摘  要： 從測(cè)量矩陣和稀疏矩陣的互相關(guān)性角度出發(fā),，通過對(duì)測(cè)量矩陣和稀疏矩陣所構(gòu)成的Gram矩陣進(jìn)行門限選擇，進(jìn)而經(jīng)過相應(yīng)的縮放處理降低互相關(guān)性,，這樣不僅可以獲取更多有信息量的測(cè)量值,，而且可以完成對(duì)測(cè)量矩陣的優(yōu)化改進(jìn)。通過在DWT,、DCT下的壓縮感知圖像重構(gòu)實(shí)驗(yàn)驗(yàn)證了該方法的可行性,，恢復(fù)效果得到一定程度的提高，相比于傳統(tǒng)的小波恢復(fù)重構(gòu),，達(dá)到了預(yù)期的效果,。
關(guān)鍵詞： 壓縮感知；稀疏表示,；測(cè)量矩陣

　傳統(tǒng)理論指導(dǎo)下的信號(hào)處理首先遵循奈奎斯特/香農(nóng)采樣定理對(duì)信號(hào)進(jìn)行采樣,，再對(duì)采樣數(shù)據(jù)進(jìn)行某種變化（如DCT或DWT），將變化后幅值較大的系數(shù)進(jìn)行壓縮編碼,，舍棄幅值為零或接近零的系數(shù),，然后將編碼值進(jìn)行存儲(chǔ)或傳輸，最后在解碼端通過相應(yīng)的解壓縮算法恢復(fù)出原始數(shù)據(jù),。面對(duì)科技發(fā)展提出的更高要求,，科學(xué)家們就構(gòu)想，既然變化后的數(shù)據(jù)有些是被丟棄的,，為什么還要對(duì)它進(jìn)行采樣呢？是否可以直接采集那些需要的信息,？針對(duì)這些問題,，近年來，由DONOHO D,、CANDES E和TAO T等人提出了壓縮感知理論[1-2],，該理論指出，如果信號(hào)是可稀疏表示或可壓縮的,，就可以通過遠(yuǎn)少于奈奎斯特采樣率要求下數(shù)目的采樣值高概率地恢復(fù)出原始信號(hào),。本文在對(duì)矩陣的互相關(guān)性問題研究分析的基礎(chǔ)上進(jìn)行了優(yōu)化改進(jìn)，并通過實(shí)驗(yàn)?zāi)M進(jìn)行了有效的驗(yàn)證,。
1 壓縮感知的基本理論
　壓縮感知發(fā)展于信息論,，由于其具有高度信息挖掘的能力，在學(xué)術(shù)界和工程應(yīng)用領(lǐng)域受到了極大關(guān)注并表現(xiàn)出了強(qiáng)大的生命力,。壓縮感知是一個(gè)將采樣和壓縮合二為一的理論,，即在對(duì)數(shù)據(jù)采樣的同時(shí)完成了適當(dāng)?shù)膲嚎s工作,，該理論主要包括信號(hào)的稀疏表示、測(cè)量編碼和恢復(fù)重構(gòu),。




　圖2中的每個(gè)點(diǎn)顯示了基于多次實(shí)驗(yàn)的平均性能,，如期望的一樣，隨著測(cè)量值數(shù)目的增加,，恢復(fù)算法的性能效果得到了提升改善,，在某些測(cè)量點(diǎn)甚至有較大幅度的提高，從而驗(yàn)證了改進(jìn)算法的可行性,。下面就一維,、二維信號(hào)進(jìn)行具體的實(shí)驗(yàn)分析。
　針對(duì)一維信號(hào),，對(duì)測(cè)量矩陣做了相應(yīng)的優(yōu)化改進(jìn)工作,，實(shí)驗(yàn)結(jié)果如圖3所示。

　通過對(duì)二維圖像的恢復(fù)可以看出,，以峰值信噪比（PSNR）為考量依據(jù),，經(jīng)過優(yōu)化后的測(cè)量矩陣對(duì)于原始的恢復(fù)有8%左右的性能提高。通過對(duì)一維,、二維問題的實(shí)驗(yàn)可以得出：本文所述的對(duì)測(cè)量矩陣的優(yōu)化方法是可行的,，針對(duì)不同的信號(hào)和問題，參數(shù)的選擇會(huì)有些差別,。同樣將該理論應(yīng)用于壓縮感知的離散余弦變化（DCT）問題中,，恢復(fù)效果如圖5所示。

　從表1可以看出,，改進(jìn)后的結(jié)果比改進(jìn)前的結(jié)果有了一定的提高,，隨著測(cè)量值數(shù)目和迭代次數(shù)的增加，都取得了一定的改進(jìn),。
　本文主要闡述了壓縮感知的理論框架,，通過實(shí)驗(yàn)仿真說明了壓縮感知能夠突破傳統(tǒng)采樣定理的極限，能以更少的數(shù)據(jù)采樣點(diǎn)高概率地恢復(fù)原始信號(hào),，并通過對(duì)測(cè)量矩陣的優(yōu)化改進(jìn)提高了恢復(fù)效果,。實(shí)驗(yàn)中假設(shè)信號(hào)的稀疏度是已知的，如何處理未知稀疏度的信號(hào)也將是今后工作研究的重點(diǎn),。壓縮感知作為一門新生的理論,，目前還有很多問題并未解決，但是隨著研究的深入,，該理論將有更廣泛的應(yīng)用前景,。
參考文獻(xiàn)
[1] DONOHO D L. Compressed sensing[C]. IEEE Transactions on Information Theory，2006,，52（4）：1289-1306.
[2] CANDES E,， WAKIN M. An introduction to compressive sampling[C]. IEEE Signal Processing Magazine,，2008：21-30.
[3] CANDES E， ROMBERG J,， TAO T. Robust uncertainty principles： exact signal reconstruction from highly incomplete frequency information[C]. IEEE Transactions on Information Theory,，2006，52（2）：489-509.
[4] CANDES E J,， TAO T. Near optimal signal recovery from random projections： universal encoding strategies[C]. IEEE Transactions on Information Theory,， 2006，52（12）：5406-5425.
[5] ELAD M. Optimized projections for compressed sensing[C]. IEEE Transactions on Signal Processing,， 2007,，55（12）：5695-5702.
[6] TROPP J， GILBERT A. Signal recovery from random measurements via orthogonal matching pursuit[C]. Transactions on Information Theory,， 2007,，53（12）：4655-4666.