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。     

基于双阈值的压缩采样匹配追踪改进算法

针对基于压缩感知的压缩采样匹配追踪(CoSaMP)算法迭代次数严重依赖于信号稀疏度,候选原子冗余度大,从而导致最终的支撑原子集选择时间长、选择精度低等问题,提出一种基于双阈值的压缩采样匹配追踪算法.该算法利用模糊阈值进行支撑集候选原子的选择,引入残差与观测矩阵的相关度变化阈值作为迭代停止条件,对图像进行重构.仿真实验表明,所提出的算法重构速度快,重构效果优于CoSaMP算法.     

基于压缩感知的稀疏信道估计方法

针对OFDM系统中传统最小二乘(LS)信道估计方法需要大量导频估计精度却不高的问题,提出基于压缩采样匹配追踪(CoSaMP)的压缩感知信道估计新方法.利用发送信号,接收信号和信道的频城关系建立基于压缩感知的数学模型,再采用CoSaMP算法对信道进行重构.仿真结果表明,与LS算法相比,基于CoSaMP的压缩信道估计方法能利用少量的导频信号达到与之相比拟的信道估计性能,提高了频谱利用率;与现有压缩感知信道估计算法(基追踪(BP)与正交匹配追踪(OMP)相比,在使用相同导频数目条件下,具有更好的信道估计性能和更低的计算复杂度.     

一种改进的压缩采样匹配追踪算法研究

该文简单对信号稀疏重建的模型和测量矩阵的设计进行了介绍,主要介绍了几种稀疏重建算法,详细给出压缩采样匹配追踪算法及其改进算法的数学框架和基本思想,从原子选择策略和冗余向量的更新方式对算法进行了比较分析,最后通过模拟实验验证了MP,OMP,CoSaMP和IHTCoSaMP算法的重构效果,同时以MSE为性能指标评价了各种算法的重构质量,实验结果表明改进的压缩抽样匹配追踪算法的运算速度较快,重构质量较高。     

一种改进的压缩感知重构算法

压缩感知重构信号时,在感知过程中如何选定支撑集对算法的重构性能至关重要.基于压缩采样匹配(CoSaMP)重构算法,引入Dice系数匹配性度量准则,优化了支撑集的选择.上述算法改进了从给定的观测矩阵中挑选与残差信号最匹配原子的匹配准则,体现了残差信号中各个元素对原子选取的重要作用.仿真结果表明:在同等稀疏的条件下,重构算法与传统的CoSaMP算法相比,误差低于传统CoSaMP算法,且随着观测维数的增加,重构信号的平均成功概率比传统的CoSaMP算法的大,实现了较小的重构误差和更好的压缩性能.     

改进匹配追踪算法及其在图像压缩中的应用

压缩传感,是近年来新出现的一种采样定理。它的特点是对信号进行采样所需要的条件远远小于Nyquist采样速率。这种采样定理要求信号是稀疏的或者是可压缩的,并能在采样时对信号数据进行压缩,然后通过非线性重建算法完美重建信号。它突破了Nyquist采样定理,因此具有广阔的发展前景。重建算法中有一类称为匹配追踪算法,文中围绕改进的匹配追踪算法在图像压缩中的应用展开了研究,对OMP算法、ROMP算法进行了实现,并对算法本身以及其重构效果做出了比较;针对按列处理速度较慢的缺点,使用了分块处理的方法,降低运算时测量矩阵的规模,实验表明,分块处理确实能够加快运算速度。由于自然信号进行稀疏变换后,稀疏度不确定,造成重构时迭代次数不够合理。针对这个现象,文中提出了如何确定合适的迭代次数的方法,提高重建的精确度。这个方法本身会消耗时间,可以在权衡了重构精确度要求和时间要求后确定是否使用。     

压缩感知中迂回式匹配追踪算法

迂回式匹配追踪(detouring matching pursuit,DMP)是一种计算复杂度低、准确率高、对传感矩阵列相关性要求低的贪婪重构稀疏信号算法.DMP中子内积逆和系数矩阵递增递减核心式被提出并证明,DMP利用子内积逆和系数矩阵减少残差误差变化量的计算量,达到降低计算复杂度的目的.另外,DMP采用先逐个最优缩减、后逐个最优扩增假定支撑集元素的方法提高重构准确率和扩大重构稀疏信号的稀疏度范围.DMP算法复杂度分析表明,DMP算法中获取、缩减和扩增假定支撑集的复杂度分别为O(K2 N),O(b(K-b)N)和O(b(K-b)N).加权间接重构0-1稀疏信号实验结果表明,对于稀疏度为M/2的0-1稀疏信号,DMP、逐步贪婪追踪(greedy pursuit algorithm,GPA)、子空间追踪(subspace pursuit,SP)、压缩采样追踪(compressive sampling matching pursuit,CoSaMP)、正交匹配追踪(orthogonal matching pursuit,OMP)的重构准确率分别为99%,65%,0%,0%和13%.非零值服从正态分布的稀疏信号实验结果也表明DMP的重构准确率优势显著.     

基于压缩感知的电能质量压缩采样重构算法

针对电能质量扰动信号的重构问题,在压缩采样匹配追踪(Compressive sampling matching pursuit,CoSaMP)算法的基础上,为解决原算法的不足,提出一种改进的压缩采样匹配追踪(Modified compressive sampling matching pursuit,MCSMP)算法,并将其应用在电能质量信号的重构上。该算法在候选集的选择阶段采用模糊阈值的方式代替原算法固定个数的选择方式,并以相邻迭代感知矩阵与残差之间的相关度变化量作为算法的停止条件,为回溯过程的剪裁减轻了负担,避免了不必要的迭代,提高了算法的运行效率。仿真实验结果表明:无论是重构性能指标或是重构速度,MCSMP算法的重构结果都优于CoSaMP算法。     

一种基于量子粒子群的二次匹配OMP重构算法

正交匹配追踪算法（OMP）是一种基于贪婪迭代思想的算法,是压缩感知中信号重构方法之一。为了降低OMP算法的计算复杂度,采用一种全局寻优能力较强的量子粒子群算法（QPSO）优化OMP算法中的匹配过程（QPSO-OMP）;针对OMP算法特点,引入原子分量二次匹配,进一步提高QPSO-OMP算法重构精度。仿真结果表明,所提出的基于QPSO算法的二次匹配OMP算法复杂度低,精确重构概率高于基于粒子群算法的正交匹配追踪算法。     

用于CS的广义稀疏度自适应匹配追踪算法

压缩感知理论的基本思想是原始信号在某一变换域是稀疏的或者是可压缩的,并将奈奎斯特采样定理中的采样过程和压缩过程合二为一。稀疏度自适应匹配追踪（SAMP）算法能够实现稀疏度未知情况下的重构,而广义正交匹配追踪算法每次迭代时选择多个原子,提高了算法的收敛速度。基于上述两种重构算法的优势,提出了广义稀疏度自适应匹配追踪（Generalized Sparse Adaptive Matching Pursuit,gSAMP）算法。针对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标,以及主观视觉上对所提算法与传统的贪婪算法进行对比。在压缩比固定为0.5时,gSAMP算法的重构效果优于传统的MP、OMP、ROMP、SAMP以及gOMP贪婪类重构算法的效果。     

基于最佳路径组合搜索策略的匹配追逐算法

基于块导向的字典的匹配追逐算法广泛应用于图像处理中。本文在块导向字典的基础上,提出交迭字典。块导向字典可以看作是块导向变换的概括,交迭字典可以看作是由临界采样滤波器组构成的。针对匹配追逐算法搜索最佳向量过程耗时的问题,提出了基于最佳路径组合搜索策略的改进算法,该方法利用树状图从所有可能的向量组合中,选择逼近误差最小的向量组合作为最佳字典向量。仿真结果显示,该算法的估计误差明显减少,而且找到最佳途径的可能性增加。     

基于小波变换和压缩感知的语音信号压缩研究

对语音信号直接进行压缩感知处理,通常压缩的效率不高。针对此问题提出了一种基于压缩感知和小波变换的方法,首先用小波变换的方法对语音信号进行级数分解,然后采用压缩感知的方法对小波低频系数进行压缩,并丢弃高频系数,重构语音信号时高频系数用随机信号来取代。采用此种小波变换的方法,与直接采用压缩感知的方法相比,前者的语音信号MOS值稍有降低,但压缩率比直接压缩感知的方法降低了一倍,说明此方法可大大提高压缩的效率。     

基于稀疏表示的高噪声人脸识别及算法优化

为提高基于稀疏表示人脸识别的速度和抗噪性能,研究了交叉花束(CAB)模型及压缩感知重构算法。针对重构算法中的大矩阵求逆,提出快速正交匹配追踪(FOMP)算法,可将运算量较高的矩阵求逆运算转变为轻量级向量矩阵运算。为增加高噪声图片的有效信息量,提出几种实用且有效的方法,并通过实验验证这些方法都能提高高噪声人脸识别率,可识别的噪声比例提高到75%,具有一定的实用价值。     

基于Gerschgorin理论稀疏度估计的宽带频谱感知算法

针对在低信噪比(SNR)情况下稀疏度欠估计和高信噪比情况下稀疏度过估计的问题,提出了一种基于Gerschgorin理论稀疏度估计的宽带频谱感知算法。首先,该算法利用Gerschgorin理论分离信号圆盘与噪声圆盘得到稀疏度估计值;然后,利用正交匹配追踪(OMP)算法得到频谱支撑集;最后,完成宽带频谱感知。仿真结果表明,所提算法、AIC-OMP算法和MDL-OMP算法频谱感知的检测概率达到95%信噪比分别需要4.6 dB、8.5 dB和9.7 dB;所提算法频谱感知的虚警概率在信噪比大于13 dB时趋近于0,明显低于BPD-OMP和GDRI-OMP算法的虚警概率,因此,所提算法对于压缩感知(CS)的信号稀疏度估计兼顾了低信噪比和高信噪比时的稀疏度估计性能,频谱感知性能优于AIC-OMP算法、MDL-OMP算法、BPD-OMP算法和GDRI-OMP算法。     

基于双字典集的信号稀疏分解算法

为得到关于信号更为稀疏的表示,提出一种基于双字典集的信号稀疏分解算法。在算法过程中,建立如下两个字典集:已选字典集和待选字典集。该算法以重复加权提升搜索(RWBS)算法为基础,增加了一步更为严格的从待选字典集中选择最佳核函数的过程,故该算法在保留初始算法的优点的同时,可以产生更为稀疏的模型。通过仿真实验和真实数据实验验证了所提算法的性能。     

利用蚁群算法实现基于MP的信号稀疏分解

信号的稀疏表示在信号处理的许多方面有着重要的应用,但稀疏分解计算量十分巨大,难以产业化应用。利用蚁群算法实现快速寻找MatchingPursuit(MP)过程每一步的最优原子,大大提高了信号稀疏分解的速度,算法的有效性为实验结果所证实。     

基于前向预测策略的块正交匹配追踪算法研究

在块正交匹配追踪算法中,候选集匹配原子块的选择策略对信号重建具有重要作用,但是该算法在迭代选择原子块的过程中,每次选择当次最优迭代的原子块,并不能保证最终迭代性能是最优的。为此,提出一个基于前向预测的最优匹配原子块选择策略的块正交匹配追踪算法,通过预测原子块在未来迭代过程中的性能选择最优匹配的原子块。实验结果表明,与块正交匹配追踪算法相比,该算法的重建误差随前向预测参数的增大而减小。     

基于多种群离散差分进化的图像稀疏分解算法

从过完备字典中得到图像的最稀疏表示是一个NP难问题,即使是次优的匹配追踪也相当复杂.针对Gabor多成份字典,提出基于多种群离散差分进化的图像稀疏分解算法.该算法采用3个子种群在不同成份子字典中搜索最佳匹配原子,父代通过多种变异算子生成多个子代,保持群体多样性,同时引入相关系数避免残差更新时多原子匹配重叠的问题.实验表明相比于快速匹配追踪算法,在稀疏逼近性能相当的情况下,文中算法的稀疏分解速度更快;与其他基于进化算法的稀疏分解方法相比,文中算法的稀疏逼近性能更优.最后的结果分析验证文中算法参数设置的合理性.     

压缩感知框架下基于ROMP算法的图像精确重构

在压缩感知框架下运用正则化正交匹配追踪(ROMP)算法进行图像重构时,迭代次数取值不合适会严重降低重构图像的质量。针对这一问题,提出了确定合理迭代次数的方法。将以往迭代得出的结果作为先验知识,获取具有不同稀疏程度图像块的最佳迭代次数,从而保证了整幅图像的重构质量。实验表明,该方法重构效果优于采用固定迭代次数的ROMP算法。     

基于OpenMP的压缩感知并行处理算法

针对压缩感知重建算法复杂度高、运行时间长等缺点,提出一种应用于多核处理器的压缩感知并行算法。在认真分析压缩感知算法的基础上,利用OpenMP对压缩感知的编码测量和正交匹配追踪(OMP)算法进行并行处理,提升程序的性能。实验结果表明,随着线程数的增加,程序的执行效率显著提高,加速比呈线性增长; 并且重构过程越复杂,其性能优化越明显。