压缩感知基础1

CS基本概念

1.【率失真理论】
用信息论的基本观点和方法研究数据压缩问题，又称限失真信源编码理论。基本问题是：对于一个给定的信源分布与失真度量，在特定的码率下能达到的最小期望失真，或满足一定的失真限制，最小描述码率是多少。

2.【NP问题】
non-deterministic polynominal即非确定多项式问题。时间复杂度：并不是表示一个程序解决问题需要花多长时间，而是程序需要的时间长度增长的有多快。
NPC是NP完全问题，满足：是一个NP问题并且所有的NP问题都可以约化到它。
NP-Hard问题：满足NPC第二条但不满足第一条。

3.【RIP条件】有限等距性质。
保证能把任一K稀疏信号映射为唯一的，也就是说要想通过压缩观测y恢复k稀疏信号，必须保证传感矩阵满足2k阶RIP，满足2k阶RIP的矩阵任意2k列线性无关。
http://blog.csdn.net/jbb0523/article/details/44565647

4.【压缩成像技术】利用硬件实现目标图像的非自适应线性投影，从而达到利用较少数目探测器获取高精度目标图像的目的。

5.【医学图像分析】X射线成像、计算机层析（CT）、核磁共振成像、超声成像等，对图像进行增强、标记、染色等以帮助医生诊断疾病，协助医生对感兴趣区域进行定量测量与比较。

6.【底层视觉】滤波、增强、边缘检测、各种变换。
中层视觉：由输入图像和要素图得到场景深度、表面各点法线方向等。实现途径：立体视觉测距成像、运动估计、明暗特征、纹理特征、系统标定、系统成像。
高层视觉：以物理为中心的坐标系中，在输入图像、要素图、2.5维图，恢复物体的完整3维图。

7.【l0范数】-指向量中非0元素的个数，用l0范数来规则化一个参数矩阵W，就是希望W的大部分元素都是0，即“稀疏”。
【l1范数】-指向量中各元素绝对值之和。由于l0范数很难优化求解（NP难）并且l1是l0的最优凸近似，因此人们大多用l1范数而不用l0范数。
【l2范数】-向量中各元素的平方和再求平方根，让l2范数的规则最小，可使W的每个元素都很小，接近0，防止过拟合，提升模型的泛化能力。
【l1-l2范数】l2范数能够评价估计值与原始信号之间的差别，有效增加算法对噪声的抑制能力，l1范数能让更多的值取0，增加估计值的稀疏性，正则因子的引入在噪声的抑制能力和信号稀疏性上做一个折中。

8.【DPCM】差分脉冲编码调制。
为了压缩数据，可以不对每一样值都进行量化，而是预测下一样值，并量化实际值与预测值间的差值。

9.【均匀量化】采用等间隔处理采样数据得到的信号值。