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。