记忆梯度追踪压缩感知图像重构

目的：重构算法是压缩感知理论的关键问题之一,为了减少压缩感知方向追踪算法重建时间,并确保相对较高的重建精度,提出了一种非单调记忆梯度追踪（memory gradient pursuit,MGP）重构信号处理算法。方法：该算法建立在方向追踪框架下,采用正则化正交匹配策略实现了原子集的快速有效选择,对所选原子集利用非单调线性搜索准则确定步长,用记忆梯度算法计算更新方向,从而得到稀疏信号估计值。结果：该算法充分利用记忆梯度算法在Armijo线搜索下全局收敛性快速稳定的优点避免收敛到局部最优解,提升收敛效率。提出的MGP算法运行时间上比近似共轭梯度追踪算法缩短30%,可以精确重构一维信号和二维图像信号。结论：实验结果表明,该算法兼顾了效率和重建精度,有效提高信号重建性能,在相同测试条件下优于其他同类的重构算法。     

基于压缩感知CoSaMP算法的精确重构

为有效解决压缩采样匹配追踪(Compressive Sampling Matching Pursuit, CoSaMP)算法对稀疏度K值的依赖问题,提高重构精度,提出了一种根据峰值信噪比增减变化趋势来确定最佳迭代次数的CoSaMP改进算法。先将PSNR算式进行数学推导演变,将算式中未知的原始信号巧妙转换为已知信号,并证明了此转换式与PSNR算式有相同增减性,在迭代过程中基于此转换式可根据各列稀疏度的不同,自适应的确定不同列的最佳迭代次数,从而保证更高的重构精度。理论分析和实验仿真表明,改进的CoSaMP算法比原有算法有更理想的重构效果,与其它重构算法相比有更高的重构成功率,并且更具高效性和实用性。     

基于改进SP算法的压缩感知图像重构

针对压缩感知子空间追踪SP(subspace pursuit)算法必须以信号稀疏度为先验知识,而现实中图像稀疏度未知这一问题,提出改进SP算法MSP(modified subspace pursuit)。首先对信号的稀疏度进行自适应估计,其次在迭代过程中,通过给定的步长因子对稀疏度进行更新,使之逐渐逼近正确子空间,当重构误差小于阈值时,停止迭代,实现稀疏信号的重构。重构图像表明:MSP算法在运算时间和重构精度上均优于其他同类算法,实现了图像的快速精确重构。     

基于自然计算的压缩感知图像重构

由于进化算法的初始种群都是随机初始的,这样使得问题找到最优解会花费很多的时间,如果能在初始种群时使用某种先验或用其他方法进行初始,将会使得问题以很快的速度接近全局最优解,而且重构结果会更逼近真实解.论文将从对初始种群的研究中着手,提出我们的算法并显示实验的可行性以及优越性.     

基于奇异值分解的压缩感知核磁共振图像重构算法

针对传统压缩感知在核磁共振成像中存在着重构算法慢、成像时间长的缺点,利用核磁共振图像自身非满秩的特点,在压缩感知框架下以奇异值分解作为基底对图像稀疏表示进行了研究,并对重构算法进行了优化。实验结果表明,提出的奇异值方法在重构效果上能达到与小波稀疏变换法相近的峰值性噪比,且能有效缩短图像重构时间,达到加速核磁共振成像的目的。     

光滑lp范数压缩感知图像重构优化算法

针对已有压缩感知重构算法重构精度不高、消耗时间长的问题,在研究[lp]范数和光滑[l0]范数压缩感知重构算法的基础上提出改进算法。通过极大熵函数构造一种光滑函数来逼近最小[lp] 范数,对解序列进行离散化来近似最小[lp]范数的最优解,结合图像分块压缩感知技术（BCS）,在MATLAB中对测试图像进行仿真实验。结果表明,与传统的BOMP（Block Orthogonal Matching Pursuit）算法和IRLS（Iteratively Reweighted Least Squares）算法相比,改进后的算法不仅提高了重构精度,而且大大降低运行时间。     

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。     

基于分块CS的梯度追踪算法在重构中的应用

为了解决现有压缩感知图像重构算法中对大规模数据处理复杂度高且计算量大和存储量较大的问题,分别介绍了梯度追踪算法、拟牛顿法和限域拟牛顿法的核心思想并对以上算法的优缺点进行了分析。在分块压缩感知理论的基础上,对梯度追踪(Gradient Pursuit, GP)算法进行改进,通过L-BFGS算法寻找梯度追踪算法中的更新方向并不断修正,将其运用到分块压缩感知的图像重构中,形成了基于L-BFGS方法的GP算法(L-BFGS Method based on GP algorithm, LMGP)。通过对分块后的图像进行单独处理,既避免了牛顿算法中需要进行Hesse矩阵的计算,降低了计算量和复杂度,节省了重构时间,也大大提高了重构效果。该文还对提出的LMGP算法的收敛性进行了分析,并通过LMGP算法对标准图像和一般图像分别进行了重构。仿真实验表明,提出的LMGP算法在重构时间、均方误差及峰值信噪比三个方面均优于其他传统的贪婪算法,说明LMGP算法的重构性能更具有优势。     

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。     

压缩感知重构匹配类算法分析

压缩感知理论是一种利用信号的稀疏性或可压缩性而把采样与压缩融为一体的新理论体系,它成功地克服了传统理论中采样数据量大、资源浪费严重等问题。该理论的研究方向主要包括信号的稀疏表示、测量矩阵的设计和信号的重构算法。其中信号的重构算法是该理论中的关键部分,也是近年来研究的热点。本文主要对匹配追踪类重构算法作了详细介绍,并通过仿真实验结果对这些算法进行了对比和分析。     

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.     

图像压缩感知的双收缩快速迭代算法

针对传统图像压缩感知重构算法重构质量差及时间复杂度大的问题,提出一种双收缩快速迭代算法.通过引入阈值和正则化参数的双收缩,逐步迭代恢复图像信号,以加快收敛速度,改善重构质量.仿真结果表明,与传统阈值迭代算法相比,该算法重构图像的峰值信噪比较高,在低采样率下运行时间较少.     

基于谱投影梯度追踪的压缩感知重建算法

为了改进方向追踪法的重建精度和算法效率, 提出了一种基于谱投影梯度(Spectral projected gradient, SPG)追踪的压缩感知(Compressed sensing, CS) 重建算法. 该算法采用方向追踪法框架, 运用谱投影梯度方法计算更新方向和步长, 引进非单调线性搜索策略使算法避免收敛至局部最优解. 实验结果证明了该算法的有效性, 通过设定合适的阈值参数可以取得重建精度和算法效率之间的平衡.     

视觉传感网中基于二次规划的图像压缩感知

为降低视觉传感网络中图像压缩感知算法的计算复杂度,提出一种基于二次规划的网络图像恢复算法。该算法将压缩感知重构中的欠定线性方程组求解问题,转化为有界约束二次规划问题,在此基础上结合阿米霍步长准则,设计一种压缩感知图像恢复算法,通过求解二次规划问题对网络图像数据进行恢复。理论分析和仿真结果表明,与传统图像压缩感知算法相比,该算法可减少约1/3的图像数据恢复运算时间,且图像重构质量提高3 dB~6 dB,有效提高了视觉传感器网络图像恢复算法的实时性。     

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.     

基于小波变换的图像压缩感知

针对图像变换后系数采样数量和图像重建质量之间的矛盾,从图像的结构和纹理特性出发,提出基于小波变换的图像压缩感知算法.讨论图像经过多尺度小波变换后系数的稀疏性,保留图像变换后的低频系数,只对高频系数进行测量,同时利用正交匹配追踪算法重构高频系数.实验仿真结果表明,该算法能有效提高图像重建质量.     

基于变步长的正则回溯SAMP压缩感知重构算法

稀疏度自适应正则回溯匹配追踪算法（SAMP algorithm based on Regularized Backtracking ,SAMP-RB）是一种有效的压缩感知重构算法,在原子选择阶段引入回溯的思想,提高了重构精度,减少了重构时间。但SAMP-RB算法重构时采用步长不变的思想,容易因步长设置不合理而导致过估计或欠估计的问题。针对该问题,本文为提高残差大时的逼近速度,及残差小时的逼近精度,提出抛物线函数步长选择方法,并将其引入SAMP-RB算法。理论分析与仿真结果表明,改进后的变步长的正则回溯稀疏度自适应匹配追踪算法在提高重构精度的同时,重构时间降低了20%左右,因此验证了改进算法的有效性。     

基于压缩感知理论的图像压缩技术研究

压缩感知理论是近年来信号处理领域诞生的一种新的信号处理理论。相较于传统的奈奎斯特采样定率,压缩感知理论采样数据量少,节省了后续处理时间和存储空间,这使其在信号处理领域有着广阔的应用前景。首先讨论了应用压缩感知理论的三个关键问题:信号稀疏表示、随机测量矩阵设计、信号重构算法,初步研究了压缩感知理论在图像压缩技术中的应用,给出了在不同压缩率下的重构图像和PSNR。计算机模拟结果表明了理论的可行性。     

基于Contourlet变换的图像压缩感知重构

根据图像信号在Contourlet变换域的稀疏特性,分析Contourlet变换的基本原理,提出一种基于Contourlet变换的压缩感知重构方法。针对Contourlet变换的基函数并不严格规范正交、无法构造正交变换矩阵的问题,采用改进梯度投影算法恢复稀疏处理后的系数,在保证图像质量的情况下,实现图像的低速率重构。实验结果表明,该算法的鲁棒性较好。     

基于PCA特征基压缩传感算法的人脸识别

针对人脸识别对遮挡、表情和光照的鲁棒性问题,提出基于PCA特征基压缩传感算法的人脸识别方法。利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩传感算法的超完备基。通过求解最小化l1范数,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别。实验结果表明,该方法在较低的人脸特征维数下具有较高的人脸识别率,能有效提高人脸识别对遮挡、表情和光照的鲁棒性。