压缩感知，稀疏重构笔记

压缩感知的基本思想稀疏重构条件：

压缩感知的基本思想是：只要信号是稀疏或可压缩的，则可用一个测量矩阵在低维空间上表示这个高维信号，然后通过求解一个优化问题就能近似地重构出信号。稀疏表示、编码测量和稀疏重构是压缩感知理论的三个重要组成部分其中，稀疏重构，即由观测向量重构稀疏信号的过程，是压缩感知理论的核心。应用稀疏重构对人造目标进行稀疏成像可以极大地提高成像结果的分辨率。

压缩感知理论指出，信号或图像精确重建必须满足以下三个条件：
（1）稀疏性，即在某种变换域下信号或图像可被稀疏表示；
（2）测量矩阵满足限制等容性准则（Restricted Isometry Property，RIP）条件，即要满
足与信号本身是互不相干的；
（3）通过非线性优化的重建模型精确重建.

稀疏重构适用场景以及优势：

高频区，目标总的电磁散射可以由局部散射中心散射的合成来近似，可以将稀疏重构方法应用于属性散射中心模型估计上。基于稀疏重构的属性散射模型参数估计方法直接从观测数据中估计散射中心参数，避免了对图像分割处理，因此不存在能量泄漏问题

只要信号是稀疏或可压缩的，则可用一个测量矩阵在低维空间上表示这个高维信号，然后通过求解一个优化问题就能近似地重构出信号。

缺点：红色。

优点：蓝色。

lP范数非凸优化算法而言，其性能表现较为出色，超分辨能力强，且重构精度高。对SNR 较为敏感，抗噪性能不好。弊端：就是需要人为设置两个参数:收缩参数和正则化参数，对于不同的信号形式，不同的观测矩阵，不同的信噪比而言，这两个参数的最优值都是不同的，仿真实验前都需要对花大量的时间进行参数的调整。

应用CVX 进行l1 范数最小化的方法，其各方面性能较为适中，不过运行速度太慢是一大缺点。此外l1范数最小化方法需要人为的设置正则化参数，因此对噪声较为敏感。

MP 算法而言，其重构精度最差，没有超分辨能力，对于噪声很敏感，抗噪性能不好，但是由于OMP 算法复杂度最低，其经常被用于工程实践当中。

BCS 算法而言，其在抗噪性能方面表现出了不错的性能，缺点在于其超分辨能力不强。

总结：实验结果表明l1 范数最小化方法性能适中；贪婪算法重构精度最差，没有超分辨能力，对于噪声很敏感，BCS 算法抗噪性能好，重构精度高，但超分辨能力不强；lP 范数非凸优化方法超分辨能力强，且重构精度高，但对SNR 较为敏感。