压缩传感方位估计

信源方位估计是阵列信号处理的一个重要问题。基于信源空间分布稀疏的本质,利用压缩传感理论,构造出一种稀疏信源方位估计模型,仿真结果表明,在不考虑噪声的理想情况和满足压缩传感的条件下,不仅可以准确的恢复出原始信源的方位,而且精确的得到各个信源信号的强度,并且,这种新的模型只需要一次时间采样,从而大大降低了成本。     

基于压缩传感的太赫兹成像

介绍了一种基于压缩传感理论的THz 成像方式,该理论突破了传统奈奎斯特采样定律的限制,可以以远小于图像总像素数的少量测量值来恢复出原始图像,从而很大程度上缩短了成像时间、提高了内存资源的利用率。通过对该理论的分析可知,变换基、测量矩阵和重构算法是该理论的三个重要因素,通过一系列仿真试验,分别对不同的变换基、测量矩阵和重构算法作了对比,根据对比结果,得到了最适合于文中被成像物体的变换基、测量矩阵以及重构算法。最后,利用离轴抛面镜代替聚乙烯透镜搭建了成像系统,得到了初步的试验结果。     

压缩采样技术及其应用

如何降低宽带模拟信号数字化过程中的采样率,以及如何有效的对大量数据进行压缩存储一直是学者们关心的问题。该文综述了最近出现的一种新型信号处理方法压缩采样(Compressive Sampling, CS),也称压缩传感(Compressive Sensing)。该方法通过对稀疏信号进行观测而非采样,只需少量观测点就能精确的重构原始信号。结果表明新方法的观测频率可以远远低于奈奎斯特采样频率。该文除介绍其基本原理和主要实现方法外,同时列举了多种应用,并指出若干待研究的问题。     

压缩感知技术综述

压缩感知(Compressed Sensing或Compressed Sampling,Cs)理论突破了经典的奈奎斯特采样定理的极限,提出一种全新的采样理论,通过开发信号的稀疏特性,在远小于Nyquist采样率的条件下,用随机采样获取信号的离散样本,然后通过数值最优化问题精确重构出原始信号.本文综述了CS基本原理,介绍了信号稀疏表示、测量矩阵的设计和信号的重构算法等内容以及CS理论研究现状和在相关领域的应用.     

基于压缩传感的重构算法研究

传统的奈奎斯特采样定理规定采样率必须是频率带宽两倍,浪费大量采样资源.如果信号可以稀疏表示,那么可以采用压缩传感技术重构原始信号,压缩传感能在采样的同时对数据进行适当压缩,节省系统资源.现存的压缩传感重构算法对图像边缘和纹理的重构效果都不太理想,提出一种基于全变差的图像重构算法,该算法能稳定有效地重构图像的边缘和纹理.     

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。     

基于压缩传感的稀疏多径信道估计

可靠的无线通信通常需要准确地知道下层信道的信息,因此需要进行信道估计,通常是用一个已知的训练波形探测信道以及对信道的输入和输出进行线性处理来估计信道的冲激响应,而许多真实信道(如频率选择性衰落信道)表现为仅有一些相对较少的非零信道系数的稀疏多径信道,常见的估计方法是最小二乘法(LS),此法没有利用稀疏信道本身的低维度特...     

一种基于压缩传感和SART的图像重建迭代算法

滤波反投影算法已被广泛应用到CT图像重建领域,但由于算法需要大量的投影数据,会延长扫描时间和累积高剂量的辐射。为了降低辐射的剂量,文中提出一种基于压缩传感和联合代数重建方法 (SART)的迭代算法,将图像的梯度稀疏性与SART图像重建相结合,减小梯度图像的l1范数直至算法迭代结束。实验结果表明,文中算法能利用少量的投影数据准确地重建出图像,减少了由于投影数据不充分而造成的条状伪影。     

运用压缩传感理论的交通视频图像处理

目前图像的编解码都是运用传统的香农定理进行的,此定理要求采样频率要大于等于原始信号最高频率的两倍。在进行视频图像处理时,就产生了需要相当大的存储空间来存储获得的数据的问题。鉴于此,提出了运用压缩传感理论进行编解码的方法,它可在相同的压缩率下产生更少的压缩数据,进而可以节约存储空间和传输时间。首先进行了传统的信号获取和处理与压缩传感理论的比较,再对压缩传感理论进行了阐述,最后把压缩传感理论应用于交通视频图像处理中,获得了较好的效果,这也是压缩传感理论的一次尝试性的应用。     

放大同轴全息图压缩传感层析重建

文中对放大方式下同轴全息图压缩传感重建开展了实验研究,目的是实现分层物体放大方式下的同轴全息图的层析重建。首先,对同轴全息图压缩传感重建进行了理论介绍,并给出了实现步骤,包括全息图频域减采样模式、两步迭代算法流程等;其次,建立了点源放大同轴全息图记录实验系统和显微物镜放大同轴全息图记录实验系统,以双层样本为例开展了实验工作,所记录的同轴全息图基于压缩传感理论进行了层析重建,同时基于传统的卷积算法也进行了反衍射重建。实验结果表明:两种放大方式下获得的全息图,通过压缩传感层析重建技术能够实现物体的层析重建,并且比传统卷积反衍射重建具有更好的结果,显示了压缩传感层析重建的能力和优势。     

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。     

基于自适应压缩感知的信道估计算法

传统方法压缩感知算法截取训练序列最后未被数据干扰固定部分作为观测矩阵,该方法为了抵抗最差的信道而浪费了大量的可用观测数据。在此基础上提出了一种自适应压缩感知的信道估计算法,首先对训练序列进行自适应检测,得到整个未受干扰的观测矩阵,再用压缩感知算法计算信道估计。仿真结果表明,这种基于自适应压缩感知的信道估计算法大幅提高了信道估计的准确性。     

压缩感知中测量矩阵与重建算法的协同构造

本文提出基于感知字典的迭代硬阈值(SDIHT)算法,以此协同构造压缩感知中测量矩阵与重建算法.将成对测量矩阵与感知字典分别用于压缩投影和构造重建算法,重建迭代至残差为零,从而精确恢复原始稀疏信号.本文证明了SDIHT算法精确恢复原始稀疏信号的充分条件.SDIHT算法的优点是重建精度高和计算复杂度低.仿真实验表明,当信号稀疏度或测量次数相同时,相比IHT、OMP和BIHT算法,SDIHT算法重建0-1稀疏信号和二维图像效果更好、算法效率更高.     

基于自适应滤波的压缩感知重构方法

自适应滤波框架中,滤波器的抽头系数可以利用特定的自适应算法达到近似维纳解,从而使滤波器的输出误差达到最小.将这个框架应用到压缩感知重构信号中,信号的稀疏系数等效为滤波器系数权值向量,从而可获得最佳的稀疏系数,以高概率重构信号.本文介绍了已有学者研究出的一种L0最小均方算法(L0-LMS),该算法中引入零引力项加快了权矢量向稀疏解收敛的速度,保证解的稀疏性.通过仿真可知,基于自适应滤波算法重构稀疏信号的性能较好,甚至优于压缩感知中常用的OMP算法.     

基于遗传算法的零范数压缩感知图像重构方法研究

近年来由Donoho和Candes等人提出的压缩感知图像处理有效地解决了图像高速采样与压缩重构之间的瓶颈问题,使得采样与压缩同时进行,并有效利用采样所得到的数据,用于后期的图像重构中。目前文献中使用的重构算法很多,如最优l1范数法、匹配追踪等贪婪算法、迭代阈值法等,但这些方法都是次优化算法,没有从压缩感知最初需要解决的问题出发。在此给出的算法是从压缩感知重构的最初需要解决的问题出发,寻找一种能够解决最优l0范数的多峰优化问题的算法。实验结果也证明了该方法的可行性。     

基于压缩感知的多聚焦图像融合方法

随着压缩感知技术的发展,基于压缩感知的图像融合技术研究受到越来越多的重视。针对图像傅里叶变换系数特点,提出了一种双星采样模式下基于高低频重要性度量的压缩传感域图像融合算法。该算法首先通过双星采样模式获得测量值,然后计算高低频区域对应的重要性度量作为融合算子,并对测量进行加权融合,最后通过求解最小全变分优化问题重构融合图像。主客观实验结果表明,该算法优于其他基于傅里叶的方案。     

帧间自适应压缩感知算法在视频编码中的应用

阐述了压缩感知的理论框架,分析了视频信号帧间相关性特点,提出了一种帧间自适应压缩感知的视频编码算法.本方法中,利用视频差值信号的特点建立自适应感知模型,自适应的选择稀疏域和重构域对信号进行压缩感知恢复,在空域稀疏度较强的情况下选择空域作为稀疏域和重构域,在空域稀疏度较差的情况下选择小波域作为稀疏域和重构域.用测试视频进行了仿真分析,结果表明该算法能够取得较好的效果.     

基于压缩感知的稳健性说话人识别

阐述了在噪声条件下,将基于压缩感知理论的丢失数据重建技术应用于说话人识别系统的系统前端.首先使用Mel滤波器组将带噪语音信号转换成Mel频谱,然后利用带噪MeI谱中可靠数据重建不可靠数据,最后从重建的Mel频谱中提取Mel倒谱特征参数用于说话人识别.稳健性实验结果表明,该方法能够提高在噪声环境下说话人系统的识别率.     

压缩感知在稀疏信道估计中的应用

压缩感知( CS,Compressive Sensing)理论指出可以用低于奈奎斯特抽样定理的速率对稀疏信号进行采样并在收端以很高的概率重建信号,它是目前信号处理领域的研究热点.基于CS理论的信道估计会降低导频辅助信道估计的导频数量且估计性能好,介绍了CS的基本原理和信道估计相关内容,以及正交频分复用(OFDM,Ort...