基于弱选择正则化正交匹配追踪的图像重构算法

正则化正交匹配追踪算法由于重构效率高在信号重构中得到广泛应用,然而该算法需要以信号稀疏度为先验条件,若稀疏度水平估计不合适会造成重构结果不稳定.针对该问题,提出了一种基于弱选择正则化的正交匹配追踪算法.该算法可以实现在信号稀疏度未知的条件下,根据弱选择标准对算法中每次迭代产生的余量与观测矩阵之间的相关性进行判定,并且自适应地确定表示原信号的原子数目和原子候选集,进而通过正则化原则从候选集中快速有效地挑选出完成信号重构的最优原子组.数值实验表明,所提出算法和其它贪婪算法相比较,峰值信噪比提高0.5~1.5dB,最小均方差也明显降低,图像信号重构效果优于其它同类算法.     

基于弱选择正则化正交匹配追踪的图像重构算法

正则化正交匹配追踪算法由于重构效率高在信号重构中得到广泛应用,然而该算法需要以信号稀疏度为先验条件,若稀疏度水平估计不合适会造成重构结果不稳定.针对该问题,提出了一种基于弱选择正则化的正交匹配追踪算法.该算法可以实现在信号稀疏度未知的条件下,根据弱选择标准对算法中每次迭代产生的余量与观测矩阵之间的相关性进行判定,并且自适应地确定表示原信号的原子数目和原子候选集,进而通过正则化原则从候选集中快速有效地挑选出完成信号重构的最优原子组.数值实验表明,所提出算法和其它贪婪算法相比较,峰值信噪比提高0.5～1.5dB,最小均方差也明显降低,图像信号重构效果优于其它同类算法.     

基于压缩感知理论的PIE显微成像研究

为了克服PIE成像中所面临的数据量过大的问题,将压缩感知理论用于PIE成像。将采样到的衍射斑稀疏变换并压缩后,可以显著减少需要存贮的数据量。再现过程中选用子空间匹配追踪算法(SP)或者正交匹配追踪算法(OMP)重构出散射斑的原始分布,用常规的PIE算法进行图像重建。模拟和实验结果均表明,当压缩采样率在30%的时候就能重构出很好的图像。和OMP重构算法相比,SP算法更适合在PIE成像中应用。     

基于压缩感知和改进自适应正交匹配的稀疏信号重构

针对传统香农-奈奎斯特采样定理指出在保证原始信号重构精度的前提下,采样频率必须为原始信号频率的2倍,提出了一种基于压缩感知理论和改进的自适应正交匹配追踪算法的稀疏信号重构方法;首先引入了压缩感知模型和信号重构目标函数,然后在对经典正交匹配追踪类算法进行分析和总结的基础上,为克服其不足,设计了一种二次筛选支配原子集的方法,即通过计算信号的QR分解并计算具有最大势能的原子从而得到能量候选原子集,通过计算余量与原子的相关性选出相关性最大的原子从而得到相关候选原子集,并将能量候选原子集和相关候选原子集的交集作为最终支配原子集;最后定义了具体的采用自适应正交匹配算法实现信号重构的算法;在Matlab仿真环境下试验,结果表明:文章方法能有效地进行稀疏信号重构,具有较小的重构误差,且与其它方法相比,具有收敛速度快和重构效果好的优点。     

一种基于编码孔径的压缩传感图像重构算法的改进

针对压缩传感理论应用于实际系统成像时重构图像质量随图像采样率变化的问题,通过对正交匹配追踪算法进行改进,提出了一种利用空间光调制器实现编码孔径成像的压缩传感图像重构方法。该方法对传统的正交匹配追踪法迭代计算中已选入支撑集的列向量进行标记,并在下一次迭代计算中予以排除,从而减少了重构时间。在此基础上提出了将测量矩阵分别按行和按列排列进行重构后平均的图像增强算法。增强算法在达到同样重构质量时,减小了图像采样率,有利于图像数据的传输和存储。仿真实验验证了方法的有效性和稳定性,可为压缩传感技术的应用提供技术参考。     

压缩感知计算随机表面的微波散射

选择谐波函数作为散射源的表征基函数,利用随机矩阵进行观测,实现了对散射源的稀疏表征,最后通过正交匹配追踪算法解算出表面散射源.利用压缩感知—正交匹配追踪算法与直接求解矩阵方程所得到的散射远场分布一致.     

基于OMP算法的图像重构研究与FPGA实现

针对高分辨率的图像在采集过程中存在数据量较大的问题,提出了一种基于正交匹配追踪(OMP)算法的图像重构方法,设计了OMP算法的硬件结构,并在FPGA平台上进行了仿真验证;首先,研究了压缩感知算法的基本原理;然后,分别基于匹配追踪算法(MP)和正交匹配追踪算法实现了图像的重构;最后,通过仿真对比分析了这两种方法的图像重构结果,OMP算法误差在10-15量级,明显优于MP算法的10-3误差量级,并且OMP算法的迭代收敛性也优于MP算法。     

基于粒子群优化的核匹配追踪目标识别

提出了一种基于粒子群优化的用于目标识别的核匹配追踪算法.该算法用粒子群优化算法在基函数字典中选择最优的基函数,大大降低了基匹配追踪算法的计算复杂度.通过与标准核匹配追踪算法及基于遗传算法的核匹配追踪算法对UCI数据集及纹理图像的识别试验表明,核匹配追踪算法优良的分类性能以及粒子群优化算法高效的全局搜索能力使新算法能有效识别目标数据.     

基于回溯筛选的稀疏重构时延估计算法

针对无线定位中时延估计在小样本(单快拍)、低信噪比条件下需要大量独立分布测量数据问题,提出了一种基于回溯筛选的稀疏重构时延估计算法,实现了单快拍、低信噪比条件下接收信号的精确时延估计.该算法首先建立接收信号的稀疏表示模型,然后基于该模型建立正交观测矩阵,最后在重构算法中引入回溯筛选思想,利用时延与观测矩阵之间的一一对应关系得到时延的无偏估计.对该模型下时延估计的克拉美罗界进行了推导.仿真分析表明,所提方法在单快拍、低信噪比条件下精度远高于求根多重信号分类算法,相比于正交匹配追踪算法,在较小的复杂度代价下性能得到了较大提升.     

基于压缩感知的反射光谱重构算法研究

光谱反射率描述物体的表面颜色特征,为了能够获取物体自身更加精确的颜色信息,在图像处理领域光谱反射率重构成为了关注的话题。反射光谱重构算法是对实验物体表面在可见光范围内每一波长处的光谱反射率进行重构,以达到提高物体自身颜色准确复制的精度,最后建立相应的反射光谱。尝试将压缩感知(CS)理论应用到光谱实验中,对光谱反射率进行重构。首先是介绍了压缩感知理论知识,然后把压缩感知理论与光谱反射率原理相结合,根据基于压缩感知的光谱反射率重构的理论框架,选取合适的采样值,压缩感知的采样值即压缩值,小波基作为正交矩阵,高斯随机矩阵作为测量矩阵,正交矩阵与测量矩阵需要保证具有不相关性,将原始光谱反射率从高维到低维进行线性投影,得到低维的观测信号,运行简单的正交匹配追踪算法(OMP)对低维的观测信号进行由低维到高维的高精度重构,重构得到的光谱反射率与原始光谱反射率具有相同的维度,最后将压缩感知重构算法与传统的光谱反射率重构算法伪逆法与多项式回归法进行比较。经过压缩感知重构算法得到的色差值与均方根误差值都小于伪逆法和多项式回归法重构的结果,经压缩感知的重构精度明显提高;经压缩感知重构的光谱曲线可以达到或者更接近原始光谱曲线的峰值,整体效果更接近原始光谱曲线;经多项式回归法和伪逆法重构的光谱曲线达不到原始峰值,整体上存在偏差。可以认为压缩感知用低采样的数据达到了全采样的效果,提高了光谱反射率重构的精度。基于压缩感知的光谱反射率重构算法效果明显优于传统的多项式回归法和伪逆法,可以将压缩感知理论应用到实际的多光谱成像系统中。