基于奇异值分解的Toeplitz结构测量矩阵构造方法

在压缩感知CS(Compressed Sensing)理论中,测量矩阵的构造至关重要,其性能直接影响到数据压缩采样的效率及信号的重构质量。针对Toeplitz结构测量矩阵重构性能不高的问题,提出一种基于奇异值分解的Toeplitz结构测量矩阵构造方法。首先对Toeplitz矩阵进行奇异值分解,然后通过对该矩阵的非零奇异值进行优化来提高矩阵的列向量独立性,从而提高其重构性能。仿真结果表明,相比较未优化的Toeplitz结构测量矩阵以及当前常用的高斯随机矩阵,当采用优化后的Toeplitz结构测量矩阵对信号进行压缩感知时,信号的重构精度得到显著提高。     

基于Kent混沌测量矩阵的压缩感知图像重构算法

图像重构是图像数字化和恢复高质量图像信号的关键技术,使用压缩感知理论进行图像重构的意义在于显著减少采样次数,降低系统资源的消耗。测量矩阵的构造是压缩感知的重要研究内容之一。提出一种基于Kent混沌测量矩阵的压缩感知图像重构算法,将Kent混沌序列作为测量矩阵,采用离散小波变换的稀疏化方法,在小波域对原始图像信号进行测量。最后采用正交匹配追踪方法恢复原始图像。仿真实验中,对比高斯随机测量矩阵和Logistic混沌测量矩阵,对不同的图像进行重构。实验结果证明,基于Kent混沌测量矩阵的重构算法能够恢复原始图像,重构性能优于高斯随机观测矩阵和Logistic混沌测量矩阵,同时克服了随机测量矩阵硬件难以实现的缺陷。     

基于压缩感知理论的超宽带信道估计

针对超宽带通信系统的信道估计中需要对极窄脉冲采样,要求模数转换器的采样速率极高,但目前的硬件制作水平达到采样速率要求较为困难.为降低超宽带信道估计对采样速率的要求,提出一种基于压缩感知理论的信道估计新方法.利用超宽带信道在时域上的稀疏性,通过准Toeplitz测量矩阵将信道估计模型转化为压缩感知理论中的稀疏向量重构模型,在接受端只需对输出样值进行较低速率的采样,即可准确重构信道抽头系数并进行仿真.仿真结果表明,方法仅需1/5-1/10奈奎斯特采样速率即可准确估计信道,且同等信噪比条件下估计的均方误差较传统信道估计算法下降约6-8dB,可以为设计提供可靠的依据.     

压缩感知在医学图像压缩中的应用

调研压缩感知的数学理论基础和常用方法,包括稀疏变换、测量矩阵和重构算法,利用Matlab软件实现压缩感知实验,比较几种测量矩阵的性能,提出双阈值分块正交匹配追踪重构算法。根据图像不同区域信息量的不同,采取分块处理的方法并加入采样阈值,针对不同子图像块采取不同采样率,提高采样效率;加入判断阈值,降低重构效果对采样阈值的依赖。实验结果表明,该方法能够以较低的采样率实现较高的重构精度,使压缩感知在医学图像压缩方面得到了较好应用。     

CSMP:基于约束等距的压缩感知匹配追踪

压缩感知包括压缩采样与稀疏重构,是一种计算欠定线性方程组稀疏解的方法.大规模快速重构方法是压缩感知的研究热点.提出一种匹配追踪算法CSMP,采用迭代式框架和最佳s项逼近以逐步更新信号的支集与幅度.基于约束等距性质进行收敛分析,算法收敛的充分条件为3s阶约束等距常数小于0.23,松弛了匹配追踪重构s稀疏信号的约束等距条件,加快了收敛速度.为适用于大规模稀疏信号重构,提供了可进行随机投影测量子集与稀疏基子集选择的矩阵向量乘算子,可利用离散余弦变换与小波变换,避免了大规模矩阵的显式存储.在220随机支集的稀疏高斯信号,512×512Lenna图像上进行压缩采样与稀疏重构实验并与其他算法进行比较,结果表明所提算法快速稳健,适用于大规模稀疏信号重构.     

易于硬件实现的压缩感知观测矩阵的研究与构造

在压缩感知过程中,观测矩阵在信号采样及重构中具有重要作用,构造易于硬件实现、结构简单且占内存较小的观测矩阵是压缩感知理论能否实际应用的关键问题之一。提出两种易于硬件实现的观测矩阵,即顺序部分哈达玛观测矩阵和循环伪随机观测矩阵,其中循环伪随机观测矩阵可分为循环m序列和循环gold序列,并证明了伪随机序列所构造的观测矩阵满足有限等距准则。为验证上述两种观测矩阵性能,对二维图像信号进行仿真,结果表明,在较低的采样率下顺序部分哈达玛观测矩阵的重构效果最优,但是采样信号长度必须是2的k次幂;循环伪随机观测矩阵的重构效果虽然弱于顺序部分哈达玛观测矩阵,但是明显优于高斯随机观测矩阵,克服了顺序部分哈达玛矩阵观测信号必须是2的k次幂的限制。提出的两种观测矩阵易于硬件实现,避免了随机矩阵的不确定性且克服了随机矩阵浪费存储资源的缺陷,具有良好的实际应用价值。     

基于图像分块的Toeplitz结构测量矩阵设计

现有压缩感知成像系统存储测量矩阵时需要较大空间,针对该问题,提出一种基于图像分块的Toeplitz结构块循环测量矩阵设计方法。将图像分块进行压缩感知,减少测量系统的存储空间,从而降低硬件实现难度。仿真结果表明,该方法能快速有效地获得测量值,且重构图像的主客观质量较好。     

一种基于离散小波基的压缩传感测量矩阵优化方法

测量矩阵优化是压缩传感理论(CS)研究的重要内容,基于离散小波基,提出一种测量矩阵优化算法.根据离散小波变换的系数分布特点,构建优化矩阵来对原测量矩阵系数进行调整,提高了采样效率,同时降低了测量矩阵列向量的相干性.理论分析和实验验证表明,该优化算法对压缩传感中常用测量矩阵进行优化后,其重建效果都有所提高,特别是在低采样率的条件下,优化效果明显.经过验证,优化后的测量矩阵满足有限等距特性(RIP).     

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.     

采样列化的切比雪夫混沌测量矩阵构造算法研究

压缩感知利用信号的稀疏性,无损地从低维测量信号中恢复高维度稀疏信号,近年来得到极大发展。然而,目前存在的测量矩阵中大多存在元素相关性高等问题,无法保证恢复效果的精确性,大大制约了它们的应用前景。基于此,通过引入切比雪夫混沌系统,提出一种基于采样列化的切比雪夫混沌感知测量矩阵(SC3M)。不同于经典的相对独立取值的构造方法,SC3M矩阵通过对切比雪夫混沌序列做采样列化及归一化处理等操作来确保矩阵的低列相关性,以优化重构效果。进一步,结合Johnson-Lindenstrauss引理严格证明了其满足约束等距特性(RIP),给提出的测量矩阵的应用提供了扎实的理论依据。实验仿真表明,提出的混沌测量矩阵能确保良好的信号和图像重构精度,明显优于纯随机矩阵、伯努利矩阵和高斯矩阵等其它经典测量矩阵。     

State of the art and prospects of structured sensing matrices in compressed sensing

Compressed sensing (CS) enables people to acquire the compressed measurements directly and recover sparse or compressible signals faithfully even when the sampling rate is much lower than the Nyquist rate. However, the pure random sensing matrices usually require huge memory for storage and high computational cost for signal reconstruction. Many structured sensing matrices have been proposed recently to simplify the sensing scheme and the hardware implementation in practice. Based on the restricted isometry property and coherence, couples of existing structured sensing matrices are reviewed in this paper, which have special structures, high recovery performance, and many advantages such as the simple construction, fast calculation and easy hardware implementation. The number of measurements and the universality of different structure matrices are compared.     

基于随机间距稀疏 Toeplitz 测量矩阵的压缩传感

选择合适的测量矩阵是压缩传感理论实用化的关键之一. 本文在Toeplitz矩阵独立元素中随机地引入零元,形成随机间距稀疏Toeplitz矩阵, 使得随机独立变元个数可以减少到原Toeplitz矩阵的1/2～1/16,甚至更少, 非零元个数同样大大减少,有利于数据传输和存储.模拟实验表明随机间距稀疏 Toeplitz矩阵在重建效果优于Gauss矩阵和原Toeplitz矩阵的同时,重建时间只有Gauss矩阵和一般Toeplitz矩阵重建时间的约15%～40%.     

基于亚高斯随机投影的图像重建方法

将亚高斯随机投影引入可压缩传感CS(compressed sensing)理论,给出了两种新类型的CS测量矩阵:稀疏投影矩阵和非常稀疏投影矩阵.利用亚高斯分布尾部的有界性,证明了这两种矩阵满足CS测量矩阵的必要条件.同时,进一步说明由于这两种矩阵构成元素的稀疏性可以简化图像重建过程中的投影计算,从而提高重建速度.实验结果表明新的测量矩阵均有较好的测量效果,在满足一定测量数目要求的条件下可以精确重建.最后给出了这两种矩阵与一般采用的高斯测量矩阵的重建结果比较和分析.     

Construction of compressed sensing matrices for signal processing

To cope with the huge expenditure associated with the fast growing sampling rate, compressed sensing (CS) is proposed as an effective technique of signal processing. In this paper, first, we construct a type of CS matrix to process signals based on singular linear spaces over finite fields. Second, we analyze two kinds of attributes of sensing matrices. One is the recovery performance corresponding to compressing and recovering signals. In particular, we apply two types of criteria, error-correcting pooling designs (PD) and restricted isometry property (RIP), to investigate this attribute. Another is the sparsity corresponding to storage and transmission signals. Third, in order to improve the ability associated with our matrices, we use an embedding approach to merge our binary matrices with some other matrices owing low coherence. At last, we compare our matrices with other existing ones via numerical simulations and the results show that ours outperform others.     

压缩感知基本理论:回顾与展望

随着信息社会的迅速发展,人们对数字信息的需求越来越大。同时,人们对信号的采样速率、传输速度和存储空间的要求也变得越来越高。如何在保持信号信息的同时尽可能地减少信号的采样数量?Candès在2006年的国际数学家大会上介绍了一种称为压缩感知的新颖信号采样理论,指出:只要远少于传统Nyquist采样定理所要求的采样数即可精确或高概率精确重建原始信号。围绕压缩感知的稀疏字典设计、测量矩阵设计、重建算法设计这3个核心问题,对其基本理论和主要方法进行了系统阐述,同时指出了压缩感知有待解决的若干理论问题与关键技术。     

Parallel computation of the eigenvalues of symmetric Toeplitz matrices through iterative methods

This paper presents a new procedure to compute many or all of the eigenvalues and eigenvectors of symmetric Toeplitz matrices. The key to this algorithm is the use of the “Shift–and–Invert” technique applied with iterative methods, which allows the computation of the eigenvalues close to a given real number (the “shift”). Given an interval containing all the desired eigenvalues, this large interval can be divided in small intervals. Then, the “Shift–and–Invert” version of an iterative method (Lanczos method, in this paper) can be applied to each subinterval. Since the extraction of the eigenvalues of each subinterval is independent from the other subintervals, this method is highly suitable for implementation in parallel computers. This technique has been adapted to symmetric Toeplitz problems, using the symmetry exploiting Lanczos process proposed by Voss [H. Voss, A symmetry exploiting Lanczos method for symmetric Toeplitz matrices, Numerical Algorithms 25 (2000) 377–385] and using fast solvers for the Toeplitz linear systems that must be solved in each Lanczos iteration. The method compares favourably with ScaLAPACK routines, specially when not all the spectrum must be computed.     

帐篷混沌序列稀疏测量矩阵构造

测量矩阵的构造是压缩感知(CS)中重要的研究内容之一.利用混沌系统伪随机性、遍历性的特点,提出了一种基于帐篷混沌序列构造确定性稀疏随机矩阵的方法.对混沌系统生成的确定性序列进行了间隔采样,采样后的序列满足统计独立性,然后通过符号函数映射,生成了具有稀疏性质的伪随机序列,进而构造出混沌稀疏测量矩阵.仿真实验表明:该方法构造出的混沌稀疏测量矩阵与高斯随机矩阵、稀疏随机矩阵及Bernoulli随机矩阵相比,具有类似的重构性能.混沌系统参数与初值固定时,构造的混沌稀疏测量矩阵是确定的,计算复杂度小且硬件上容易实现.     

A survey on distributed compressed sensing: theory and applications

The compressed sensing (CS) theory makes sample rate relate to signal structure and content. CS samples and compresses the signal with far below Nyquist sampling frequency simultaneously. However, CS only considers the intra-signal correlations, without taking the correlations of the multi-signals into account. Distributed compressed sensing (DCS) is an extension of CS that takes advantage of both the inter- and intra-signal correlations, which is wildly used as a powerful method for the multi-signals sensing and compression in many fields. In this paper, the characteristics and related works of DCS are reviewed. The framework of DCS is introduced. As DCS’s main portions, sparse representation, measurement matrix selection, and joint reconstruction are classified and summarized. The applications of DCS are also categorized and discussed. Finally, the conclusion remarks and the further research works are provided.     

彩色全息压缩重构

压缩全息搭起Gabor全息和压缩感知(Compressed sensing, CS)理论之间的桥梁, 特别适合从单帧二维全息测量数据中重建三维对象, 是一种新兴的三维重建技术. 本文将压缩全息方法从单波长情形推广到多波长, 提出一种基于三维总变分稀疏模型的改进彩色全息压缩成像方法, 建立多波长情形下的压缩测量模型. 该方法利用对象的稀疏先验知识, 从单帧二维彩色全息图中重建多波长三维对象, 有效地实现孪生像的抑制和多层切片相互之间的散焦图像对重建质量的影响. 数值实验结果验证了本文提出方法的有效性.