压缩感知（Compressive Sensing）

从数学上来说，CS就是在一定的条件下求解欠定(不适定)方程，条件包括x要是稀疏的，测量矩阵要满足RIP条件，那么欠定(不适定)方程就会以很大的概率有唯一解。
压缩感知是一种重建技术，它利用信号的稀疏性或压缩性，只需少量随机的测量就可重构出完整信号。如果信号是稀疏的，那么它可以由远低于采样定理要求的采样点重建恢复，打破了奈奎斯特采样定律的限制。

1、稀疏表示
假设信号x在某个基（字典）中具有稀疏表示，即x=s，s是稀疏的.    

“稀疏”表示s的大多数元素都是0或接近0，可能是具有适当性质的矩阵，包括傅里叶基，小波基等。

2、测量过程
测量矩阵，即y=x，通过矩阵来获得x的测量y。

与存在不相关性，因为如果一个信号在下稀疏，应该能保留这个信号的稀疏性。在实际中通常通过随机测量矩阵(随机测量矩阵是一个由随机元素构成的矩阵。这些元素通常是从一个已知的概率分布（如高斯分布、伯努利分布等）中抽取的)的使用来满足。因为随机测量矩阵通常与任何固定字典几乎不相关。 

的行数M小于信号x的长度N。

 x=s

 y=s

3、重建过程

从y直接解出s不可行，因为方程是欠定的。

引入优化过程来解决这个问题

原始优化问题：找到一个s，使得y=s，并且s的L0范数（s中非零元素的个数）最小。

min0     subject to y=s

这是一个NP-hard问题（要检查其每一个子集，找到y=s的子集，并且子集的大小最小，这是一个指数级计算量，对实际问题几乎不可能）
因此，转而寻找一个近似解，选择一个满足y=s的s，并且使得s的L1范数（所有元素的绝对值之和）最小。

min1     subject to y=s

L1范数问题是一个凸优化问题，可以使用已有优化算法求解，在某些条件下（如RIP，Coherence Property）等，这个L1范数最小化问题可以找到与L0范数最小化问题相同的解，即原信号的正确稀疏表示。