IHT和正规化迭代硬阈值(Normalized IHT, NIHT)算法, BIHT算法的重建时间降低了2个数量级. 用本身稀疏的0-1随机信号的重建实验表明, 若测量次数和稀疏度相同, BIHT算法的重建概率高于IHT算法.     

稀疏度自适应分段正交匹配追踪算法改进

在基于压缩感知的信号重构问题中,有一类常见情况——未知信号稀疏度。针对此类情况,提出稀疏度自适应分段正交匹配追踪(SparsityAdaptiveStagewiseOrthogonalMatchingPursuit,SAStOMP)算法,该算法将自适应思想、变步长迭代思想与分段正交思想相结合,在未知信号稀疏度的情况下,自适应地选择支撑集原子的个数,最终实现信号的精确重构。仿真结果表明,针对长度为256位的原始信号,该算法重建效果优于正交匹配追踪算法、正则化正交匹配追踪算法和分段正交匹配追踪算法等。     

步长自适应的前向后向匹配追踪算法

稀疏度自适应的匹配追踪算法(SAMP)是基于压缩感知理论的信号重建经典算法。针对稀疏度未知的信号重建,提出步长自适应的前向后向匹配追踪(AFBMP)算法,AFBMP算法在稀疏度自适应匹配追踪算法的框架下,前向搜索过程中采用对数型自适应变化的步长选择匹配原子,然后通过后向策略修正前向阶段造成的错误,删除支撑集中的部分错误原子,最终实现信号的精确逼近。实验表明AFBMP算法比SAMP算法能够更加高效地重建稀疏度未知的信号。     

基于压缩感知的步长自适应前向后向追踪重建算法

压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。     

Accelerated Linearized Bregman Method

In this paper, we propose and analyze an accelerated linearized Bregman (ALB) method for solving the basis pursuit and related sparse optimization problems. This accelerated algorithm is based on the fact that the linearized Bregman (LB) algorithm first proposed by Stanley Osher and his collaborators is equivalent to a gradient descent method applied to a certain dual formulation. We show that the LB method requires O(1/?) iterations to obtain an ?-optimal solution and the ALB algorithm reduces this iteration complexity to $O(1/\sqrt{\epsilon})$ while requiring almost the same computational effort on each iteration. Numerical results on compressed sensing and matrix completion problems are presented that demonstrate that the ALB method can be significantly faster than the LB method.     

分段迭代匹配追踪图像重构算法

目的 压缩采样匹配追踪（CoSaMP）算法虽然引入回溯的思想,但其原子选择需要大量的观测值且在稀疏度估计不准确时,会降低信号重构精度,增加重构时间,降低重构效率。为提高CoSaMP算法的重构精度,改善算法的重构性能,提出了一种基于广义逆的分段迭代匹配追踪（StIMP）算法。方法 为保证迭代时挑选原子的精确性和快速性,对观测矩阵广义逆化,降低原子库中原子的相干性;原子更新结合正交匹配追踪（OMP）算法筛选原子的准确性与CoSaMP算法的回溯性,将迭代过程分为两个阶段：第1阶段利用OMP算法迭代K/2次;第2阶段以第1阶段OMP算法迭代所得的残差和原子为输入,并采用CoSaMP算法继续迭代,同时改变原子选择标准,从而精确快速地重构出稀疏信号。结果 对于1维的高斯随机信号,无论在不同的稀疏度还是观测值下,相比于OMP、CoSaMP、正则化正交匹配追踪（ROMP）算法和傅里叶类圆环压缩采样匹配追踪（FR-CoSaMP）算法,StIMP算法更加稳健,且具有更高重构成功率;对于2维图像信号,在各个采样率下,StIMP算法的峰值信噪比（PSNR）均高于其他重构算法,在采样率为0.7时,StIMP算法的平均PSNR值比OMP、CoSaMP、ROMP和FR-CoSaMP算法分别高2.14 dB、1.20 dB、3.67 dB和0.90 dB,平均重构时间也较OMP、CoSaMP和FR-CoSaMP算法短。结论 提出了一种改进的重构算法,对1维高斯随机信号和2维图像信号均有更好的重构效率和重构效果,与原算法和现有的主流图像重构方法相比,StIMP算法更具高效性和实用性。     

基追踪问题的近点算法及其应用研究

基追踪问题具有广泛的应用背景,近年来得到了大量的关注和研究。近点算法是解决该问题的一种有效算法,其关键是子问题的求解,利用线性Bregman迭代的求解思想进行Lagrange对偶分析求解子问题,设计了一个新的迭代算法BP-PPA。与线性Bregman算法相比,BP-PPA可避免参数选取对模型的依赖,并用于非压缩感知的稀疏恢复问题求解。同时,为了提高新算法的收敛速度,进一步对新算法进行了Nestrove加速,得到了加速的BP-PPA算法。数值实验中,分别针对压缩感知中的稀疏信号恢复和非压缩感知模型,测试了参数选取对算法效率的影响,实验结果验证了新算法的有效性。     

基于图像块迭代和稀疏表示的超分辨率图像重建算法

针对待复原图像内容间差异和重建速度缓慢的问题,提出基于图像块迭代分类和稀疏表示的超分辨率图像重建算法。首先,根据阈值把图像迭代分块为三种不同形态。然后,对三种形态分别处理:在重建时,对4N×4N块利用双三次插值(BI)算法重建;对2N×2N块由K-奇异值分解(K-SVD)算法得到对应的高、低分辨率字典,通过正交匹配追踪(OMP)算法重建;对N×N块用形态成分分析(MCA)法分解为平滑层和纹理层,然后由各层相应的字典对通过OMP算法重建。将所提方法与基于稀疏基的方法、基于MCA的方法和基于两级与分频带字典的方法相比,所提算法在主观视觉效果、评测指标和重建速度上都有明显的改善。实验结果表明,该方法在图像的边缘块和不规则区域获得了更为精细的细节,重建效果更明显。     

基于压缩感知信号重建的自适应正交多匹配追踪算法*

近年来出现的压缩感知理论为信号处理的发展开辟了一条新的道路,不同于传统的奈奎斯特采样定理,它指出只要信号具有稀疏性或可压缩性,就可以通过少量随机采样点来恢复原始信号。在研究和总结传统匹配算法的基础上,提出了一种新的自适应正交多匹配追踪算法(adaptive orthogonal multi matching pursuit,AOMMP)用于稀疏信号的重建。该算法在选择原子匹配迭代时分两个阶段,引入自适应和多匹配的原则,加快了原子的匹配速度,提高了匹配的准确性,实现了原始信号的精确重建。最后与传统OMP算法     

基于压缩感知的稀疏度自适应匹配追踪改进算法

针对稀疏度自适应匹配追踪(Sparsity adaptive matching pursuit,SAMP)算法存在预选原子过多、重构时间长、步长的选择固定等缺点,提出一种稀疏度自适应匹配追踪改进算法.该算法将稀疏度预先设定值与稀疏度估计过量判据相结合进行真实稀疏度快速估计,通过模糊阈值的方法提高候选原子的精确度,采用原子相关阈值改善迭代停止条件,最终实现信号的精确重构.仿真实验表明,改进算法重构质量较好于SAMP算法,重构速率显著提高.     

基于L1与TV正则化的改进图像重建算法

针对不完全投影数据图像重建中出现伪影和噪点的问题,提出了L1与TV同时进行正则化的图像重建模型。基于该重建模型,通过将Bregman迭代和TV软阈值滤波相结合,进一步提出了一种图像重建算法。该算法首先将投影数据通过优化的Bregman迭代算法进行初步重建,然后使用TV软阈值滤波对改造的全变分模型进行二次重建,最后判断是否满足设定的收敛阈值,若满足则结束重建,输出重建图像,否则重复进行上述两步操作,直至迭代完成。实验采用不添加噪声的Shepp-Logan模型与添加噪声的Abdomen模型来验证算法的有效性,证明了所提出的算法在视觉上均优于ART,LSQR,LSQT-STF,BTV等典型的图像重建算法,同时通过多项评价指标对比表明所提出的算法有明显优势。实验结果表明,所提算法在图像重建中能够有效去除条形伪影并保护图像细节,同时具有良好的抗噪性。     

基于非局部相似模型的压缩感知图像恢复算法

针对压缩感知(Compressed sensing, CS)图像恢复问题, 提出了一种基于非局部相似模型的压缩感知恢复算法, 该算法将传统意义上二维图像块的稀疏性扩展到相似图像块组在三维空间上的稀疏性, 在提高图像表示稀疏度的同时进一步提高了压缩感知图像恢复效率, 恢复图像在纹理和结构保持方面都得到了很大的提升. 在该算法模型求解过程中, 使用增广拉格朗日方法将受限优化问题转换为非受限优化问题, 为减少计算复杂度, 还使用了基于泰勒展开的线性化技术来加速算法求解. 实验结果表明, 该算法的图像恢复性能优于目前主流的压缩感知图像恢复算法.