Justin Romberg 压缩感知:利用凸优化实现稀疏信号重建的科普
2016-05-21 22:02
295 查看
Justin Romberg 压缩感知:利用凸优化实现稀疏信号的重建的科普
1.利用凸优化算法解决压缩感知问题时,问题通常被分为2类,一类是转化为线性方程组的问题(LPs问题),另一类是转化为二次凸规划的问题(SOCPs问题),其中LPs问题采用路径追踪原始对偶(primal-dual)算法,SOCPs问题采用内点算法中的对数障碍(log-barrier)法
带等式约束的最小化l1范数问题描述如下:
A为M*N的欠定矩阵,x是要采样的信号,b是采样值,大意就是,在方程组条件不足的情况下求解出原始信号x,当x的1范数最小的时候,x差不多就是我们想要的结果了。
L1范数的数学表述形式如下:(本质上来说,就是把矩阵里面的数值求取绝对值然后加起来)
由这个问题引出了著名的基追踪算法(BP算法),算法的原理就是不断寻找l1范数最小的x来解释我们采样到的信号b,如果我们找到了一种足够稀疏的信号(l1范数足够小的信号)
那么我们就认为我们的方程组找到了最合适的解。
2.我们经常能够看到最小化l1范数的误差估计问题,误差估计数学问题描述为如下的问题
A是M*N的满秩矩阵,y是得到的采样值,假设,我们通过信道采样y的时候难免信号会有丢失或者噪声,也就是说我们的得到的y本质上是y=y+e,这里的e就是噪声信号。,同样这个噪声估计的问题也是一个LP问题
3.带有二次约束问题的最小化l1范数问题:
这个问题我们用数学公式表达出来是这样的:
在1问题的基础上我们把原来的等式转为二次约束模型。在这里ε表示一个确定的参数,把原来1问题中的带有等式约束的模型,通过引入松弛变量的方式转为了二次凸规划(SOCP)的问题。这个数学公式的意思是,寻找出一个足够稀疏的信号x满足,在这里e代表一个很小的误差变量
4.有界冗余相关的l1范数最小化:
这种算法也叫Dantzig算法
数学问题描述如下:
我们重新描述了上面的问题,转为上面的公式这里的伽马是一个具体的参数,在1问题里面我们重新引入一种松弛变量,这个数学问题的意思是,找到一种尽可能稀疏的x使得,Ax-b的剩余项与A*的任何一列最大程度的不相关A*(Ax-b).
所以问题4中的数学模型是一种LP问题
5.在图像上面引入TV模型,重写上面的公式的表述形式
如果我们要把压缩感知的模型应用在图像上,因为图像的梯度是稀疏的,这里我们用梯度来描述整个图像
定义梯度的操作算子:
分别定义了水平方向和竖直方向的梯度算子这里描述为h和v方向上的梯度
因为整个图像每个点都是梯度的,这里我们把梯度全部加起来(也就全变分)
这就是传说中的(全变分)TV模型,(全变分)TV模型国内研究的人也很多,常用来做去噪和复原的算法,相关论文有很多。
有了上面的定义,我们把上面的数学模型应用在图像复原,上面的每一个数学模型都可以写成SOCP(二次规划)问题
A.带有等式约束的最小化TV模型
B.带有二次规划的最小化TV模型
C.Dantzig TV模型
下一章我将会介绍内点算法。
1.利用凸优化算法解决压缩感知问题时,问题通常被分为2类,一类是转化为线性方程组的问题(LPs问题),另一类是转化为二次凸规划的问题(SOCPs问题),其中LPs问题采用路径追踪原始对偶(primal-dual)算法,SOCPs问题采用内点算法中的对数障碍(log-barrier)法
带等式约束的最小化l1范数问题描述如下:
A为M*N的欠定矩阵,x是要采样的信号,b是采样值,大意就是,在方程组条件不足的情况下求解出原始信号x,当x的1范数最小的时候,x差不多就是我们想要的结果了。
L1范数的数学表述形式如下:(本质上来说,就是把矩阵里面的数值求取绝对值然后加起来)
由这个问题引出了著名的基追踪算法(BP算法),算法的原理就是不断寻找l1范数最小的x来解释我们采样到的信号b,如果我们找到了一种足够稀疏的信号(l1范数足够小的信号)
那么我们就认为我们的方程组找到了最合适的解。
2.我们经常能够看到最小化l1范数的误差估计问题,误差估计数学问题描述为如下的问题
A是M*N的满秩矩阵,y是得到的采样值,假设,我们通过信道采样y的时候难免信号会有丢失或者噪声,也就是说我们的得到的y本质上是y=y+e,这里的e就是噪声信号。,同样这个噪声估计的问题也是一个LP问题
3.带有二次约束问题的最小化l1范数问题:
这个问题我们用数学公式表达出来是这样的:
在1问题的基础上我们把原来的等式转为二次约束模型。在这里ε表示一个确定的参数,把原来1问题中的带有等式约束的模型,通过引入松弛变量的方式转为了二次凸规划(SOCP)的问题。这个数学公式的意思是,寻找出一个足够稀疏的信号x满足,在这里e代表一个很小的误差变量
4.有界冗余相关的l1范数最小化:
这种算法也叫Dantzig算法
数学问题描述如下:
我们重新描述了上面的问题,转为上面的公式这里的伽马是一个具体的参数,在1问题里面我们重新引入一种松弛变量,这个数学问题的意思是,找到一种尽可能稀疏的x使得,Ax-b的剩余项与A*的任何一列最大程度的不相关A*(Ax-b).
所以问题4中的数学模型是一种LP问题
5.在图像上面引入TV模型,重写上面的公式的表述形式
如果我们要把压缩感知的模型应用在图像上,因为图像的梯度是稀疏的,这里我们用梯度来描述整个图像
定义梯度的操作算子:
分别定义了水平方向和竖直方向的梯度算子这里描述为h和v方向上的梯度
因为整个图像每个点都是梯度的,这里我们把梯度全部加起来(也就全变分)
这就是传说中的(全变分)TV模型,(全变分)TV模型国内研究的人也很多,常用来做去噪和复原的算法,相关论文有很多。
有了上面的定义,我们把上面的数学模型应用在图像复原,上面的每一个数学模型都可以写成SOCP(二次规划)问题
A.带有等式约束的最小化TV模型
B.带有二次规划的最小化TV模型
C.Dantzig TV模型
下一章我将会介绍内点算法。
相关文章推荐
- [NOIP2005][CODEVS1106]篝火晚会(模拟+数学相关)
- 拓扑排序
- 拓扑排序
- 通信职业规划
- UVA 11879 Multiple of 17
- python后端开发视频教程学习笔记
- 发布一款原创JavaScript模板引擎插件(将html模板快速渲染成数据对应的HTML片段的工具)
- CRM
- HDU3681(Prison Break)
- (OK) using-VScode_cordova_ionic_taco-cli_Genymotion
- 关于python的self
- 16 pointFixLike
- 致自己-面试总结(机器学习、数据挖掘、自然语言处理、==)
- #ZLYD团队第二周项目总结
- 探索AutoLayout的本质和解决一些问题
- iOS中常用UI层方法总结
- 整理的网站
- java位移经典
- 【BZOJ 1014】【JSOI 2008】火星人prefix
- 【VS开发】关于SEH的简单总结