摘 要: 壓縮感知打破了傳統(tǒng)采樣定理的限制,,提供了一種從少量的非自適應(yīng)線性測量值中就能恢復(fù)原始信號的方法,。測量矩陣正是獲取這些測量值的關(guān)鍵所在,尋求結(jié)構(gòu)簡單,、性能穩(wěn)定的測量矩陣一直是研究人員的目標。在介紹壓縮感知測量矩陣的基礎(chǔ)上,,提出了廣義輪換矩陣的改進方法,,結(jié)合正交基線性表示的思想,利用廣義輪換構(gòu)造的正交矩陣來生成新的測量矩陣,。通過仿真實驗,,證明了新的測量矩陣具有較好的性能。
關(guān)鍵詞: 壓縮感知,;稀疏信號,;測量矩陣;廣義輪換矩陣,;正交基
2004年,,Donoho D[1]和Candès E[2]等人在泛函分析和逼近論的基礎(chǔ)上,結(jié)合信號稀疏表示理論提出了一個全新的信號采樣理論,,即壓縮感知CS(Compressed Sensing)[1-2],。與傳統(tǒng)的Nyquist采樣定律不同,壓縮感知同時完成了對信號的采樣和壓縮,,在信號的采樣階段就很好地避免了大量冗余數(shù)據(jù)的產(chǎn)生,。壓縮感知一經(jīng)提出,就引起人們的廣泛關(guān)注,,在信息技術(shù)飛速發(fā)展的今天,,有著廣闊的發(fā)展前景。在壓縮感知理論中,,信號的采樣速率不再取決于信號的帶寬,,而是取決于信號本身的結(jié)構(gòu)和特性(稱為稀疏性,或可壓縮性),。其核心思想是:當(dāng)信號具有稀疏性或可壓縮性時,,就可以通過一個非自適應(yīng)的線性測量過程將原信號映射到低維空間,得到少量的測量值,,然后通過求解一個稀疏最優(yōu)化問題就可以恢復(fù)原始信號,。
總地來說,壓縮感知過程包括3個主要問題:信號的稀疏表示,、信號的線性測量和信號的重建,。本文主要研究信號的線性測量,,并介紹壓縮感知測量矩陣。
(1)隨機測量矩陣:如高斯矩陣[1,,4],、貝努利矩陣[4]等。隨機矩陣可以用較少的采樣值獲得精確的重建,,但是隨機測量矩陣自身存在的不確定性會給矩陣存儲和硬件實現(xiàn)帶來困難,,也會造成仿真實驗的不確定性。
(2)確定性測量矩陣:如多項式測量矩陣[5]等,。相比隨機測量矩陣,,確定性測量矩陣可以節(jié)省存儲空間,易于硬件實現(xiàn),,也更易于設(shè)計快速算法,,但是其重建效果較差,精確重建需要的測量值較多,。
(3)部分隨機測量矩陣:如部分正交矩陣[6],、部分哈達瑪矩陣[4]、托普利茲和輪換矩陣[7]等,。部分隨機矩陣既有部分的隨機性,,又兼具一定的確定性,性能較好,,硬件實現(xiàn)也相對容易,。
3 仿真實驗和結(jié)果
為了驗證構(gòu)造的新測量矩陣的性能,采用Matlab圖像庫中提供的標準256×256 Lena圖像進行仿真實驗,。首先利用小波變換對原圖像進行稀疏化處理,,然后分別選用新矩陣、部分哈達瑪,、托普利茲,、廣義輪換、部分正交等測量矩陣對稀疏化后的圖像進行測量,,最后采用OMP[10]重建算法對壓縮后的圖像信號進行恢復(fù),,得到恢復(fù)圖像。針對壓縮比M/N≤0.5的情況,,得到圖1所示的峰值信噪比(PSNR)性能比較圖,。
由實驗結(jié)果可以看出,廣義輪換矩陣的性能要優(yōu)于其他測量矩陣,,而因為新的測量矩陣是由廣義輪換矩陣改進了向量原子后得到的,,所以針對不同的壓縮比,新矩陣的性能變化曲線與廣義輪換矩陣相似,但整體性能要比廣義輪換矩陣高出3 dB左右,。在壓縮比較小時,,新矩陣相比于其他測量矩陣具有更突出的優(yōu)勢,驗證了確定數(shù)+高斯隨機數(shù)的偽隨機數(shù)更適合這種壓縮比較小的情況,。整體而言,,對于壓縮比M/N≤0.5的情況,新的測量矩陣在和其他部分測量矩陣的對比中表現(xiàn)出了更好的性能,。
圖2給出了256×256 Lena圖像的原始圖像和利用新的測量矩陣測量后恢復(fù)的圖像,,此處選擇壓縮比M/N=0.5,此時的峰值信噪比PSNR達到了30.28,。
本文旨在研究壓縮感知中的測量矩陣,,改進了廣義輪換矩陣的向量原子,結(jié)合正交基線性表示的構(gòu)造方法,,提出用確定數(shù)+隨機數(shù)的偽隨機數(shù)作為正交基系數(shù),構(gòu)造了新的測量矩陣——基于正交基線性表示的二進制生成矩陣,。首先,,改進廣義輪換矩陣向量原子,采用二進制1和0交替的向量原子,,矩陣更稀疏,,硬件實現(xiàn)更簡單;然后,,結(jié)合正交基線性表示的思想,,將廣義輪換構(gòu)造的正交矩陣作為正交基,針對M/N≤0.5的情況,,提出采用確定數(shù)+隨機數(shù)組合的偽隨機數(shù)作為線性系數(shù),,構(gòu)造出新的測量矩陣。選擇二維圖像數(shù)據(jù)進行仿真實驗,,應(yīng)用不同測量矩陣進行對比,,實驗結(jié)果顯示新的測量矩陣擁有更好的性能。
參考文獻
[1] DONOHO D.Compressed sensing[J].IEEE Transaction on Information Theory,,2006,,52(4):1289-1306.
[2] CANDES E.Compressive sampling[A].Proceedings of the international congress of mathematicians[C].Madrid,Spain,,2006:1433-1452.
[3] CANDES E,,ROMBERG J,TAO T.Robust uncertainty principles:exact signal reconstruction from highly incomplete frequency information[J].IEEE Transaction on Information Theory,,2006,,52(2):489-509.
[4] DONOHO D,TSAIG Y.Extensions of compressed sensing[J]. Signal Processing,2006,,86(3):533-548.
[5] DEVORE R.Deterministic constructions of compressed sensing matrices[J].Journal of Complexity,,2007,23(4-6):918-925.
[6] CANDES E,,TAO T.Near optimal signal recovery from random projections:universal encoding strategies[J].IEEE Transactions on Information Theory,,2006,52(12):5406-5425.
[7] RAUHUT H.Circulant and toeplitz matrices in compressed sensing[J].In Processing SPARS'09,,2009,,2(13):1124-1132.
[8] 李浩.用于壓縮感知的確定性測量矩陣研究[D].北京:北京交通大學(xué),2011.
[9] CANDES E.The restricted isometry property and its implications for compressed sensing[J].C.R.Math.Acad.Sci.Paris,,2008,,346(9-10):589-592.
[10] TROPP J,GILBERT A.Signal recovery from partial infor-mation via orthogonal matching pursuit[EB/OL].(2005-04). [2012-11-22].http://www.personal.umich.edu/_jtropp/papers/TG05-Signal-Recovery.pdf.