CN102737115B - 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法 - Google Patents
基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法 Download PDFInfo
- Publication number
- CN102737115B CN102737115B CN201210168825.5A CN201210168825A CN102737115B CN 102737115 B CN102737115 B CN 102737115B CN 201210168825 A CN201210168825 A CN 201210168825A CN 102737115 B CN102737115 B CN 102737115B
- Authority
- CN
- China
- Prior art keywords
- matrix
- summit
- expansion plans
- row
- subgraph
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 title claims abstract description 27
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 235000015170 shellfish Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012464 large buffer Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法,属于图像处理领域,本发明为解决现有还原图像技术时利用压缩感知的测量矩阵存在的问题。本发明的测量矩阵包括以下步骤:步骤一:建立两个膨胀图,G1和G2,步骤二:将G1中每一个顶点都用G2替换,形成连接图G=G1⊙G2,步骤三:获取连接图G的第二列顶点和第三列顶点的关联矩阵步骤四:根据公式Φ=K1*K*K2获取压缩感知测量矩阵Φ。利用该矩阵恢复原始信号,增加步骤五:根据步骤四获取压缩感知测量矩阵Φ观测原始信号,从而得到测量值,用得到的测量值和压缩感知测量矩阵Φ按f=Φx恢复原始信号。
Description
技术领域
本发明涉及基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法,属于图像处理领域。
背景技术
压缩感知(Compressive Sensing)理论提供的是不同于传统采样形式的一种新的数据采样模式,它表明,只要信号在某个变换域是稀疏的或是可压缩的,就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上,然后通过求解一个优化问题就可以从这些少量投影中以高概率重构出原始信号。压缩感知方法主要包含两个方面:一是测量矩阵,它能够使K-稀疏或可压缩信号x从的过程中能量损失尽可能小,且观测到的这些信息能够保证准确重建出原始信号;二是重建算法,选择合适的算法使得信号从测量值恢复原信号压缩感知是将压缩和采样同时进行的一种采样模式,对于一个K-稀疏的N维信号,投影到这个低维空间的维数将会远小于N,这使得压缩感知能应用于很多方面,比如核磁共振成像、无线传感器网络、地球物理数据分析、视频编码等领域。
压缩感知得以实现的关键之一是要得到满足条件的测量矩阵,而这一条件通常是指RIP(Restricted Isometry Property)条件。目前应用最广的是随机矩阵,比如高斯随机矩阵、伯努利随机矩阵等,随机矩阵因其以很高的概率满足RIP条件而在理论上有很大的价值。但在实际应用中,随机测量矩阵有大存储量、低效率和高复杂度等缺点,这极大限制了压缩感知在实际中的应用。由于确定性测量矩阵存储量小、复杂度低等优点,鉴于此,设计满足RIP条件的确定性测量矩阵一直是压缩感知想解决的问题。目前一些设计确定性测量矩阵的方法大多是基于某种特定的编码或序列,比如chirp序列、Kerdock和Delaste-Goethals编码、二级Reed-Muller编码等。也有其它的一些基于某种特定理论的方法,比如有限域和表示论等理论。
最近一些研究表明,基于膨胀图设计出的关联矩阵在一定条件下能满足RIP条件,可以作为压缩感知测量矩阵。膨胀图首先是一个二部图,左边一个比较小的顶点集合在右边有一个较大的邻接点集与其相连接,这就相当于在压缩感知测量过程中,原始信号能够充分被观测。尽管在理论上膨胀图用于压缩感知测量矩阵的设计会有很好的效果,但目前很难得到膨胀图的确切结构,也就是说很难确切得到符合要求的膨胀图。Guruswami通过有限域理论和P-V代码出发设计出了一类具有确定结构的膨胀图,但是这种算法不仅实现起来比较复杂还对设计出的关联矩阵的维数有很大限制,不能真正为压缩感知所用。
发明内容
本发明目的是为了解决现有还原图像技术时利用压缩感知的测量矩阵存在的问题,提供了一种基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法。
本发明所述基于两个子膨胀图的压缩感知测量矩阵的获取方法,该方法包括以下步骤:
步骤一:建立两个膨胀图,第一个膨胀图G1=(A1,B1),|A1|=N1,|B1|=M1,第二个膨胀图G2=(A2,B2),|A2|=N2,|B2|=d1,
两个膨胀图都为二部图,且两个膨胀图的左子图中的顶点的个数为5~20,两个膨胀图的右子图中的顶点的个数为3~15,且第一个膨胀图的顶点总数大于第二个膨胀图的顶点总数,
第一个膨胀图G1左子图中的顶点的度为d1,连接左子图和右子图的关联矩阵
第二个膨胀图G2左子图中的顶点的度为d2,连接左子图和右子图的关联矩阵
步骤二:将第一个膨胀图G1中左子图和右子图中的每一个顶点都用第二个膨胀图G2替换,形成连接图,连接图G中每个第二个膨胀图G2都称为“云”,连接图G的第一列和第二列顶点的关联矩阵连接图G的第三列和第四列顶点的关联矩阵
步骤三:获取连接图G的第二列顶点和第三列顶点的关联矩阵
步骤四:根据公式Φ=K1*K*K2获取压缩感知测量矩阵Ф。
步骤三中获取连接图G的第二列顶点和第三列顶点的关联矩阵的过程为:
步骤31、初始化迭代次数i=0,初始化连接图G的第二列顶点和第三列顶点的关联矩阵K为一个零矩阵,维数为N1d1×M1N2;
步骤32、重复进行N1d1次迭代运算:
步骤a:迭代次数i=i+1,计算连接图G的第二列顶点中第i个顶点所在云的云序号t:t=[(i-1)/d1]+1,其中[]表示取整函数,
并计算第i个顶点在第t个云中的顶点序号p=i-(t-1)*d1,p∈{1,2,…,d1};
步骤b:取出第一个膨胀图G1连接左子图和右子图的关联矩阵Ф1的第t行,并找到第p个1,记其在该行中的序号为w;
步骤c:取出第一个膨胀图G1连接左子图和右子图的关联矩阵Ф1的第w列,记该向量为g,向量g中的第t个元素为1,将向量g中的第t个元素在该向量中所有1元素中的序号记示s;
步骤d:若s≤N2,则ss=(w-1)*N2+s,然后执行步骤e;否则ss=(w-1)*N2+s-N2,然后执行步骤e;
步骤e:让连接图G的第二列顶点和第三列顶点的关联矩阵K的第i行第ss列的元素变为1,即K(i,ss)=1,让矩阵K的第i行其余元素都为0,
重复进行N1d1次迭代运算后获取连接图G的第二列顶点和第三列顶点的关联矩阵K。
利用获得的基于两个子膨胀图的压缩感知测量矩阵恢复原始信号的方法,该方法包括以下步骤:
步骤一:建立两个膨胀图,第一个膨胀图G1=(A1,B1),|A1|=N1,|B1|=M1,第二个膨胀图G2=(A2,B2),|A2|=N2,|B2|=d1,
两个膨胀图都为二部图,且两个膨胀图的左子图中的顶点的个数为5~20,两个膨胀图的右子图中的顶点的个数为3~15,且第一个膨胀图的顶点总数大于第二个膨胀图的顶点总数,
第一个膨胀图G1左子图中的顶点的度为d1,连接左子图和右子图的关联矩阵
第二个膨胀图G2左子图中的顶点的度为d2,连接左子图和右子图的关联矩阵
步骤二:将第一个膨胀图G1中左子图和右子图中的每一个顶点都用第二个膨胀图G2替换,形成连接图连接图G中每个第二个膨胀图G2都称为“云”,连接图G的第一列和第二列顶点的关联矩阵连接图G的第三列和第四列顶点的关联矩阵
步骤三:获取连接图G的第二列顶点和第三列顶点的关联矩阵
步骤四:根据公式Ф=K1*K*K2获取压缩感知测量矩阵Ф;
步骤五:根据步骤四获取压缩感知测量矩阵Ф观测原始信号,从而得到测量值,用得到的测量值和压缩感知测量矩阵Ф按f=Φx恢复原始信号,
式中:f为测量值,x为原始信号。
步骤五中恢复原始信号的过程为:
步骤A、根据基于两个子膨胀图的压缩感知测量矩阵Ф对原始信号进行线性观测,获取测量值向量f,f=Φx,m为测量次数,n为原始信号的维数,
x为原始信号,x=Ψα,Ψ为使得原始信号x能够在该矩阵下成为稀疏信号的稀疏基矩阵,α为原始信号x在稀疏基矩阵Ψ下的投影系数,α中的系数有很多为0或非常接近于0,只有非常少的系数绝对值比较大,α是未知量,求出使达到最小时的α值就是该次迭代所得到的α的估计值再根据x=Ψα得到原始信号。
而目前常用的稀疏基矩阵Ψ有离散小波变换基、快速傅里叶变换基和离散余弦变换基,且都是正交矩阵。
Θ为中间矩阵,且Θ=ΦΨ,
步骤B、初始化:残差λt的初始值r0=f,指标集Λt的初始集合为空集迭代次数t=1,初始中间矩阵的初始矩阵是空矩阵;
步骤C、根据在中间矩阵Θ中找到与残差λt最匹配的一列其中为中间矩阵Θ的第j列;N为中间矩阵的列的数量,
步骤D、更新指标集并把中间矩阵中与残差λt最匹配的一列加入到中间矩阵Θ中,形成更新中间矩陈Θt
步骤E、用最小二乘法得到当前信号的最优估计值
步骤F、更新残差并让迭代次数增加1,
步骤G、判断迭代次数是否满足t≥T,判断结果为否,返回到步骤B;判断结果为是,执行步骤H,
步骤H、根据公式获取原始信号。
本发明的优点:
本发明针对这一现状,以两个或多个小的膨胀图用一种特定的方法生成一个新的顶点个数更多的图,而这个图也是一个膨胀图,由该图生成的关联矩阵的维数与所选取的母图的维数有关且具有很大的灵活性。基于这种方法可以得到我们想要的矩阵维数或者很接近我们想要的维数,具有很好的理论价值和实用性。
附图说明
图1是本发明所述基于两个子膨胀图的压缩感知测量矩阵的获取方法流程图;
图2是利用测量矩阵的原始信号恢复方法流程图;
图3是两个子膨胀图的结构示意图;
图4是用两个子膨胀图生成大图的过程示意图;
图5是原始信号示意图;
图6是利用本发明设所述的测量矩阵用于压缩感知得到的恢复信号示意图;
图7是用通常用得高斯随机矩阵在同等条件下得到的恢复信号示意图;
图8是三种矩阵用于压缩感知的性能比较图;
图9是原始图像;
图10是利用本发明的测量矩阵获取的恢复图像。
具体实施方式
具体实施方式一:下面结合图1、图3和图4说明本实施方式,本实施方式所述基于两个子膨胀图的压缩感知测量矩阵的获取方法,该方法包括以下步骤:
步骤一:建立两个膨胀图,第一个膨胀图G1=(A1,B1),|A1|=N1,|B1|=M1,第二个膨胀图G2=(A2,B2),|A2|=N2,|B2|=d1,
两个膨胀图都为二部图,且两个膨胀图的左子图中的顶点的个数为5~20,两个膨胀图的右子图中的顶点的个数为3~15,
第一个膨胀图G1左子图中的顶点的度为d1,连接左子图和右子图的关联矩阵
第二个膨胀图G2左子图中的顶点的度为d2,连接左子图和右子图的关联矩阵
步骤二:将第一个膨胀图G1中左子图和右子图中的每一个顶点都用第二个膨胀图G2替换,形成连接图,连接图G中每个第二个膨胀图G2都称为“云”,连接图G的第一列和第二列顶点的关联矩阵连接图G的第三列和第四列顶点的关联矩阵
将G1中左右子图的每一个顶点都用G2替换,我们称之为一个“云”,得到了一个新的图,记为而这个连接图G总过有四列顶点,矩阵K1代表了第一、二列共(N1N2+N1d1)个顶点的左右连接关系,显然K1是一个分块对角矩阵,对角线上的每一块均为矩阵Ф2,共有N1个Ф2。同理矩阵K2代表了第三、四列共(M1N2+M1d1)个顶点的左右连接关系,与K1类似,K2也是一个分块对角矩阵,对角线上的每一块均为矩阵Ф2,共有M1个Ф2;
步骤三:获取连接图G的第二列顶点和第三列顶点的关联矩阵
步骤四:根据公式Ф=K1*K*K2获取压缩感知测量矩阵Ф。
步骤三中获取连接图G的第二列顶点和第三列顶点的关联矩阵的过程为:
步骤31、初始化迭代次数i=0,初始化连接图G的第二列顶点和第三列顶点的关联矩阵K为一个零矩阵,维数为N1d1×M1N2;
步骤32、重复进行N1d1次迭代运算:
步骤a:迭代次数i=i+1,计算连接图G的第二列顶点中第i个顶点所在云的云序号t:t=[(i-1)/d1]+1,其中[]表示取整函数,
并计算第i个顶点在第t个云中的顶点序号p=i-(t-1)*d1,p∈{1,2,…,d1};
步骤b:取出第一个膨胀图G1连接左子图和右子图的关联矩阵Ф1的第t行,并找到第p个1,记其在该行中的序号为w;
步骤c:取出第一个膨胀图G1连接左子图和右子图的关联矩阵Ф1的第w列,记该向量为g,向量g中的第t个元素为1,将向量g中的第t个元素在该向量中所有1元素中的序号记示s;
步骤d:若s≤N2,则ss=(w-1)*N2+s,然后执行步骤e;否则ss=(w-1)*N2+s-N2,然后执行步骤e:
步骤e:让连接图G的第二列顶点和第三列顶点的关联矩阵K的第i行第ss列的元素变为1,即K(i,ss)=1,让矩阵K的第i行其余元素都为0,
重复进行N1d1次迭代运算后获取连接图G的第二列顶点和第三列顶点的关联矩阵K。
下面给出一个具体实施例:
执行步骤一:建立两个顶点个数比较小的膨胀图,其中第一个膨胀图表示为G1=(A1,B1),|A1|=12,|B1|=8,第二个膨胀图表示为G2=(A2,B2),|A2|=6,|B2|=4,两个图的左子图中的每个顶点的度分别为4和3,并分别得到连接左子图和右子图的关联矩阵
执行步骤二:得到第一列和第二列顶点的关联矩阵以及第三列和第四列顶点的关联矩阵根据左右子图的顶点与Ф2的替换关系,得到第一、二列顶点的关联矩阵和第三、四列顶点的关联矩阵为:
其中K1的对角线上有12个Ф2,K2的对角线上有8个Ф2。
执行步骤三:得到连接图G中第二、三列顶点的关联矩阵为了得到这个矩阵,执行以下的步骤:
步骤31:初始化迭代次数i=0,初始化矩阵K为一个零矩阵,维数为48×48;
步骤32:重复进行48次迭代运算:
首先:迭代次数i=i+1,计算第二列顶点中第i个顶点的云序号t,并计算第i个顶点在第t个云中的顶点序号p∈{1,2,3,4},即有t=[(i-1)/d1]+1,p=i-(t-1)*d1,其中[]表示取整函数;
其次:取出矩阵Ф1的第t行,并找到第p个1,记其在该行中得序号为w;
再次:取出第一个膨胀图G1连接左子图和右子图的关联矩阵Ф1的第w列,记该向量为g,向量g中的第t个元素为1,将向量g中的第t个元素在该向量中所有1元素中的序号记示s;
然后:若s≤6,贝ss=(w-1)*6+s,否贝ss=(w-1)*6+s-6;
最后:让矩阵K的第i行第ss列的元素变为1,即K(i,ss)=1;
矩阵K每一行只有一个元素为1,其余都为0,利用上述过程,找出矩阵K中元素为1的位置,则获取了整个矩阵K。
执行步骤四:得到连接第一列顶点和第四列顶点的关联矩阵,也即是我们想得到的用于压缩感知的测量矩阵Ф,Ф=K1*K*K2,得到的矩阵Ф的维数为72*32。
具体实施方式二:下面结合图1至图10说明本实施方式,利用实施方式一获得的基于两个子膨胀图的压缩感知测量矩阵恢复原始信号的方法,该方法包括以下步骤:
步骤一:建立两个膨胀图,第一个膨胀图G1=(A1,B1),|A1|=N1,|B1|=M1,第二个膨胀图G2=(A2,B2),|A2|=N2,|B2|=d1,
两个膨胀图都为二部图,且两个膨胀图的左子图中的顶点的个数为5~20,两个膨胀图的右子图中的顶点的个数为3~15,
第一个膨胀图G1左子图中的顶点的度为d1,连接左子图和右子图的关联矩阵
第二个膨胀图G2左子图中的顶点的度为d2,连接左子图和右子图的关联矩阵
步骤二:将第一个膨胀图G1中左子图和右子图中的每一个顶点都用第二个膨胀图G2替换,形成连接图,连接图G中每个第二个膨胀图G2都称为“云”,连接图G
的第一列和第二列顶点的关联矩阵连接图G的第三列和第四列顶点的关联矩阵
步骤三:获取连接图G的第二列顶点和第三列顶点的关联矩阵
步骤四:根据公式Ф=K1*K*K2获取压缩感知测量矩阵Ф;
步骤五:根据步骤四获取压缩感知测量矩阵Ф观测原始信号,从而得到测量值,用得到的测量值和压缩感知测量矩阵Ф按f=Фx恢复原始信号,
式中:f为测量值,x为原始信号。
具体实施方式三:本实施方式是对实施方式二的进一步说明,步骤五中恢复原始信号的过程为:
步骤A、根据基于两个子膨胀图的压缩感知测量矩阵Ф对原始信号进行线性观测,获取测量值向量f,f=Фx,m为测量次数,n为原始信号的维数,
x为原始信号,x=Ψα,Ψ为使得原始信号x能够在该矩阵下成为稀疏信号的稀疏基矩阵,α为原始信号x在稀疏基矩阵Ψ下的投影系数,α中的系数有很多为0或非常接近于0,只有非常少的系数绝对值比较大,α是未知量,求出使||f-Θtα||2达到最小时的α值就是该次迭代所得到的α的估计值,再根据x=Ψα得到原始信号。而目前常用的稀疏基矩阵Ψ有离散小波变换基、快速傅里叶变换基和离散余弦变换基,且都是正交矩阵。
Θ为中间矩阵,且Θ=ФΨ,
步骤B、初始化:残差λt的初始值r0=f,指标集Λt的初始集合为空集迭代次数t=1,初始中间矩阵Θ的初始矩阵Θ0是空矩阵;
步骤C、根据在中间矩阵Θ中找到与残差λt最匹配的一列,其中为中间矩阵Θ的第j列;N为中间矩阵Θ的列的数量,
步骤D、更新指标集Λt=Λt-1∪{λt},并把中间矩阵Θ中与残差λt最匹配的一列加入到中间矩阵Θ中,形成更新中间矩阵Θt,
步骤E、用最小二乘法得到当前信号的最优估计值
步骤F、更新残差并让迭代次数增加1,
步骤G、判断迭代次数是否满足t≥T,判断结果为否,返回到步骤B;判断结果为是,执行步骤H,
步骤H、根据公式获取原始信号,
如果原始信号为一幅图像,只需要将图像的每一列看成一个一维信号即可。重复执行m次步骤一至步骤七,m列信号重构恢复为原始图像。
以下是一个实例,原始信号是一幅256*256的图像,如图9所示,用此发明设计出一个62*256的测量矩阵,相当于测量次数为62次,由于此所选图像本身是稀疏的故稀疏基矩阵就为单位矩阵I,最后由恢复算法得到恢复图像,如图10所示。
Claims (2)
1.基于两个子膨胀图的压缩感知测量矩阵的获取方法,其特征在于,该方法包括以下步骤:
步骤一:建立两个膨胀图,第一个膨胀图G1=(A1,B1),|A1|=N1,|B1|=M1,第二个膨胀图G2=(A2,B2),|A2|=N2,|B2|=d1,
两个膨胀图都为二部图,且两个膨胀图的左子图中的顶点的个数为5~20,两个膨胀图的右子图中的顶点的个数为3~15,且第一个膨胀图的顶点总数大于第二个膨胀图的顶点总数,
第一个膨胀图G1左子图中的顶点的度为d1,连接左子图和右子图的关联矩阵
第二个膨胀图G2左子图中的顶点的度为d2,连接左子图和右子图的关联矩阵
步骤二:将第一个膨胀图G1中左子图和右子图中的每一个顶点都用第二个膨胀图G2替换,形成连接图连接图G中每个第二个膨胀图G2都称为“云”,连接图G的第一列和第二列顶点的关联矩阵连接图G的第三列和第四列顶点的关联矩阵
步骤三:获取连接图G的第二列顶点和第三列顶点的关联矩阵
步骤三中获取连接图G的第二列顶点和第三列顶点的关联矩阵的过程为:
步骤31、初始化迭代次数i=0,初始化连接图G的第二列顶点和第三列顶点的关联矩阵K为一个零矩阵,维数为N1d1×M1N2;
步骤32、重复进行N1d1次迭代运算:
步骤a:迭代次数i=i+1,计算连接图G的第二列顶点中第i个顶点所在云的云序号t:t=[(i-1)/d1]+1,其中[]表示取整函数,
并计算第i个顶点在第t个云中的顶点序号p=i-(t-1)*d1,p∈{1,2,…,d1};
步骤b:取出第一个膨胀图G1连接左子图和右子图的关联矩阵Ф1的第t行,并找到第p个1,记其在该行中的序号为w;
步骤c:取出第一个膨胀图G1连接左子图和右子图的关联矩阵Ф1的第w列,记该向量为g,向量g中的第t个元素为1,向量g中的第t个元素在该向量中所有1元素中的序号记示s;
步骤d:若s≤N2,则ss=(w-1)*N2+s,然后执行步骤e;否则ss=(w-1)*N2+s-N2,然后执行步骤e;
步骤e:让连接图G的第二列顶点和第三列顶点的关联矩阵K的第i行第ss列的元素变为1,即K(i,ss)=1,让矩阵K的第i行其余元素都为0,
重复进行N1d1次迭代运算后获取连接图G的第二列顶点和第三列顶点的关联矩阵K;
步骤四:根据公式Ф=K1*K*K2获取压缩感知测量矩阵Ф。
2.基于两个子膨胀图的压缩感知测量矩阵恢复原始信号的方法,其特征在于,该方法包括以下步骤:
步骤一:建立两个膨胀图,第一个膨胀图G1=(A1,B1),|A1|=N1,|B1|=M1,第二个膨胀图G2=(A2,B2),|A2|=N2,|B2|=d1,
两个膨胀图都为二部图,且两个膨胀图的左子图中的顶点的个数为5~20,两个膨胀图的右子图中的顶点的个数为3~15,
第一个膨胀图G1左子图中的顶点的度为d1,连接左子图和右子图的关联矩阵
第二个膨胀图G2左子图中的顶点的度为d2,连接左子图和右子图的关联矩阵
步骤二:将第一个膨胀图G1中左子图和右子图中的每一个顶点都用第二个膨胀图G2替换,形成连接图,连接图G中每个第二个膨胀图G2都称为“云”,连接图G的第一列和第二列顶点的关联矩阵连接图G的第三列和第四列顶点的关联矩阵
步骤三:获取连接图G的第二列顶点和第三列顶点的关联矩阵
步骤四:根据公式Ф=K1*K*K2获取压缩感知测量矩阵Ф;
步骤五:根据步骤四获取压缩感知测量矩阵Ф观测原始信号,从而得到测量值,用得到的测量值和压缩感知测量矩阵Ф按f=Фx恢复原始信号,
式中:f为测量值,x为原始信号;
步骤五中恢复原始信号的过程为:
步骤A、根据基于两个子膨胀图的压缩感知测量矩阵Ф对原始信号进行线性观测,获取测量值向量f,f=Фx,m为测量次数,n为原始信号的维数,
x为原始信号,x=Ψα,Ψ为使得原始信号x能够在该矩阵下成为稀疏信号的稀疏基矩阵,α为原始信号x在稀疏基矩阵Ψ下的投影系数,α中的系数有很多为0或非常接近于0,只有非常少的系数绝对值比较大,α是未知量,求出使||f-Θtα||2达到最小时的α值就是该次迭代所得到的α的估计值再根据x=Ψα得到原始信号;
而目前常用的稀疏基矩阵Ψ有离散小波变换基、快速傅里叶变换基和离散余弦变换基,且都是正交矩阵;
Θ为中间矩阵,且Θ=ΦΨ,
步骤B、初始化:残差λt的初始值r0=f,指标集Λt的初始集合为空集迭代次数t=1,初始中间矩阵Θ的初始矩阵Θ0是空矩阵;
步骤C、根据在中间矩阵Θ中找到与残差λy最匹配的一列其中为中间矩阵Θ的第j列;N为中间矩阵Θ的列的数量,
步骤D、更新指标集Λt=Λt-1∪(λt}并把中间矩阵中与残差λt最匹配的一列加入到中间矩阵Θ中,形成更新中间矩陈Θt,
步骤E、用最小二乘法得到当前信号的最优估计值
步骤F、更新残差并让迭代次数增加1,
步骤G、判断迭代次数是否满足t≥T,判断结果为否,返回到步骤B;判断结果为是,执行步骤H,
步骤H、根据公式获取原始信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210168825.5A CN102737115B (zh) | 2012-05-28 | 2012-05-28 | 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210168825.5A CN102737115B (zh) | 2012-05-28 | 2012-05-28 | 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102737115A CN102737115A (zh) | 2012-10-17 |
CN102737115B true CN102737115B (zh) | 2014-08-06 |
Family
ID=46992616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210168825.5A Expired - Fee Related CN102737115B (zh) | 2012-05-28 | 2012-05-28 | 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102737115B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886050B (zh) * | 2014-03-12 | 2017-05-24 | 佛山科学技术学院 | 基于压缩感知的图像特征存储方法、图像检索方法和装置 |
CN109254909B (zh) * | 2018-08-06 | 2021-11-23 | 四川蜀天梦图数据科技有限公司 | 一种测试用大图生成方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
CN102075749A (zh) * | 2011-01-06 | 2011-05-25 | 西安电子科技大学 | 压缩感知框架下基于非凸模型的图像压缩重构方法 |
-
2012
- 2012-05-28 CN CN201210168825.5A patent/CN102737115B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
CN102075749A (zh) * | 2011-01-06 | 2011-05-25 | 西安电子科技大学 | 压缩感知框架下基于非凸模型的图像压缩重构方法 |
Non-Patent Citations (4)
Title |
---|
Photoacoustic image reconstruction based on Bayesian compressive sensing algorithm;孙明健等;《Chinese Optics Letters》;20110610;第9卷(第6期);1-4 * |
基于压缩感知的多角度观测光声成像方法;孙明健等;《仪器仪表学报》;20111231;第32卷(第12期);2699-2705 * |
孙明健等.Photoacoustic image reconstruction based on Bayesian compressive sensing algorithm.《Chinese Optics Letters》.2011,第9卷(第6期),1-4. |
孙明健等.基于压缩感知的多角度观测光声成像方法.《仪器仪表学报》.2011,第32卷(第12期),2699-2705. |
Also Published As
Publication number | Publication date |
---|---|
CN102737115A (zh) | 2012-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Herrholz et al. | Compressive sensing principles and iterative sparse recovery for inverse and ill-posed problems | |
Liu et al. | Compressed sensing with general frames via optimal-dual-based $\ell _ {1} $-analysis | |
CN102624399B (zh) | 一种压缩感知信号的重构方法 | |
CN102063729A (zh) | 基于二维稀疏性的压缩感知图像重建方法 | |
CN102435934A (zh) | 一种随机采样的模拟电路压缩传感测量和信号重构方法 | |
CN103295198A (zh) | 基于冗余字典和结构稀疏的非凸压缩感知图像重构方法 | |
CN103077510B (zh) | 基于小波hmt模型的多变量压缩感知重构方法 | |
CN105635963A (zh) | 多智能体分布式协同定位方法 | |
CN102355752B (zh) | 基于膨胀图的无线传感器网络压缩感知测量矩阵和重构方法 | |
CN102622331B (zh) | 一种基于压缩感知的高斯矩阵优化方法 | |
CN106130563A (zh) | 一种基于压缩感知信号的阈值收缩迭代差分重构方法 | |
CN103532567A (zh) | 分布式压缩感知框架下基于快速计算内积的正交匹配追踪算法的信号重构方法 | |
CN102737115B (zh) | 基于两个子膨胀图的压缩感知的测量矩阵的获取方法及利用该测量矩阵恢复原始信号的方法 | |
CN105138776A (zh) | 基于回溯自适应匹配追踪的电能质量信号重构方法 | |
CN103558498B (zh) | 基于小波分析的绝缘子污闪泄漏电流信号稀疏表示方法 | |
Chen et al. | Spherical designs and nonconvex minimization for recovery of sparse signals on the sphere | |
Perrin et al. | Identifiability for non-stationary spatial structure | |
CN102801428A (zh) | 一种0-1稀疏循环矩阵的近似优化和信号采集重构方法 | |
CN109143151A (zh) | 部分阵元损坏的均匀面阵张量重构方法及信源定位方法 | |
Huang et al. | Diagnosis and accuracy enhancement of compressive-sensing signal reconstruction in structural health monitoring using multi-task sparse Bayesian learning | |
CN104113346A (zh) | 基于级联混沌序列构造测量矩阵的方法 | |
CN106027061A (zh) | 一种基于自适应观测矩阵的Lamb波压缩感知方法 | |
CN112327618B (zh) | 传感器网络系统的参数与时滞辨识方法 | |
CN103957011A (zh) | 基于阈值收缩迭代的压缩感知含噪信号的恢复方法 | |
CN113362405A (zh) | 一种基于StOMP压缩感知图像重构系统的构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140806 |