0初学压缩感知CS

前言：压缩感知理论一直是一个热门话题，在光学成像领域做典型的应用就是单像素成像，也有学者将压缩感知理论引入其他光学系统以突破光学物理限制。本文初步介绍下压缩感知理论以及压缩感知理论的关键问题。作为CS的初学者，仅此来记录自己的学习过程，如有侵权请联系删除。本人主要研究方向为光学成像，目前在学习压缩感知理论，有感兴趣的小伙伴可以联系一同学习。

---

1. 压缩感知原理

压缩感知是通过远小于传统香农采样定理采集信号数据量的测量值y恢复原始信号x的全部信息，而我们要做的就是从采集的少量数据中解码得到原始的大量信息，首先就要求所采集到的数据包含了恢复原始信号的全局信息，其次要求设计一种算法可以从中解码还原出原始信息。陶哲轩指出了如果原始信号在某类域上满足稀疏性就可以做到从少量的测量数据中恢复原始信号，当然在恢复过程中需要特定的算法。

稀疏性：信号可以用少量的非零元素来进行表示，信号可以为一维信号也可以为二维信号。

通俗来讲，压缩感知实现流程为原始稀疏信号通过压缩采样得到测量信号，根据测量信号利用信号重构算法重构信号。在其中由稀疏矩阵，测量矩阵，重构算法三个关键部分组成。下面就针对三部分依次进行介绍。

2.稀疏矩阵

信号能够利用压缩感知的前提条件就是要满足稀疏性，而稀疏矩阵是保证其满足稀疏条件的手段。对于图像信号来讲，对图片进行离散傅里叶变换，离散余弦傅里叶变换，小波变换都是比较好的方式通过变换后可以保证信号的稀疏性。该过程可以表示为x=φs，其中x为原始信号，φ为稀疏矩阵，s为稀疏信号。

3.测量矩阵

通过测量矩阵对原始信号采集得测量矩阵，该过程可以表示为y=Φx，其中y为测量信号，Φ为测量矩阵，x为原始信号。对于测量矩阵Φ还应该满足RIP条件，常见的有高斯矩阵，伯努利矩阵，托普利兹矩阵，哈达玛矩阵。对于使用不同测量矩阵重建结果也不尽相同，有待考究其对结果的影响。对于图片信号，可以根据图片信息设计测量矩阵，更有利于图片重构。

4.重构算法

对于y=Φx问题的求解可以转换为最优化问题：，对于l0范数求解问题为NP难问题，这里用l1范数近似求解：。

对于重构算法分为贪婪算法、凸松弛算法、非凸松弛算法、统计算法四类。近年来也推出了更多的改进算法，后续会针对每一个算法进行推导说明。

思考：对于图片应用压缩感知算法时一般将二维信号转化为一维列向量进行编码重构，以单像素成像为例，其原理为利用DMD器件M次编码，经模数转换电路得到M个测量值，该测量值为DMD编码矩阵与图像相乘得到矩阵值的和，M次排列为一个列向量。这里y和x均为列向量，这样是可以求解呢，那么如果我们不设置模数转换电路，直接利用CCD相机得到编码后的图像，也就是一幅强度图像，这时该如何处理呢？需要利用PC端计算每一次的测量值还是如何？