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.     

CoSaMP改进算法在信道估计中的应用

压缩采样匹配追踪CoSaMP(Compressive Sampling Matching Pursuit)算法作为压缩感知中信道估计比较具有代表性的算法之一,一直无法解决如何获取信道的稀疏度问题。为了解决该问题,提出一种利用峰值信噪比PSNR同迭代次数之间的关系而构造的一种改进算法。该算法可以自适应确定迭代次数,从而有效地提高CoSaMP算法的效率,增加了CoSaMP算法在实际信道估计中的可行性。     

基于压缩感知的CoSaMP算法自适应性改进

压缩感知重构算法在实际应用中需要预知信号稀疏度,而信号的稀疏度通常是未知的.为此,改进压缩采样匹配追踪(CoSaMP)算法的自适应性,提出一种稀疏度自适应贪婪算法.对信号稀疏度进行初始估计,结合SAMP算法思想,以残差值比对为终止条件,在CoSaMP算法框架下进行稀疏度逐步增大的递归运算,实现精确重构.仿真实验结果证明,该算法重构精度高、抗噪能力强,同时具备稀疏度自适应的特点.     

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。     

基于一次投影子空间追踪的压缩感知信号重构

为了降低信号重构算法的复杂度,实现对稀疏度未知信号的重构,提出了一种基于一次投影子空间追踪(OPSP)的信号重构方法。首先根据约束等距性质确定信号稀疏度的上下界,并将最接近上下界中值的整数作为稀疏度的估计值;然后在子空间追踪(SP)算法的框架下,去掉了迭代中观测向量在支撑集上的投影过程,降低了算法的复杂度。为了更准确地衡量算法的重构性能,提出用完整信号的重构概率作为衡量算法重构性能的指标。与传统的SP算法相比,所提算法可以重构稀疏度未知的信号,且重构时间短,重构概率高。仿真结果验证了该算法的有效性。     

基于稀疏度自适应化的DEM压缩采样与重构方法

地形数据量的日益增长迫切地需要高效的存储和传输策略。提出了一种基于稀疏度自适应化的DEM压缩采样与重构方法,并给出了方法具体的实现及详细流程。该方法首先利用小波变换对原始DEM进行稀疏处理,然后利用QR分解后的随机高斯矩阵对稀疏处理结果进行降维观测,实现DEM的压缩。最后针对CoSaMP算法必须提供稀疏度和重构时间长的缺点提出一种稀疏度自适应化的改进算法,利用改进的CoSaMP算法进行重构和小波反变换等步骤获得DEM的重构结果。在保证相似重构精度的前提下,提出的改进的CoSaMP算法与传统的CoSaMP算法相比,在实现稀疏度自适应化的同时有效地提高了收敛速度。仿真实验结果表明与JPEG2000方法相比,提出的方法实现了更高压缩比的数据压缩和高峰值信噪比的数据重构。     

一种基于变量约简的稀疏优化算法

压缩感知理论能够为处理大规模信号数据提供有效支持.压缩感知中信号的稀疏表示和稀疏重构问题本质是一个稀疏优化问题,该问题是要从满足欠定方程组约束的无穷多解中找到稀疏度最大的解.鉴于此,提出一种基于变量约简求解压缩感知中稀疏优化问题的算法(VRSO),变量约简从欠定方程组约束中挖掘出变量关系,将变量分为核心变量和约简变量并用核心变量表示约简变量,通过设置核心变量中元素为0,将求解整个变量解空间上的最小化问题简化为求解约简变量解空间上的最小化问题.所提出算法通过原子与观测信号的内积大小对核心变量集合进行迭代更新,并找出优化问题的1组稀疏解.实验结果表明,所提出算法的重构误差和稀疏度误差优于匹配追踪算法、正交匹配追踪算法、迭代硬阈值算法等5种所选的对比算法,所求解的信号精度更高、稀疏度更好.     

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。     

基于小波树模型的CoSaMP压缩感知算法

无线传感网络存在网络带宽限制和传感器节点的能耗问题,实际应用中通常希望可以通过重构算法从采集的少量数据中还原出原始信息,压缩感知理论为上述问题提供了一个解决思路。利用压缩感知理论,对无线传感器网络中温度传感器的监测信号进行了压缩感知的应用研究。针对传统压缩采样匹配追踪(CoSaMP)算法中测量次数多、重构精度低等问题,利用信号的小波系数所形成的连通树的结构特性,提出了基于小波树模型的压缩采样匹配追踪算法。将该算法应用到无线传感器网络监测信号的压缩感知仿真实验中,与传统压缩采样匹配追踪算法的重构性能进行比较,结果表明该算法较传统压缩采样匹配追踪算法在一定范围内对无线传感器网络中的温度信号具有更好的压缩感知性能。     

递减候选集正则化子空间追踪算法

为提高压缩感知子空间追踪算法的信号重建概率及精度,提出一种递减候选集正则化子空间追踪算法.该算法基于CoSaMP/SP算法并加以改进,将迭代过程分成若干个阶段,在每个阶段均采用类CoSaMP/SP算法进行迭代计算,但各阶段的候选集原子个数依次递减,同时按正则化方法选择新的候选集原子.实验仿真对比结果表明,与同类算法相比,所提出算法能够以更高概率重建信号,在噪声环境下也具有较高的重建精度.     

一种自适应正则化子空间追踪算法

针对压缩感知中未知稀疏度信号的重建问题,提出一种新的压缩感知的信号重建算法,即自适应正则化子空间追踪（Adaptive Regularized Subspace Pursuit,ARSP）算法,该算法将自适应思想、正则化思想与子空间追踪（Subspace Pursuit,SP）算法相结合,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,利用正则化过程实现支撑集的二次筛选,最终能实现信号的精确重构。仿真结果表明,该算法能够精确重构原始信号,重建效果优于SP算法、正则化正交匹配追踪（ROMP）算法、稀疏度自适应匹配追踪（SAMP）算法、压缩采样匹配追踪（CoSaMP）算法等。     

基于压缩感知改进算法的MIMO-OFDM稀疏信道估计

结合压缩感知理论（CS）,针对压缩采样匹配追踪算法在多输入多输出正交频分复用（MIMO_OFDM）系统信道估计应用中需要利用信号稀疏度的先验条件,而实际中稀疏度又难获得的情况,提出一种信号稀疏度自适应的压缩采样改进匹配追踪算法（CoMSaMP）。该算法采用具有理论支撑的原子弱选择标准作为预选方案,并设置首次裁剪阈值来减少算法多余的迭代,降低算法在信道估计中的复杂度,裁剪方式的改进保证了重构精度的提高,最终实现MIMO-OFDM稀疏信道估计中信号的稀疏度自适应。仿真结果表明：与原算法相比,该算法在同等信噪比条件下具有更优的信道估计性能,从而提高了频谱利用率,同时降低了复杂度,在稀疏度较高时,提出的算法具有更好的对噪声的抗干扰能力。     

Rapid real-time generation of super-resolution hyperspectral images through compressive sensing and GPU

Recently, compressive sensing (CS) has offered a new framework whereby a signal can be recovered from a small number of noisy non-adaptive samples. This is now an active area of research in many image-processing applications, especially super-resolution. CS algorithms are widely known to be computationally expensive. This paper studies a real time super-resolution reconstruction method based on the compressive sampling matching pursuit (CoSaMP) algorithm for hyperspectral images. CoSaMP is an iterative compressive sensing method based on the orthogonal matching pursuit (OMP). Multi-spectral images record enormous volumes of data that are required in practical modern remote-sensing applications. A proposed implementation based on the graphical processing unit (GPU) has been developed for CoSaMP using computed unified device architecture (CUDA) and the cuBLAS library. The CoSaMP algorithm is divided into interdependent parts with respect to complexity and potential for parallelization. The proposed implementation is evaluated in terms of reconstruction error for different state-of-the-art super-resolution methods. Various experiments were conducted using real hyperspectral images collected by Earth Observing-1 (EO-1), and experimental results demonstrate the speeding up of the proposed GPU implementation and compare it to the sequential CPU implementation and state-of-the-art techniques. The speeding up of the GPU-based implementation is up to approximately 70 times faster than the corresponding optimized CPU.     

基于改进CoSaMP算法的图像重建

重构算法是压缩感知的核心技术之一,直接决定着压缩感知能否可以在实际系统中进行应用。为提高压缩感知的重构精度同时缩短处理时间,本文引进加权与矩阵分块技术,与压缩采样匹配追踪(Compressive Sampling Matching Pursuit, CoSaMP)算法相结合,使原始算法更加完善。仿真结果表明,当稀疏条件同等的情况下进行重构,改进的算法与原始算法相比重构质量有所提高。     

用于图像重构的基于行间支撑集相似度的CoSaMP算法

压缩采样匹配追踪(CoSaMP)算法的性能受初始支撑集选择的制约,初始支撑集选择不准确不仅影响重构精度,还会降低重构速度。针对该问题,将图像在稀疏域的结构特性引入到CoSaMP算法中,提出了支撑集相似度的概念;利用数字图像相邻行之间原子支撑集的相似性,提出了基于行间支撑集相似度的CoSaMP算法。实验结果表明,在同等采样率的条件下, 与传统的CoSaMP算法相比,所提算法在不增加算法时间复杂度的同时提高了重构质量 ,峰值信噪比提高了0.6~2.5dB。