一、背景介绍
传统采样理论介绍及问题提出
传统的基于Nyquist采样定理指导下的信息的处理主要表现在两个方面:
①采样速率需达到信号带宽的两倍以上才能精确重构信号。这样的采样硬件成本昂贵,获取效率低下,对宽带信号处理的困难日益加剧。
②在实际应用中,为了降低成本,人们常将采样的数据经压缩后以较少的比特数表示信号,而很多非重要的数据被抛弃,这种高速采样再压缩的方式浪费了大量的采样资源,另外一旦压缩数据中的某个或某几个丢失,可能将造成信号恢复的错误。
然而,在现实生活中,随着信息技术的高速发展,信息量的需求增加,携带信息的信号所占带宽也越来越大,这就大大考验了数字化社会对信息处理的能力,包括:数据存储、传输和处理速度,基于Nyquist采样的理论遭到严峻的考验。
二、压缩感知理论的基本思想
基本思想:
信号是可压缩的或在某个变换域是稀疏的;
可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上;
通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号。
三、研究现状
四、压缩感知理论分析
1、压缩感知的前提
E.Candes等人证明了:信号的稀疏性是CS(压缩感知)的必备条件。
信号是可压缩的或在某个变换域是稀疏的,这个条件的限制等同于信号带宽对于Nyquist采样定理的约束。
2、压缩感知流程
如同信号带宽对于Nyquist,信号的稀疏性是CS的必备条件;
如同Nyquist采样规则对于Nyquist-Shannon采样定理,CS的关键是非相关测量(该测量称为测量矩阵),他们都是信号得以精确恢复的条件;
如同Fourier变换对于Nyquist,非线性优化是CS重建信号的手段。
五、压缩感知的应用
1、波形信号仿真分析
信号长度为N=256,稀疏度为K=7,测量数M=32。信号为三个频率叠加的正弦信号,傅里叶正交变换矩阵作为系数矩阵,高斯矩阵来测量,并用OMP算法重构原信号。
2、CS图像融合
图像融合是对来自单一传感器不同时间、不同环境下获取的图像或由多个传感器同一时间获取的信息进行多级别、多层次的处理与综合,从而获得更丰富、更精确、更可靠的有用信息。
图像融合的目的是提高图像显示的质量、实现图像的特征提取、图像去噪、目标识别和跟踪以及图像的三维重构。
大部分图像的稀疏特性为CS的应用带来可能,同时CS的引入为图像的融合在计算速度、融合策略上都带来了新的飞跃。
3、CS与雷达成像
在雷达目标探测中,目标相对于背景高度稀疏,与复杂的雷达系统、海量数据呈现极度的不平衡,这就为CS技术在雷达目标探测与识别的应用提供了必要的条件。
参考视频: