压缩感知中的测量矩阵（Measurement Matrix）详解

压缩感知中的测量矩阵（Measurement Matrix）详解

目录

1. 引言
2. 测量矩阵的基本概念
3. 测量矩阵的主要作用
4. 测量矩阵的核心性质
   • 不相干性（Incoherence）
   • RIP（Restricted Isometry Property）
5. 典型的测量矩阵构造方法
   • 随机高斯矩阵
   • 随机伯努利矩阵
   • 部分傅里叶矩阵（Partial Fourier）
   • 其他随机构造方式
6. 测量矩阵的维度与稀疏度的关系
7. 测量矩阵中的噪声与稳定性
8. 总结
9. 示例代码（Python）

---

引言

在压缩感知（Compressed Sensing, CS）框架中，测量矩阵（Measurement Matrix）起着至关重要的“压缩”作用。它能够在“信号还没有被完整采样”之前，就先将信号映射到一个更低维的测量空间中，从而极大地降低所需采样点的数量。测量矩阵经常被记为 $\mathbf{\Phi }$，尺寸为 $M\times N$，其中：

• $N$ 表示原始信号或向量的维度；
• $M$ 则表示所获得的压缩观测的维度（且一般 $M\ll N$）。

本篇我们将从基础概念、作用、关键性质到常见构造方法，对测量矩阵进行深入而通俗的解析。

---

测量矩阵的基本概念

设有一个原始信号向量 $\mathbf{x}\in {\mathbb{R}}^N$，我们所做的“压缩采样”即用一个 $M\times N$ 的矩阵 $\mathbf{\Phi }$ 将 $\mathbf{x}$ 映射成一个只有 $M$ 维的向量 $\mathbf{y}$：
$$\mathbf{y}=\mathbf{\Phi x},\mathbf{y}\in {\mathbb{R}}^M.$$
之所以能够“用比N小得多的M”来观测到足够多的信息，是因为压缩感知假设 $\mathbf{x}$ 在某个域是稀疏或可压缩的，并且 $\mathbf{\Phi }$ 要满足一定的随机性和不相干性，使得在少量观测的情况下，依然可以通过后续的重建算法，高概率地重构出原始信号。

---

测量矩阵的主要作用

1. 减少采样点：传统的奈奎斯特采样需要至少与信号带宽或尺寸相当的采样点数，而CS中的测量矩阵让我们可以使用远少于 $N$ 的测量来获取关于 $\mathbf{x}$ 的“主要信息”。
2. 保证可重建性：如果测量矩阵满足特定的性质（例如RIP、不相干性），就能使得在一定条件下通过${\ell }_1$最小化或贪婪算法从 $\mathbf{y}$ 反推出 $\mathbf{x}$。
3. 应对高维数据：如图像、视频或高维传感器数据，测量矩阵提供了一种“先压缩后重建”的思路，降低存储和传输开销。

---

测量矩阵的核心性质

不相干性（Incoherence）

概念：当测量矩阵与信号的稀疏基（或变换域基）之间互不相关时，少量的测量也能捕获到足够的稀疏系数信息。若二者高度相关，就需要更多测量才能有效区分这些系数。

用数学方式简单表示，若信号在基 $\mathbf{\Psi }$ 下是稀疏的，则 $\mathbf{x}=\mathbf{\Psi }\mathbf{\alpha }$。我们在测量 $\mathbf{x}$ 时，相当于：
$$\mathbf{y}=\mathbf{\Phi x}=\mathbf{\Phi \Psi }\mathbf{\alpha }.$$
这里 $\mathbf{\Phi \Psi }$ 应当与 $\mathbf{\alpha }$ 低相关度（或不相干），这样少量观测也能区分开不同的稀疏分量。

RIP（Restricted Isometry Property）

简要回顾：RIP的含义是——对所有 $K$-稀疏向量 $\mathbf{x}$，测量后信号的长度（${\ell }_2$范数）与原信号长度大致相同：
$$(1-\delta )\Vert \mathbf{x}{\Vert }_2^2\le \Vert \mathbf{\Phi x}{\Vert }_2^2\le (1+\delta )\Vert \mathbf{x}{\Vert }_2^2.$$
只要 $\delta$ 较小（通常称其为RIP常数），就说明 $\mathbf{\Phi }$ 对所有 $K$-稀疏向量几乎是一个等距映射，它不会把不同稀疏向量折叠到同一个测量结果中。这就使得后续的信号重建成为可能。

---

典型的测量矩阵构造方法

下面我们列举几种常见的、在理论和实践中都颇具代表性的构造方式。

随机高斯矩阵

• 构造：$\mathbf{\Phi }$ 的每个元素独立抽取自正态分布 $\mathcal{N}(0,1/\sqrt{M})$ 或 $\mathcal{N}(0,1)$（有时需要对列或行做归一化）。
• 优点：满足RIP的概率非常高；不相干性往往也比较好。
• 缺点：存储量大（要存下 $M\times N$ 个随机数），对硬件实现有时不够友好。

随机伯努利矩阵

• 构造：$\mathbf{\Phi }$ 的元素独立取 $\pm 1$ 或 { 0 , 1 } \{0,1\} {0,1} 等离散分布；有时也需要均值为零、方差归一。
• 优点：存储简化，尤其是 $\pm 1$ 形式容易在数字电路或光学系统中实现。
• 缺点：需要关注对稀疏基的兼容性，某些情况下随机伯努利矩阵的实际测量噪声容忍度可能比高斯略差。

部分傅里叶矩阵（Partial Fourier）

• 构造：先写出 $N\times N$ 的离散傅里叶变换（DFT）矩阵，然后随机抽取其中的 $M$ 行，组成 $M\times N$ 的“部分傅里叶矩阵”。
• 常见应用：MRI成像（医学中的磁共振），因为对应的观测天生就是傅里叶域的数据。
• 优点：无需大量随机数；对自然图像或信号（常在傅里叶域稀疏）十分有效；
• 缺点：实现上要确保行选择的随机性，同时也要考虑噪声场景下的稳定性。

其他随机构造方式

• 随机Toeplitz或Circulant矩阵：只需生成一行随机数，通过卷积结构实现测量，硬件实现更高效。
• 随机稀疏矩阵：在某些场合考虑硬件效率，可让测量矩阵的部分元素为0，从而减少乘法运算。
• 行或列分块随机化：在大规模问题中常被采用，兼顾RIP和计算效率。

---

测量矩阵的维度与稀疏度的关系

1. 信号稀疏度 $K$：假设信号在某个基下最多只有 $K$ 个非零系数。
2. 测量数 $M$：如果选取的测量数太少，则根本不足以区分所有可能的 $K$-稀疏信号；反之，如果选取的 $M$ 足够大，就能确保满足一定重建概率。
3. 理论界：压缩感知理论表明，若 $M\ge C\cdot K\cdot \log (\frac{N}{K})$（其中C是常数），则有高概率可恢复原始信号。该不等式经常出现在Candès、Donoho等人的经典论文中。

---

测量矩阵中的噪声与稳定性

• 在实际中，$\mathbf{y}=\mathbf{\Phi x}+ϵ$，其中 $ϵ$ 代表噪声。
• 一旦有噪声，测量矩阵需要尽可能满足RIP等性质，以使得重建结果对噪声具有鲁棒性。
• 对于噪声模型，也可使用 ${\ell }_2$ 范数约束或加入正则化形式（如 Lasso）来进行稳健的稀疏重建。

---

总结

• 测量矩阵 是压缩感知中的“关键魔术”，能用少量测量来完整“感知”到一个高维稀疏信号的主要信息。
• 其核心要求是满足不相干性与RIP，并且尺寸 $M$ 通常与信号的稀疏度 $K$ 密切相关；
• 常见实现包括随机高斯、随机伯努利、部分傅里叶等；
• 在硬件或实际应用中，兼顾存储、计算开销与对稀疏基的“兼容性”，才能发挥测量矩阵在压缩感知中的强大威力。

---

示例代码（Python）

下面给出一个简单的演示示例，展示了如何用随机高斯测量矩阵对一个稀疏信号进行采样。然后简单打印测量结果以及测量矩阵的某些特性。

注意：这只是一段小示例，用来说明测量矩阵的生成与使用，未含完整的重建流程。

import numpy as np

# 1. 设置参数
N = 100   # 原始信号长度
M = 30    # 测量数 (M < N)
K = 5     # 稀疏度

# 2. 构造稀疏信号 x_true
x_true = np.zeros(N)
nonzero_indices = np.random.choice(N, K, replace=False)
x_true[nonzero_indices] = np.random.randn(K) * 5  # 加大幅度以看得更明显

# 3. 随机高斯测量矩阵 Phi
#   每个元素是 N(0,1)，也可做一些归一化
Phi = np.random.randn(M, N)

# 4. 获取观测值 y = Phi * x_true
y = Phi.dot(x_true)

# 5. 打印信息
print("测量矩阵 Phi (部分展示):\n", Phi[:5,:5])  # 仅显示前5行、前5列
print("原始信号 x_true:\n", x_true)
print("观测向量 y:\n", y)
print("观测向量长度:", len(y))

# (可选) 观察测量矩阵行的范数、统计特性
row_norms = np.linalg.norm(Phi, axis=1)
print("各行范数 (前10个):", row_norms[:10])