迭代硬阈值压缩感知重构算法——IIHT

研究了压缩感知信号重构算法的理论,针对迭代硬阈值(IHT)重构算法对测量矩阵的过分依赖、计算复杂度高、运算时间长的缺点,通过修订迭代硬阈值重构算法的代价函数和自适应地调整迭代步长的选取原则,设计了一种迭代硬阈值重构算法--IIHT。IIHT算法显著提高了信号精确重构的概率,降低了算法的计算复杂度,进一步减少了算法的运算时间,加快了算法的收敛速度。     

稀疏补分析子空间追踪算法

针对压缩感知理论的稀疏分析模型下的子空间追踪算法信号重构概率不高、重构性能不佳的缺点,研究了此模型下的稀疏补子空间追踪信号重构算法;通过选用随机紧支框架作为分析字典,设计了目标优化函数,改进优化了稀疏补取值方法,改进了算法迭代过程,实现了改进的稀疏补分析子空间追踪新算法(IASP).实验结果证明,所提算法的信号完全重构概率明显高于分析子空间跟踪(ASP)等5种算法的信号完全重构概率;对于含高斯噪声的信号,所提算法重构信号的整体平均峰值信噪比明显超过ASP等3种算法整体平均峰值信噪比(PSNR),但略低于贪婪分析追踪(GAP)等2种算法的整体平均峰值信噪比.所提算法可用于语音和图像信号处理等领域.     

基于冗余字典的联合稀疏同步迭代硬阈值算法

为了改进基于压缩感知(CS)的欠Nyquist采样系统在冗余字典条件下信号重构的效果,研究了基于ε-闭包的分块联合稀疏模型的同步迭代硬阈值(SIHT)算法。分析了采样系统基于多测量向量(MMV)的CS合成模型,提出了ε-闭包的分块相干性和约束等距特性(RIP)概念;在迭代过程中根据冗余字典分块相干性,对更新支撑集进行优选从而完成算法改进;给出了迭代收敛常数,并分析了改进型算法的收敛特性。仿真实验结果表明,相比传统算法,改进型算法在采样系统足够的通道数条件下重构成功率可达到100%,噪声抑制能力能够提高7 dB~9 dB,总运算时间可以降低至少37.9%,信号重构收敛速度更快。     

结合梯度投影稀疏重构和复数小波的图像重构

压缩感知主要包括随机投影和重构两部分。针对迭代收缩算法收敛速度较慢,普通二维小波变换缺少方向性表示的缺点,利用置乱离散余弦变换（PDCT）实现随机投影,重构时采用梯度投影算法,在简化计算的基础上,通过迭代的方式完善图像在双树复数小波域的变换系数,最后经反变换后得到重构图像。在同一重构算法下,比较了利用双树复数小波变换和双正交小波变换的重构结果,结果表明前者重构后的图像在细节和平滑度上优于后者,在峰值信噪比（PSNR）上平均高出约1.5 dB;同一稀疏域中,梯度投影算法的收敛速度优于迭代收缩算法;相同稀疏域和重构算法下,PDCT与结构随机矩阵相比在PSNR上略高。     

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。     

正交半迭代硬阈值（OSIHT）压缩感知重构算法

信号重构是压缩感知过程中的重要环节,迭代硬阈值（IHT）算法因具有较好的重构性能被广泛应用,但其收敛速度比较慢。近期提出的半迭代硬阈值算法（SIHT）虽然可实现快速收敛,但对测量矩阵的尺度缩放非常敏感,依赖性强,大大限制了其应用范围。受OMP对MP算法改进启发,对SIHT算法进行改进,提出了正交半迭代硬阈值（OSIHT）重构算法。该算法不仅取消了对测量矩阵的依赖性,还有效改善了图像重构质量,减少运行时间。     

基于LBI的二维复稀疏信号重建算法及应用研究

针对二维复稀疏信号重建时存在存储空间和计算复杂度增加的问题, 本文提出了一种快速并行重建二维复稀疏信号的并行线性Bregman迭代(Parallel fast linearized Bregman iteration, PFLBI)算法. 首先, 构建了二维复稀疏信号的结构模型以及PFLBI算法基本迭代格式; 其次, 通过变步长方式提高迭代收敛速度, 而每次迭代的步长则是通过估计中间变量的积累量突破收缩阈值需要的积累步数得到的; 再次, 对算法的性能指标进行了分析; 最后, 将该算法应用于逆合成孔径雷达(Inverse synthetic aperture radar, ISAR)成像. 实验结果表明该算法在重建性能和速度上具有优势.     

基于混合梯度的硬阈值追踪算法

针对压缩感知（CS）中迭代硬阈值类算法迭代次数多、重构时间长的问题,提出了一种基于混合梯度的硬阈值追踪（HGHTP）算法。首先,在每次迭代中计算当前迭代点处的梯度和共轭梯度,将梯度域与共轭梯度域下的支撑集混合取并集作为下一次迭代的候选支撑集,充分利用共轭梯度在支撑集选择策略中的有用信息,优化支撑集选择策略;然后,采用最小二乘法对候选支撑集进行二次筛选,快速精确地定位正确的支撑并更新稀疏系数。一维随机信号重构实验结果表明,HGHTP算法相较于同类迭代硬阈值算法,在保证重构成功率的前提下,需要的迭代次数更少。二维图像重构实验结果表明,HGHTP算法的重构精度和抗噪性能优于同类迭代阈值类算法,在保证重构精度的情况下,HGHTP算法的重构时间相比同类算法减少了32%以上。     

曲波域高斯混合尺度模型的图像压缩重构

压缩传感理论将信号的采样与压缩同时进行,利用信号在变换基上可以稀疏表示的先验知识,从比香农采样少的多的观测值中重构原始信号。近年来,两步迭代阈值算法作为一种求解反问题的优化方法,因其与多尺度几何分析存在紧密联系,且算法参数少,思想比较简单等特点,已经应用到了压缩重构中。但其使用时域的软硬阈值算子,不能获得很好的图像稀疏表示,从而使得算法重构精度不高。针对上述问题,本文在研究两步迭代阈值算法的基础上,提出了一种自适应的两步迭代阈值算法。该算法利用当前估计值提供的信息自适应估计步长参数,保证了估计值向最优解方向移动,提高了算法的重构精度,且针对其稀疏表示信号能力不足的缺点,运用高斯混合尺度模型对曲波邻域系数进行建模,充分利用曲波变换平移不变性和多方向选择性的优点,增加了图像表示的稀疏度。最后将其应用到图像压缩重构中,实验结果表明,该算法在峰值信噪比和主观视觉上都优于小波域高斯混合尺度模型和曲波硬阈值重构方法。     

一种基于块稀疏的1比特压缩感知重构算法

块稀疏信号作为一种典型的稀疏信号,在压缩感知重构算法中被广泛应用研究,但是普通的重构算法并不能挖掘其内部结构,这导致重构精度得不到提高。在此基础上,针对普通的1比特压缩感知重构算法在块稀疏信号的重构中不能表现出良好的重构性能的问题,提出了一种专门针对块稀疏信号的1比特压缩感知重构算法。该算法以每一个块为重构单元,在二进制迭代硬阈值算法模型下进行重构。实验数据表明,提出的BLOCK-BIHT算法的重构精度比BIHT算法提高了3dB。     

Compressive sensing reconstruction for compressible signal based on projection replacement

Compressive sensing can reconstruct compressible or sparse signal at the under-sampling rate. However small coefficients of the compressible signal with large number but low energy are hard to be reconstructed, while also infect the accuracy of the big coefficients. In this reason, for the compressive sensing algorithms such as orthogonal match pursuit (OMP) and tree-structed wavelet compressive sensing (TSW-CS), an assumed error is in the measurement model, which makes the reconstructed results not satisfy the original measurement model. Aiming at this problem, we propose the projection replacement (PR) algorithm by building the measurement space and its orthogonal complement space with singular value decomposition, and replacing the projection in measurement space of the reconstructed result with the pseudo-inverse one. The proposed PR algorithm eliminates the hypothetic measurement error in OMP and TSW-CS reconstructed model, and it guarantees theoretically that the PR results have a smaller error. Its effectiveness is verified experimentally with OMP and TSW-CS. The proposed algorithm serves as a good reconstruction algorithm for the CS-based applications such as image coding, super-resolution, video retrieval etc.     

自适应步长非局部全变分约束迭代图像重建算法

针对计算机断层成像（CT）系统中,全变分（TV）迭代约束模型易于产生阶梯效应以及不能很好地保存图像中精细结构的问题,提出一种自适应步长的非局部全变分（NLTV）约束迭代重建算法。考虑到NLTV模型能较好保存和恢复图像细节以及纹理的特点,首先将CT模型当成在满足投影数据的保真项的解集中寻找满足特定正则项即NLTV最小化的解约束优化模型;然后,使用代数重建（ART）算法和分离布雷格曼（SB）来确保重建结果满足数据保真项和正则化项的约束;最后,以自适应最速下降-投影到凸集（ASD-POCS）算法作为基础迭代框架来重建图像。实验结果表明,在不含噪声的稀疏重建条件下,提出的算法使用30个角度的投影数据已经可以重建出理想的结果。在含噪稀疏数据重建实验中,该算法在30次迭代时已得到接近最终收敛的结果,且均方根误差（RMSE）是ASD-POCS算法的2.5倍。该重建算法能在稀疏投影数据下重建出精确的结果图像,同时改善了TV迭代模型的细节重建能力,且对噪声有一定的抑制作用。     

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Log-Gabor和正交等度规映射的人脸识别

针对人脸识别中的特征提取问题,提出一种基于Log-Gabor和正交等度规映射(Orthogonal IsoProjection,OIsop)的人脸识别算法.算法首先采用Log-Gabor小波对图像进行滤波来提取高阶非线性统计信息.然后,在原始的优化问题中增加正交约束条件,推导出能得到一组具有正交性最优映射向量的迭代公式...     

基于局部线性相关的信号去噪方法

针对基于整体线性逆问题的信号去噪方法会导致信号去噪不充分以及严重丢失细节的问题,提出一种建立在局部线性相关基础上的信号去噪方法。该方法以带噪声信号与原始信号局部存在线性相关性为基础,首先利用信号局部具有相同的尺度系数与偏移量,构造信号匹配模型;然后以原始信号的1-范数构造正则项;最后利用快速收缩算法求解去噪模型,使收敛速度达到二阶收敛。实验结果表明,本文方法稳定性强、鲁棒性好,在去噪的同时较好的恢复了信号的高频分量。     

一种改进的FastICA ADS-B 1090ES信号分离技术

 针对多点定位技术中广播式自动相关监视(ADS-B)1090ES信号脉冲交叉重叠的问题,提出一种改进的三阶收敛的牛顿迭代快速固定点（Fast ICA）算法,通过对多个ADS-B辐射源混合信号进行分离,恢复和重建原始信号,实现对目标源信号的提取。比较基本Fast ICA算法与改进Fast ICA算法的收敛速度,通过计算相似系数矩阵,分析该算法的分离性能。最后,通过仿真实验,验证了该算法的可行性和有效性,实验结果表明该算法具有较好的分离效果,收敛速度更快。     

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。     

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。     

基于二次筛选的回溯广义正交匹配追踪算法的稀疏信号重构

压缩感知是一种新型的信号采样及重构理论,高效的信号重构算法是压缩感知由理论转向实际应用的枢纽。为了更精确地重构出原始稀疏信号,本文提出一种基于二次筛选的回溯广义正交匹配追踪算法。首先采用内积匹配准则选出较大数目的相关原子,提高原子的利用率。其次利用广义Jaccard系数准则对已选出的原子进行二次筛选,得到最匹配的原子,优化原子选取方式。实验结果表明,在不同稀疏度和观测值下进行信号重构,相比于回溯广义正交匹配追踪算法、正交匹配追踪算法及子空间追踪算法,本文算法在重构误差及重构成功率方面有较大的优越性。