壓縮傳感的測(cè)量矩陣與恢復(fù)算法研究.pdf_第1頁
已閱讀1頁,還剩110頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、本論文圍繞由Candès、Tao、Romberg、Donoho等近期提出的壓縮傳感(Compressing Sensing,CS)理論展開。與目前仍然在信息領(lǐng)域中占統(tǒng)治地位的Shannon/Nyquist定理不同,此理論將信號(hào)的采樣與壓縮同時(shí)進(jìn)行,使得在某基上有稀疏或壓縮表示的信號(hào)采樣比率大大降低,稀疏/可壓縮信號(hào)能從先前被認(rèn)為是高度不完整的測(cè)量(信息)中高概率恢復(fù)。雖然CS仍處于研究初期,但作為信號(hào)領(lǐng)域的一種新理論、新技術(shù),已被廣泛應(yīng)

2、用于信號(hào)與圖像處理等諸多領(lǐng)域。
   圍繞這個(gè)新興的理論,本文針對(duì)CS依賴的測(cè)量矩陣和重構(gòu)算法進(jìn)行了一些相關(guān)研究:(1)針對(duì)測(cè)量矩陣隨機(jī)元過多不利于物理實(shí)現(xiàn)的問題,提出稀疏帶狀和稀疏列矩陣,在保證重構(gòu)質(zhì)量的前提下將測(cè)量矩陣的獨(dú)立隨機(jī)元減少三分之一以上;(2)研究并梳理了CS理論的主要重構(gòu)算法,構(gòu)建了一個(gè)可進(jìn)行算法比較的平臺(tái);(3)針對(duì)迭代硬閾值算法迭代時(shí)間過長的問題,提出了基于回溯的迭代硬閾值算法,保證重構(gòu)質(zhì)量的同時(shí)重構(gòu)時(shí)間減少

3、了兩個(gè)數(shù)量級(jí);(4)將提出的測(cè)量矩陣和重構(gòu)算法應(yīng)用于二維大幅面圖像的重構(gòu),圖像信噪比和重構(gòu)時(shí)間均有一些改善。詳細(xì)的研究工作及成果如下:
   (1)針對(duì)壓縮傳感中的主要要素之一-測(cè)量矩陣,目前大部分的工作聚焦在高斯或貝努利隨機(jī)矩陣上。因?yàn)樽顑?yōu)的非相干可由完全隨機(jī)的測(cè)量矩陣獲得。然而,這樣的矩陣在硬件實(shí)現(xiàn)上代價(jià)太高,而隨機(jī)托普利茲和循環(huán)矩陣的運(yùn)用在保證信號(hào)重構(gòu)概率的基礎(chǔ)上,大大減少了測(cè)量矩陣必要的獨(dú)立隨機(jī)變?cè)獋€(gè)數(shù),易于硬件實(shí)現(xiàn)。本

4、章在此基礎(chǔ)上,提出稀疏帶狀和稀疏列的概念,形成稀疏帶狀隨機(jī)矩陣、托普利茲矩陣或循環(huán)矩陣以及稀疏列隨機(jī)矩陣、循環(huán)矩陣,隨機(jī)變?cè)獋€(gè)數(shù),在保證重構(gòu)質(zhì)量的前提下將測(cè)量矩陣的獨(dú)立隨機(jī)元減少三分之一以上;采用通用的模擬實(shí)驗(yàn)方法,驗(yàn)證所得此類稀疏矩陣的重構(gòu)效果及成功概率與隨機(jī)、托普利茲和循環(huán)矩陣相當(dāng)。
   (2)針對(duì)CS后端重構(gòu),總結(jié)了主要的l1-最小化算法和貪婪算法,包括MP、OMP、MBOOMP、ROMP、STOMP、IHT、CoSaM

5、P、SP、Bregman等迭代算法,構(gòu)建了一個(gè)可進(jìn)行算法比較的平臺(tái)。同時(shí),采用0-1組成的隨機(jī)信號(hào)進(jìn)行性能比較的模擬實(shí)驗(yàn),結(jié)果表明SP和CoSaMP算法的重建概率優(yōu)于其它算法。
   (3)針對(duì)壓縮傳感理論中迭代硬閾值算法迭代次數(shù)多和時(shí)間長的問題,提出基于回溯的迭代硬閾值算法。該算法通過加入回溯的思想,優(yōu)化了IHT算法迭代支撐的選擇,減少支撐被反復(fù)選擇的次數(shù)。模擬實(shí)驗(yàn)表明,在保證重構(gòu)質(zhì)量的前提下,相比較于IHT和NIHT算法,B

6、IHT算法的重構(gòu)時(shí)間降低了2個(gè)數(shù)量級(jí)。用本身稀疏的0-1隨機(jī)信號(hào)的重構(gòu)實(shí)驗(yàn)表明,若測(cè)量次數(shù)和稀疏度相同,BIHT算法的重構(gòu)概率高于IHT算法。
   (4)在提出的稀疏帶狀測(cè)量矩陣及BIHT重構(gòu)算法的基礎(chǔ)上,研究了二維圖像的重構(gòu)。當(dāng)二維圖像尺寸太大而難以重構(gòu)時(shí),本文采用稀疏帶狀測(cè)量矩陣矩陣以及按列逐步重構(gòu)圖像的方式,可使得測(cè)量矩陣獨(dú)立隨機(jī)元減少三分之一以上,矩陣維數(shù)等價(jià)于圖像列數(shù)。另外,還比較了本文提出的稀疏帶狀測(cè)量矩陣結(jié)合BI

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論