题目:压缩感知重构算法之稀疏度自适应匹配追踪(SAMP)
鉴于前面所述大部分OMP及其前改算法都需要已知信号的稀疏度K,而在实际中这个一般是不知道的,基于此背景,稀疏度自适应匹配追踪(Sparsity Adaptive MP)被提出。
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。
注意:这里的稀疏表示模型为x=Ψθ,所以传感矩阵A=ΦΨ;而有些文献中稀疏模型为θ=Ψx,而一般Ψ为Hermite矩阵(实矩阵时称为正交矩阵)所以Ψ-1=ΨH(实矩阵时为Ψ-1=ΨT),即x=ΨHθ,所以传感矩阵A=ΦΨH,例如沙威的OMP例程中就是如此。1、SAMP重构算法流程:
以上这个算法流程仅供参考,完全是为了与前面各算法流程形式上保持一致而写的,其实直接看文献[1]中的流程图更明了一些:
2、稀疏度自适应匹配追踪(SAMP)Matlab代码(CS_SAMP.m)
代码参考了文献[2]中的SAMP.m,也可在www.pudn.com中搜索SAMP,可以搜到很多结果。也许这里程序主循环用while循环比较合适,不过这里保持和前面各算法的一致性,仍用for循环。
function [ theta ] = CS_SAMP( y,A,S )
%CS_SAMP Summary of this function goes here
%Version: 1.0 written by jbb0523 @2015-05-08
% 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
% Reference:Thong T.Do,Lu Gan,Nam Nguyen,Trac D.Tran.Sparsity adaptive
% matching pursuit algorithm for practical compressed sensing[C].Asilomar
% Conference on Signals,Systems,and Computers,Pacific Grove,California,
% 2008,10:581-587.
% Available at:
% http://dsp.rice.edu/sites/dsp.rice.edu/files/cs/asilomar08_final.pdf
[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)
Pos_theta = [];%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
L = S;%初始化步长(Size of the finalist in the first stage)
Stage = 1;%初始化Stage
IterMax = M;
for ii=1:IterMax%最多迭代M次
%(1)Preliminary Test
product = A'*r_n;%传感矩阵A各列与残差的内积
[val,pos]=sort(abs(product),'descend');%降序排列
Sk = pos(1:L);%选出最大的L个
%(2)Make Candidate List
Ck = union(Pos_theta,Sk);
%(3)Final Test
if length(Ck)<=M
At = A(:,Ck);%将A的这几列组成矩阵At
else
theta_ls=0;
break;
end
%y=At*theta,以下求theta的最小二乘解(Least Square)
theta_ls = (At'*At)^(-1)*At'*y;%最小二乘解
[val,pos]=sort(abs(theta_ls),'descend');%降序排列
F = Ck(pos(1:L));
%(4)Compute Residue
%A(:,F)*theta_ls是y在A(:,F)列空间上的正交投影
theta_ls = (A(:,F)'*A(:,F))^(-1)*A(:,F)'*y;
r_new = y - A(:,F)*theta_ls;%更新残差r
if norm(r_new)<1e-6%halting condition true
Pos_theta = F;
%r_n = r_new;%更新r_n以便输出最新的r_n
break;%quit the iteration
elseif norm(r_new)>=norm(r_n)%stage switching
Stage = Stage + 1;%Update the stage index
L = Stage*S;%Update the size of finalist
if ii == IterMax%最后一次循环
Pos_theta = F;%更新Pos_theta以与theta_ls匹配,防止报错
end
%ii = ii - 1;%迭代次数不更新
else
Pos_theta = F;%Update the finalist Fk
r_n = r_new;%Update the residue
end
end
theta(Pos_theta)=theta_ls;%恢复出的theta
end
3、SAMP单次重构测试代码
以下测试代码基本与OMP单次重构测试代码一样。
%压缩感知重构算法测试
clear all;close all;clc;
M = 128;%观测值个数
N = 256;%信号x的长度
K = 30;%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)/sqrt(M);%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_SAMP( y,A,5);
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 0.079620 seconds.
恢复残差:
ans=
1.3008e-014
4、稀疏度K与重构成功概率关系曲线绘制例程代码
以下测试代码为了与文献[1]的Fig.5(a)作比较。由于暂未研究学习LP算法,所以相比于文献[1]的Fig.5(a)缺少LP算法曲线。另外,本人的ROMP性能不如各文献中的ROMP,不知是不是算法理解有误。
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 = [128];%测量值集合
KIND = ['OMP ';'ROMP ';'StOMP ';'SP ';'CoSaMP ';...
'SAMP,s=1 ';'SAMP,s=5 ';'SAMP,s=10'];
Percentage = zeros(N,length(M_set),size(KIND,1));%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 = 10:5:70;%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
%存储此测量值M下不同K的恢复成功概率
PercentageM = zeros(size(KIND,1),length(K_set));
for kk = 1:length(K_set)
K = K_set(kk);%本次信号x的稀疏度K
P = zeros(1,size(KIND,1));
fprintf('M=%d,K=%d\n',M,K);
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)/sqrt(M);%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
%(1)OMP
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(1) = P(1) + 1;
end
%(2)ROMP
theta = CS_ROMP(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(2) = P(2) + 1;
end
%(3)StOMP
theta = CS_StOMP(y,A);%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(3) = P(3) + 1;
end
%(4)SP
theta = CS_SP(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(4) = P(4) + 1;
end
%(5)CoSaMP
theta = CS_CoSaMP(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(5) = P(5) + 1;
end
%(6)SAMP,s=1
theta = CS_SAMP(y,A,1);%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(6) = P(6) + 1;
end
%(7)SAMP,s=5
theta = CS_SAMP(y,A,5);%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(7) = P(7) + 1;
end
%(8)SAMP,s=10
theta = CS_SAMP(y,A,10);%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(8) = P(8) + 1;
end
end
for iii = 1:size(KIND,1)
PercentageM(iii,kk) = P(iii)/CNT*100;%计算恢复概率
end
end
for jjj = 1:size(KIND,1)
Percentage(1:length(K_set),mm,jjj) = PercentageM(jjj,:);
end
end
toc
save KtoPercentage1000SAMP %运行一次不容易,把变量全部存储下来
%% 绘图
S = ['-ks';'-ko';'-yd';'-gv';'-b*';'-r.';'-rx';'-r+'];
figure;
for mm = 1:length(M_set)
M = M_set(mm);
K_set = 10:5:70;
L_Kset = length(K_set);
for ii = 1:size(KIND,1)
plot(K_set,Percentage(1:L_Kset,mm,ii),S(ii,:));%绘出x的恢复信号
hold on;
end
end
hold off;
xlim([10 70]);
legend('OMP','ROMP','StOMP','SP','CoSaMP',...
'SAMP,s=1','SAMP,s=5','SAMP,s=10');
xlabel('Sparsity level K');
ylabel('The Probability of Exact Reconstruction');
title('Prob. of exact recovery vs. the signal sparsity K(M=128,N=256)(Gaussian)');
本程序在联想ThinkPadE430C笔记本(4GBDDR3内存,i5-3210)上运行共耗时1591.830781秒,程序中将所有数据均通过“save KtoPercentage1000SAMP”存储了下来,以后可以再对数据进行分析,只需“load KtoPercentage1000SAMP”即可。
本程序运行结果:
参考文献[1]中的Fig.4(a):
5、测量数M与重构成功概率关系曲线绘制例程代码
以下测试代码为了与文献[1]的Fig.4(a)作比较。由于暂未研究学习LP算法,所以相比于文献[1]的Fig.4(a)缺少LP算法曲线。另外,本人的ROMP性能不如各文献中的ROMP,不知是不是算法理解有误。
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 = [20];%信号x的稀疏度集合
KIND = ['OMP ';'ROMP ';'StOMP ';'SP ';'CoSaMP ';...
'SAMP,s=1 ';'SAMP,s=5 ';'SAMP,s=10'];
Percentage = zeros(N,length(K_set),size(KIND,1));%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 = 50:5:100;%M没必要全部遍历,每隔5测试一个就可以了
%存储此稀疏度K下不同M的恢复成功概率
PercentageK = zeros(size(KIND,1),length(M_set));
for mm = 1:length(M_set)
M = M_set(mm);%本次观测值个数
P = zeros(1,size(KIND,1));
fprintf('M=%d,K=%d\n',M,K);
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)/sqrt(M);%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
%(1)OMP
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(1) = P(1) + 1;
end
%(2)ROMP
theta = CS_ROMP(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(2) = P(2) + 1;
end
%(3)StOMP
theta = CS_StOMP(y,A);%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(3) = P(3) + 1;
end
%(4)SP
theta = CS_SP(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(4) = P(4) + 1;
end
%(5)CoSaMP
theta = CS_CoSaMP(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(5) = P(5) + 1;
end
%(6)SAMP,s=1
theta = CS_SAMP(y,A,1);%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(6) = P(6) + 1;
end
%(7)SAMP,s=5
theta = CS_SAMP(y,A,5);%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(7) = P(7) + 1;
end
%(8)SAMP,s=10
theta = CS_SAMP(y,A,10);%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(8) = P(8) + 1;
end
end
for iii = 1:size(KIND,1)
PercentageK(iii,mm) = P(iii)/CNT*100;%计算恢复概率
end
end
for jjj = 1:size(KIND,1)
Percentage(1:length(M_set),kk,jjj) = PercentageK(jjj,:);
end
end
toc
save MtoPercentage1000SAMP %运行一次不容易,把变量全部存储下来
%% 绘图
S = ['-ks';'-ko';'-yd';'-gv';'-b*';'-r.';'-rx';'-r+'];
figure;
for kk = 1:length(K_set)
K = K_set(kk);
M_set = 50:5:100;
L_Mset = length(M_set);
for ii = 1:size(KIND,1)
plot(M_set,Percentage(1:L_Mset,kk,ii),S(ii,:));%绘出x的恢复信号
hold on;
end
end
hold off;
xlim([50 100]);
legend('OMP','ROMP','StOMP','SP','CoSaMP',...
'SAMP,s=1','SAMP,s=5','SAMP,s=10');
xlabel('No. of Measurements');
ylabel('The Probability of Exact Reconstruction');
title('Prob. of exact recovery vs. the number of measurements(K=20,N=256)(Gaussian)');
本程序在联想ThinkPadE430C笔记本(4GBDDR3内存,i5-3210)上运行共耗时373.898668秒,程序中将所有数据均通过“save SAMPMtoPercentage1000”存储了下来,以后可以再对数据进行分析,只需“load SAMPMtoPercentage1000”即可。
本程序运行结果:
参考文献[1]中的Fig.5(a):
6、结语
读几遍SAMP的被提出的参考文献[1]的题目:Sparsity adaptive matching pursuit algorithm for practical compressed sensing,注意后面的“for practical compressed sensing”,这也就解释了很多网友的疑问,程序中的信号直接假设是稀疏的,但现实中的信号都不知道稀疏度是多少啊?前面大部分重构算法都要求输入稀疏度K,那怎么办呢?这时SAMP出场了,它是专为了“practical compressed sensing”而提出的,因为现实中的信号一般稀疏度未知或者说不是严格稀疏的,所要需要稀疏度自适应的算法,也就是SAMP了。
另外在测试时发现前面的CoSaMP有缺陷,因此对此进行了更新,在主循环中加入了:
if kk == 1
theta_ls = 0;
end
以防止第1就跳出循环导致theta_ls未定义,其它地方未改。
参考文献:
[1]Thong T.Do,Lu Gan,NamNguyen,Trac D.Tran.Sparsityadaptive matching pursuit algorithm for practical compressed sensing[C].AsilomarConference on Signals,Systems,andComputers,Pacific Grove,California,2008,10:581-587.
(Availableat: http://dsp.rice.edu/sites/dsp.rice.edu/files/cs/asilomar08_final.pdf)
[2]付自杰.cs_matlab. http://www.pudn.com/downloads641/sourcecode/math/detail2595379.html
[3]杨真真,杨震,孙林慧.信号压缩重构的正交匹配追踪类算法综述[J]. 信号处理,2013,29(4):486-496.