稀疏表示方法的局限

    信号稀疏表示是过去近20年来信号处理界一个非常引人关注的研究领域，众多研究论文和专题研讨会表明了该领域的蓬勃发展。信号稀疏表示的目的就是在给定的超完备字典中用尽可能少的原子来表示信号，可以获得信号更为简洁的表示方式，从而使我们更容易地获取信号中所蕴含的信息，更方便进一步对信号进行加工处理，如压缩、编码等。

    信号稀疏表示虽然得到广泛研究，但尚存在很多问题需要继续深入挖掘。主要包括：

    1. 构造更为灵活的稀疏表示模型在现有稀疏表示模型中， 存在一个目标函数与约束函数其中，目标函数一般为在假定观测信号具有线性模型形式以及含有高斯白噪声情况下使得噪声的能量最小；约束函数一般指稀疏约束项。这种目标函数一方面将稀疏分量同等对待；另一方面忽视了不同应用中还有其它目标的存在，因为如果单单从表示的角度来看，并不一定要求最稀疏的解是唯一的或最稀疏的解并不是最理想的。例如，在图像重构的过程中，仅仅考虑稀疏解，得到的最稀疏解有可能会造成丢失目标的现象发生。因此，需要构造多目标以及变正则参数的稀疏表示模型，以满足更多应用问题的特点与需要。

    2.确定模型超参数的取值在上述稀疏表示模型中，主要待估参数为稀疏向量 x，但模型中还存在两个超参数： 正则参数 λ 以及表征稀疏程度的参数 k 。在现有文献中， 大多利用人工预先确定的方法来对两个超参数赋值。确定其值后， 进行求解， 然后将求解结果与目标需求进行比较。如果不满足要求， 再调整参数。这必然造成了求解过程的非适应性或非自动化， 也限制了稀疏表示方法在一些自动化程度要求较高的领域的应用。为此需研究稀疏表示模型的自适应求解问题， 构造超参数与观测信号和稀疏向量之间的函数关系。

    3.降低稀疏表示模型求解的不确定性信号稀疏表示理论研究的最终目的是将其应用于各领域， 但现有的模型在实际应用中存在处理性能的不确定性问题：一方面，模型中的目标与实际问题处理目标没有形成闭合环；另一方面，稀疏表示模型求解通常从抽象的数学角度进行设计，一般需要借助于迭代优化方法，迭代过程一般以相邻两次估计值的l2范数满足一定要求作为收敛准则，这意味着收敛准则并没有与应用问题的需求联系起来， 造成了处理性能的不确定性。例如，在图像去噪或高分辨率重构处理中， 在求解稀疏表示模型后，需要利用人眼视觉主观观察以及其它若干客观定量指标来评估处理性能，而这些评估指标在稀疏表示模型中并未得到体现。