正交匹配追踪OMP

压缩感知重构算法之正交匹配追踪(OMP)

2015-04-19 17:26 11561人阅读 评论(46) 收藏 举报


分类：

压缩感知(Compressive Sensing)（36）


版权声明：本文为博主原创文章，转载请注明出处，谢谢！

题目：压缩感知重构算法之正交匹配追踪(OMP)

前面经过几篇的基础铺垫，本篇给出正交匹配追踪(OMP)算法的MATLAB函数代码，并且给出单次测试例程代码、测量数M与重构成功概率关系曲线绘制例程代码、信号稀疏度K与重构成功概率关系曲线绘制例程代码。

0、符号说明如下：

压缩观测y=Φx，其中y为观测所得向量M×1，x为原信号N×1（M<<N）。x一般不是稀疏的，但在某个变换域Ψ是稀疏的，即x=Ψθ，其中θ为K稀疏的，即θ只有K个非零项。此时y=ΦΨθ，令A=ΦΨ，则y=Aθ。

(1) y为观测所得向量，大小为M×1

(2)x为原信号，大小为N×1

(3)θ为K稀疏的，是信号在x在某变换域的稀疏表示

(4)Φ称为观测矩阵、测量矩阵、测量基，大小为M×N

(5)Ψ称为变换矩阵、变换基、稀疏矩阵、稀疏基、正交基字典矩阵，大小为N×N

(6)A称为测度矩阵、传感矩阵、CS信息算子，大小为M×N

上式中，一般有K<<M<<N，后面三个矩阵各个文献的叫法不一，以后我将Φ称为测量矩阵、将Ψ称为稀疏矩阵、将A称为传感矩阵。

1、OMP重构算法流程：







2、正交匹配追踪(OMP)MATLAB代码(CS_OMP.m)

[plain] view
plain copy







function [ theta ] = CS_OMP( y,A,t )

%CS_OMP Summary of this function goes here

%Version: 1.0 written by jbb0523 @2015-04-18

% Detailed explanation goes here

% y = Phi * x

% x = Psi * theta

% y = Phi*Psi * theta

% 令 A = Phi*Psi, 则y=A*theta

% 现在已知y和A，求theta

[y_rows,y_columns] = size(y);

if y_rows<y_columns

y = y';%y should be a column vector

end

[M,N] = size(A);%传感矩阵A为M*N矩阵

theta = zeros(N,1);%用来存储恢复的theta(列向量)

At = zeros(M,t);%用来迭代过程中存储A被选择的列

Pos_theta = zeros(1,t);%用来迭代过程中存储A被选择的列序号

r_n = y;%初始化残差(residual)为y

for ii=1:t%迭代t次，t为输入参数

product = A'*r_n;%传感矩阵A各列与残差的内积

[val,pos] = max(abs(product));%找到最大内积绝对值，即与残差最相关的列

At(:,ii) = A(:,pos);%存储这一列

Pos_theta(ii) = pos;%存储这一列的序号

A(:,pos) = zeros(M,1);%清零A的这一列，其实此行可以不要，因为它与残差正交

%y=At(:,1:ii)*theta，以下求theta的最小二乘解(Least Square)

theta_ls = (At(:,1:ii)'*At(:,1:ii))^(-1)*At(:,1:ii)'*y;%最小二乘解

%At(:,1:ii)*theta_ls是y在At(:,1:ii)列空间上的正交投影

r_n = y - At(:,1:ii)*theta_ls;%更新残差

end

theta(Pos_theta)=theta_ls;%恢复出的theta

end

3、OMP单次重构测试代码(CS_Reconstuction_Test.m)

代码中，直接构造一个K稀疏的信号，所以稀疏矩阵为单位阵。

[plain] view
plain copy







%压缩感知重构算法测试

clear all;close all;clc;

M = 64;%观测值个数

N = 256;%信号x的长度

K = 10;%信号x的稀疏度

Index_K = randperm(N);

x = zeros(N,1);

x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的，且位置是随机的

Psi = eye(N);%x本身是稀疏的，定义稀疏矩阵为单位阵x=Psi*theta

Phi = randn(M,N);%测量矩阵为高斯矩阵

A = Phi * Psi;%传感矩阵

y = Phi * x;%得到观测向量y

%% 恢复重构信号x

tic

theta = CS_OMP(y,A,K);

x_r = Psi * theta;% x=Psi * theta

toc

%% 绘图

figure;

plot(x_r,'k.-');%绘出x的恢复信号

hold on;

plot(x,'r');%绘出原信号x

hold off;

legend('Recovery','Original')

fprintf('\n恢复残差：');

norm(x_r-x)%恢复残差

运行结果如下：（信号为随机生成，所以每次结果均不一样）

1）图：



2）Command Windows

Elapsed time is 0.849710 seconds.

恢复残差：

ans =

5.5020e-015

4、测量数M与重构成功概率关系曲线绘制例程代码

[plain] view
plain copy







%压缩感知重构算法测试CS_Reconstuction_MtoPercentage.m

% 绘制参考文献中的Fig.1

% 参考文献：Joel A. Tropp and Anna C. Gilbert

% Signal Recovery From Random Measurements Via Orthogonal Matching

% Pursuit，IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12,

% DECEMBER 2007.

% Elapsed time is 1171.606254 seconds.(@20150418night)

clear all;close all;clc;

%% 参数配置初始化

CNT = 1000;%对于每组(K,M,N)，重复迭代次数

N = 256;%信号x的长度

Psi = eye(N);%x本身是稀疏的，定义稀疏矩阵为单位阵x=Psi*theta

K_set = [4,12,20,28,36];%信号x的稀疏度集合

Percentage = zeros(length(K_set),N);%存储恢复成功概率

%% 主循环，遍历每组(K,M,N)

tic

for kk = 1:length(K_set)

K = K_set(kk);%本次稀疏度

M_set = K:5:N;%M没必要全部遍历，每隔5测试一个就可以了

PercentageK = zeros(1,length(M_set));%存储此稀疏度K下不同M的恢复成功概率

for mm = 1:length(M_set)

M = M_set(mm);%本次观测值个数

P = 0;

for cnt = 1:CNT %每个观测值个数均运行CNT次

Index_K = randperm(N);

x = zeros(N,1);

x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的，且位置是随机的

Phi = randn(M,N);%测量矩阵为高斯矩阵

A = Phi * Psi;%传感矩阵

y = Phi * x;%得到观测向量y

theta = CS_OMP(y,A,K);%恢复重构信号theta

x_r = Psi * theta;% x=Psi * theta

if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功

P = P + 1;

end

end

PercentageK(mm) = P/CNT*100;%计算恢复概率

end

Percentage(kk,1:length(M_set)) = PercentageK;

end

toc

save MtoPercentage1000 %运行一次不容易，把变量全部存储下来

%% 绘图

S = ['-ks';'-ko';'-kd';'-kv';'-k*'];

figure;

for kk = 1:length(K_set)

K = K_set(kk);

M_set = K:5:N;

L_Mset = length(M_set);

plot(M_set,Percentage(kk,1:L_Mset),S(kk,:));%绘出x的恢复信号

hold on;

end

hold off;

xlim([0 256]);

legend('K=4','K=12','K=20','K=28','K=36');

xlabel('Number of measurements(M)');

ylabel('Percentage recovered');

title('Percentage of input signals recovered correctly(N=256)(Gaussian)');

本程序在联想ThinkPadE430C笔记本（4GB DDR3内存，i5-3210）上运行共耗时1171.606254秒，程序中将所有数据均通过“save MtoPercentage1000”存储了下来，以后可以再对数据进行分析，只需“load MtoPercentage1000”即可。

程序运行结果比文献[1]的Fig.1要好，原因不详。

本程序运行结果：



文献[1]中的Fig.1：



5、信号稀疏度K与重构成功概率关系曲线绘制例程代码

[plain] view
plain copy







%压缩感知重构算法测试CS_Reconstuction_KtoPercentage.m

% 绘制参考文献中的Fig.2

% 参考文献：Joel A. Tropp and Anna C. Gilbert

% Signal Recovery From Random Measurements Via Orthogonal Matching

% Pursuit，IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12,

% DECEMBER 2007.

% Elapsed time is 1448.966882 seconds.(@20150418night)

clear all;close all;clc;

%% 参数配置初始化

CNT = 1000;%对于每组(K,M,N)，重复迭代次数

N = 256;%信号x的长度

Psi = eye(N);%x本身是稀疏的，定义稀疏矩阵为单位阵x=Psi*theta

M_set = [52,100,148,196,244];%测量值集合

Percentage = zeros(length(M_set),N);%存储恢复成功概率

%% 主循环，遍历每组(K,M,N)

tic

for mm = 1:length(M_set)

M = M_set(mm);%本次测量值个数

K_set = 1:5:ceil(M/2);%信号x的稀疏度K没必要全部遍历，每隔5测试一个就可以了

PercentageM = zeros(1,length(K_set));%存储此测量值M下不同K的恢复成功概率

for kk = 1:length(K_set)

K = K_set(kk);%本次信号x的稀疏度K

P = 0;

for cnt = 1:CNT %每个观测值个数均运行CNT次

Index_K = randperm(N);

x = zeros(N,1);

x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的，且位置是随机的

Phi = randn(M,N);%测量矩阵为高斯矩阵

A = Phi * Psi;%传感矩阵

y = Phi * x;%得到观测向量y

theta = CS_OMP(y,A,K);%恢复重构信号theta

x_r = Psi * theta;% x=Psi * theta

if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功

P = P + 1;

end

end

PercentageM(kk) = P/CNT*100;%计算恢复概率

end

Percentage(mm,1:length(K_set)) = PercentageM;

end

toc

save KtoPercentage1000test %运行一次不容易，把变量全部存储下来

%% 绘图

S = ['-ks';'-ko';'-kd';'-kv';'-k*'];

figure;

for mm = 1:length(M_set)

M = M_set(mm);

K_set = 1:5:ceil(M/2);

L_Kset = length(K_set);

plot(K_set,Percentage(mm,1:L_Kset),S(mm,:));%绘出x的恢复信号

hold on;

end

hold off;

xlim([0 125]);

legend('M=52','M=100','M=148','M=196','M=244');

xlabel('Sparsity level(K)');

ylabel('Percentage recovered');

title('Percentage of input signals recovered correctly(N=256)(Gaussian)');

本程序在联想ThinkPadE430C笔记本（4GB DDR3内存，i5-3210）上运行共耗时1448.966882秒，程序中将所有数据均通过“save KtoPercentage1000”存储了下来，以后可以再对数据进行分析，只需“load KtoPercentage1000”即可。

程序运行结果比文献[1]的Fig.2要好，原因不详。

本程序运行结果：



文献[1]中的Fig.2：



6、参考文献

【1】Joel A. Tropp and Anna C. Gilbert. Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit[J]. IEEETransactions on Information Theory, VOL. 53, NO. 12, DECEMBER 2007.

【2】Y.C.Pati, R.Rezaiifar,and P.S.Krishnaprasad. Orthogonal Matching Pursuit-Recursive FunctionApproximation with Applications to wavelet decomposition, Proc. 27thAnnu. Asilomar Conf. Signals, Systems, and Computers, Pacific Grove, CA, Nov.1993,vol.1,pp40-44.

【3】沙威.CS_OMP，http://www.eee.hku.hk/~wsha/Freecode/Files/CS_OMP.zip