基于稀疏表示分步重构算法的高光谱目标检测

针对传统稀疏表示重构算法在高光谱目标检测中表现出运算速度慢的问题,提出了分步重构算法（Two Steps Reconstruction,TSR）。该方法先求得 K 个与待测像元最相似的字典原子,然后用这些原子线性表示待测像元以求解稀疏向量,舍弃了传统重构算法的迭代求解的方式,直接通过求解逆矩阵,简化了运算过程,使运算速度大幅提高。本文给出了方法的具体过程并将其与传统方法及其改进方法进行比较。实验结果表明,TSR 在保证检测精度不下降的同时能够大幅提升运算速度。     

基于过完备字典稀疏表示的多通道脑电信号压缩感知联合重构

该文基于多通道脑电信号时空特性构建非正交变换过完备字典,准确稀疏表示蕴含时空相关性信息的多通道脑电信号,提高基于时空稀疏贝叶斯学习模型的多通道脑电信号压缩感知联合重构算法性能。实验选用eegmmidb脑电数据库的多通道脑电信号验证所提算法有效性。结果表明,基于过完备字典稀疏表示的多通道脑电信号,能够为多通道脑电信号压缩感知重构算法提供更多的时空相关性信息,比传统多通道脑电信号压缩感知重构算法所得的信噪比值提高近12 dB,重构时间减少0.75 s,显著提高多通道脑电信号联合重构性能。     

基于局部敏感自调制字典的压缩感知矿井图像重构

本文针对现存的稀疏字典学习模型存在的计算负担重、训练速度慢、需要大量训练样本等问题,基于压缩感知和字典学习理论,提出了一种局部敏感自调制字典学习模型。该模型使用分块图像的压缩感知测量学习字典,加入局部约束条件,保证字典稀疏表示图像的能力,且能够快速得到解析解。实验结果表明,本文模型学得的字典相比其他字典,在矿井图像重构上体现了较好的优越性,重构的矿井图像保留了较真实的非平滑的结构特征,并且具有较好的鲁棒性,可以达到矿井图像自适应重构的目的。     

基于压缩感知的高光谱遥感影像重构方法研究

高光谱遥感影像包含丰富的空间、辐射以及光谱信息,同时海量的数据也引发了高光谱成像技术在传输和存储方面的诸多问题。针对这一问题,根据高光谱遥感影像谱间相关性强的特性,提出了一种结合谱间多向预测的基于压缩感知的高光谱遥感影像重构方法。首先,根据高光谱遥感影像的谱间相关性对高光谱遥感影像的波段进行分组,每组确定一个参考波段,使用平滑l_0范数算法重构每组的参考波段。其次,根据重构恢复的相邻组内的参考波段,建立了一个非参考波段预测模型,用来计算非参考波段的预测测量值;然后,计算实际测量值与预测测量值的差值,使用SL0算法重构该差值得到差值向量;最后,利用得到的差值向量迭代更新预测测量值,直到恢复该波段原始图像。仿真实验结果表明,该方法提高了高光谱遥感影像的重构效果。     

基于压缩感知的信号重构研究

按照Nyquist采样定理,信号的采样率必须为信号最高频率的2倍以上,这会产生大量的冗余数据。压缩感知是一种新兴的采样理论,对于可以稀疏表示的信号,它能够以远低于Nyquist采样速率对信号进行采样,并通过优化算法实现重构。介绍了压缩感知的基本理论,并分别选取时域稀疏、频域稀疏和图像信号进行了仿真分析,实验结果显示,压缩感知理论能较好的重构原始信号。     

压缩感知信号盲稀疏度重构算法

研究压缩感知信号重构算法,提出了一种不需要精确知道信号稀疏度的先验知识,就能重构出目标信号的盲稀疏度迭代贪婪跟踪重构新算法.采用分段的方法来逐段估计、扩充目标信号的真实支撑域,并应用后向追踪思想,自适应地调整候选序列,以便每一次迭代时更加精确地估计真正的支撑域.理论分析与实验证明,算法性能超过了现有的迭代贪婪跟踪重构算...     

压缩感知理论及重构算法性能分析

压缩感知是近年来信号处理领域新诞生的一种新的信号处理理论,文中详述了压缩感知的基本理论,主要围绕着信号的稀疏表示、观测矩阵和信号重构算法三个方面对压缩感知进行基本介绍,并对几种典型的信号重构算法(OMP、GPRS、SLO)进行仿真分析。     

基于谱间结构相似先验的高光谱压缩感知重构

在高光谱压缩感知重构中,充分利用图像的先验信息能有效提升算法的重构精度。现有重构算法均未考虑高光谱图像的谱间结构冗余信息,该文提出一种基于谱间结构相似先验的高光谱压缩感知重构方法。该方法通过谱间结构冗余定义高光谱结构图像,以结构图像为基础,设计一个压缩感知重构正则项,再结合高光谱图像的空间相关性和谱间统计相关性,提出一种新的压缩感知高光谱图像联合重构方案,并设计一种基于变量拆分的有效的求解算法。实验表明,在相同观测值数目下,该文算法的重构质量明显优于现有算法。     

基于主成分分析的压缩感知重构算法

针对实际信号稀疏性与压缩感知框架要求之间的矛盾,基于主成分分析充分挖掘信号的稀疏性,利用压缩感知降低观测数量。提出主成分追踪算法,准确恢复原信号。理论分析和实验表明,基于主成分分析的压缩感知能将信号稀疏度充分挖掘,在节省九成采样资源的前提下,主成分追踪算法最终的重构结果仍然能够达到重构信噪比20 d B的水平。     

基于压缩感知稀疏信号重建的迭代硬阀值算法

Nyquist采样速率条件下的信号采样,采样系统表现良好并且信号可以被稀疏向量近似表示时,信号可以被有效而精确地重构。针对无噪声信号,利用确定的稀疏基和随机的观测矩阵,研究迭代硬阀值算法的有效性。若观测矩阵满足有限等距性质（RIP）,且稀疏基与随机观测矩阵不相干时,通过该算法,原始信号的稀疏投影可以被高概率重构。最后,利用哈达码正交矩阵作为稀疏基,高斯随机矩阵作为观测矩阵,对原始信号的稀疏投影进行重构,结果验证了该算法的有效性。     

Convolutional sparse coding framework for compressive spectral imaging

Spectral images (SI) can be represented as 3D-arrays of spatial information across multiple wavelengths. Compressive Spectral Imaging (CSI) reduces sensing costs by sensing compressed versions of the scene, recovering a suitable version of the original SI solving a sparsity-inducing inverse problem. On the other hand, Convolutional Sparse Coding (CSC) has been successfully proved for representing gray-scale images, however it misses any correlation between images. This work considers the spatial-spectral correlation within SIs introducing an extension of the CSC signal model describing the SI as the sum of convolutions of 3D sparse coefficient maps with their respective 3D dictionary filters. Furthermore, we use the proposed CSC framework for recovering SIs from CSI measurements. The simulations results, using two different CSI acquisition architectures, show that the proposed CSC framework yields better representations of the SIs than those obtained under the traditional sparse signal representation approach, improving the quality of the recovered SIs.     

基于双频带预测的高光谱压缩感知重构算法

为改善高光谱压缩感知的重构质量,提出基于双频带预测的高光谱重构算法。引入K均值聚类算法自适应地完成频带分组,并确定各组组内的双参考频带;再建立双频带预测模型获得预测图像;最后,在预测图像的基础上采用修正重构和加权融合方式,实现图像的高精确度重构。结果表明：在相同采样率下,该方法的重构图像的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于已有的重构方法。     

基于压缩传感的光子计数成像系统

提出了一种基于压缩传感理论的光子计数成像系统。该系统以单光子计数器作为探测元件,以期在面元探测技术不甚成熟的现状下用点探测器进行极弱光探测。通过计算机模拟计算,验证了压缩传感理论结合单光子计数器应用于极弱光成像的可行性,讨论了单光子计数器的暗计数率、量子效率和测量噪声对成像质量的影响。介绍了压缩传感理论,为了获得更好的图像质量和更快的计算速度,提出了SpaRSA-DWT稀疏重建算法,并与传统的IWT算法进行对比。给出了两种算法下,迭代次数、测量数、噪声功率分别与获得图像信噪比的关系曲线,证明了SpaRSA-DWT算法的优越性。     

Bayesian compressive sensing for cluster structured sparse signals

In traditional framework of compressive sensing (CS), only sparse prior on the property of signals in time or frequency domain is adopted to guarantee the exact inverse recovery. Other than sparse prior, structures on the sparse pattern of the signal have also been used as an additional prior, called model-based compressive sensing, such as clustered structure and tree structure on wavelet coefficients. In this paper, the cluster structured sparse signals are investigated. Under the framework of Bayesian compressive sensing, a hierarchical Bayesian model is employed to model both the sparse prior and cluster prior, then Markov Chain Monte Carlo (MCMC) sampling is implemented for the inference. Unlike the state-of-the-art algorithms which are also taking into account the cluster prior, the proposed algorithm solves the inverse problem automatically—prior information on the number of clusters and the size of each cluster is unknown. The experimental results show that the proposed algorithm outperforms many state-of-the-art algorithms.     

基于压缩感知的实时目标追踪算法

提出了一种高效的基于压缩感知的实时目标追踪算法,该算法将空域数据转换到小波域,然后利用变密度采样矩阵对小波域数据进行压缩,从而极大地降低了数据量。在稀疏重建上,将St-OMP算法代替OMP算法以提高稀疏重建的速度。在多种具有挑战性的视频序列上进行实验,结果表明该算法提高了追踪准确度和速度。     

一种新的基于压缩感知理论的稀疏信号重构算法

针对基于l1范数优化的稀疏信号重构算法需要的观测样本数较多,本文以lp范数最小化为目标,结合传统的罚函数(PF)优化思想,给出了基于PF的lp范数迭代重构算法,需要的观测样本数大大低于基于l1范数的优化计算需求,并通过数值实验表明该算法对稀疏信号具有较优的重构效果.     

离散余弦变换和全息技术相融合的图像压缩感知重构

为了获得理想的图像重构效果,提出一种基于离散余弦变换和全息技术相融合的图像重构算法。首先采用离散余弦变换对图像进行分解保留少数的低频分量,从而构建压缩感知的稀疏基加快重构速度,然后采用全息技术对图像重构结果进行处理,提高图像重构效果,最后采用仿真实验测试算法的性能。实验结果表明,相对于当前经典图像重构算法,本文算法不仅提高了图像重构质量,而且加快了图像重构速度,具有较好的实际应用价值。