压缩感知入门--论文解读 1.Compressive Sensing by Richard G. Baraniuk
2016-12-08 21:15
1221 查看
Compressive Sensing是压缩感知的入门级文章。
首先结合以前的压缩给出了压缩感知的优点。即,以往的压缩,是sample-then-compress framework 即必须先采样,再压缩,这种压缩固有其缺点,即,一,采样数N数量大;二,即便将N压缩成为K,每个采样点的系数必须计算好,即必须计算N个系数;三,大系数的位置必须被编码。
然后给出了压缩感知的基本概念和方法,即压缩感知可以直接只测量被压缩的数据,而不用测量无用数据,这样就减少了很多工作量。测量的数据可以写成y=Φ
x=ΦΨ
s=Θ
s ,
ΦΨ =Θ 是一个M*N维矩阵,测量的过程如图一,
图一,压缩感知处理过程。
将K稀疏的信号S(S为X的Ψ 域表示)变换为M维的数据y。
在满足RIP准则的情况下,这个变换可以被重构,即可以从y恢复出S。
RIP准则为:
如果存在一个ε∈(0,1)
,
那么就可以从y中恢复出s。
接着论文给出了信号重建的三个可能的算法,即l0范数重建,l2范数重建和l1范数重建,最后证明了l1范数重建是一个可行的方法。证明过程还用几何图形的方法说明。
首先结合以前的压缩给出了压缩感知的优点。即,以往的压缩,是sample-then-compress framework 即必须先采样,再压缩,这种压缩固有其缺点,即,一,采样数N数量大;二,即便将N压缩成为K,每个采样点的系数必须计算好,即必须计算N个系数;三,大系数的位置必须被编码。
然后给出了压缩感知的基本概念和方法,即压缩感知可以直接只测量被压缩的数据,而不用测量无用数据,这样就减少了很多工作量。测量的数据可以写成y=Φ
x=ΦΨ
s=Θ
s ,
ΦΨ =Θ 是一个M*N维矩阵,测量的过程如图一,
图一,压缩感知处理过程。
将K稀疏的信号S(S为X的Ψ 域表示)变换为M维的数据y。
在满足RIP准则的情况下,这个变换可以被重构,即可以从y恢复出S。
RIP准则为:
如果存在一个ε∈(0,1)
,
那么就可以从y中恢复出s。
接着论文给出了信号重建的三个可能的算法,即l0范数重建,l2范数重建和l1范数重建,最后证明了l1范数重建是一个可行的方法。证明过程还用几何图形的方法说明。
相关文章推荐
- compressive sensing matlab demo 压缩感知入门
- 读彬彬有礼压缩感知相关论文笔记3——沙威程序解读
- 压缩感知入门
- 压缩感知之二:compressed sensing for MRI
- 关于压缩感知的20篇论文点评
- Rachel_Zhang的“压缩感知”之“HelloWorld"解读
- Compressive Tracking之CompressiveSensing(压缩感知理论)
- 一种有效的压缩感知方法——读Levin论文笔记
- 读彬彬有礼压缩感知相关论文笔记5——单像素相机
- 压缩感知学习入门
- 压缩感知入门(1)
- 压缩感知论文内容整理学习
- 计算机视觉图像处理机器学习压缩感知等论文代码大全
- 读彬彬有礼压缩感知相关论文笔记4——凸优化问题
- 学习压缩感知及稀疏表示之入门
- 计算机视觉图像处理机器学习压缩感知等论文代码大全
- Semantic Segmentation --Improve Semantic Segmentation by Global Convolutional Network(GCN)论文解读
- 读彬彬有礼压缩感知相关论文笔记2——lp球范数相关了解
- Enterprise Library Step By Step系列(三):数据访问程序块——入门篇
- Linux 内核解读入门