压缩感知测量矩阵构造方法研究

前言

  这是我本科毕设的题目，现在毕业过了一个多月才想起来把毕设做的整理一下，写这个博客不为别的，只为纪念一下本科最后的时光吧。记得刚拿到这个题目时，满脑子都是黑人问号，压缩感知到底是个什么东东？也正是因为它，我第一次接触到博客这个强大的东西，在这里搜索关于CS的资料的同时，发现了很多有意思的东西，这里大神云集，能学的东西太多了，所以从那时开始我决定开始玩博客了，取名叫rookie，因为我在这里就是个菜鸟，本科的颓废时光，我要在这里弥补回来，学习大神的成果（总感觉有点偷东西的味道）。说起压缩感知还是挺有缘的，研究生面试的时候，面试老师问我你毕设做的什么，我说压缩感知，他当时就告诉旁边那个老师（也就是现在我的导师），和你的方向一样呀，这个确实和我现在学习的视频编码有一些关联。在此很感谢本科导师孙洁娣老师给我的一些学习上的建议，在我迷茫的时候指点方向。好了，回归正题。

摘要

  压缩感知理论抽样直接减少了多余信息，直接采集有效的信息，刚好弥补了传统抽样会采集极多无用信息的缺点。而测量矩阵的设计又是压缩感知的关键一步。如何设计出采样效率高，重构效果好且易于硬件实现的测量矩阵是我们必须考虑的问题。所以，探索它的设计方法具有重大意义。
  本文首先通过常规压缩技术和压缩感知的对比，指出压缩感知避免了数据冗余问题，能够高效地利用资源并且极大地减少存储空间的特点。其次，在新的理论框架下介绍压缩感知的基本原理，指出测量矩阵需要满足的零空间特性、约束等距特性、非相关性，为测量矩阵的构造提供了理论基础。测量矩阵可以分为随机性测量矩阵和确定性测量矩阵两大类。在随机性测量矩阵中具体给出了随机高斯测量矩阵、随机伯努利测量矩阵。部分哈达吗测量矩阵的构造方法；在确定性测量矩阵中具体给出了托普利兹测量矩阵、循环测量矩阵、稀疏随机测量矩阵的构造方法。最后，利用正交匹配追踪法，采用不同测量矩阵完成一维信号、二维图像仿真实验，验证各个矩阵的性能。

研究背景

   人类已经步入一个数字化的时代，很多信号处理已经从模拟领域进入数字领域[1]。例如，很多身边常用的技术正在悄悄的转变，从模拟收音机到数字调频收音机，从模拟电视信号到数字电视信号，从模拟手机到数字手机，这种转变主要是因为数字信号比模拟信号具有更好的操控性，更灵活的应用和更便宜的成本，具有更易推广的潜质。20世纪曾叱咤风云的模拟胶片相机经过短短几年的时间，于21世纪黯然推出主流市场，直接导致了国产胶卷品牌“乐凯”成为中国人永久的记忆。数字信号的巨大成功使得采样系统获取的数字信息从原来的涓涓细流发展波涛汹涌的浩瀚海洋。常规把模拟信号变成数字信号的过程，离不开奈奎斯特采样定律，该定律从20世纪后半叶开始在采样领域一直处于绝对的主导地位。传统采样定律最初是闻名世界物理学家麦克四特在19世纪发明的，所以常被命名作奈奎斯特抽样定理。而后信息论的创始人香农对这一理论加以明确并最终确定为定理来推广，因而该定律亦被称为奈奎斯特—香农采样定律[2]。该定律指出，在模拟信号到数字信号的转换过程中，当采样频率大于信号中最高频率的两倍时，采样后的数字信号能够完整的保留原始信号中的信息。现实中，一方面，该采样定律经常导致过多的冗余采样或测量值；另一方面，在某些特定的应用中，满足该采样率将耗资巨大，甚至有时受客观条件限制，满足奈奎斯特采样定律的采样频率是根本无法实现的。虽然目前电脑的计算数据速度得到了长足的发展，但对于数码相机成像，视频捕获，医疗成像，射电天文观测，远程监控等应用场合的海量信息的收集、存储等等仍是个艰巨的难题。
   为了解决在处理多维海量信息时不得不解决的存储和传输的问题。通常，对目标信号进行压缩处理，就可以解决海量信息在有限带宽和有限空间下的难题了。信号能够被压缩是因为信号本身具有很大的冗余度，无论声音信号还是图像信号都是如此。常规的压缩技术过程，首先通过AD（模拟数字）转换完成采样，其中含有大量的冗余数据，而后通过变换域挖掘信号的稀疏性，最后通过压缩算法实现压缩。
   这个过程其实造成了巨大的浪费，首先采集大量的冗余数据，然后在压缩过程再把这些冗余数据去掉。为了一开始就丢弃大量的冗余数据，直接采集有效的数据，2006年Emmanuel Candes、Justin Romberg、Terence Tao和David Donoho提出了压缩感知的采样体系。这个理论实质是说，若信号在时间内可以在某变换域稀疏表示，其稀疏度为K，对抽样时，若保证抽样点数(c为常数)，那么，可由高概率地恢复出,即保留了的几乎所有信息。该理论一经提出，便在信息论，信号图像处理，医疗成像、射电天文，模式识别，光学雷达成像和信道编码等诸多领域引起广泛关注[3]。 
   尽管压缩感知理论问世的时间并不长，到目前为止也就10年左右，可一直以来都受到广大学者的广泛关注。在二零零七年的时候，人们更是将这一理论评选为了人类年度最值得期待的科技之一。当前有关Compressive Sensing(CS) 理论的问题总体是围绕着下述三个的关键问题来研究。第一，得到稀疏性信号。第二，构造一个矩阵能够在采集过程中保存信号有效信息。第三，如何基于测量信号重建出目标信号。
   CS理论的核心就是如何设计出高效的矩阵，而它的构造需要考虑很多方面的因素。其中一个因素就是测量信号的波形。当前所用最多的测量波形是独立地服从同一分布的高斯随机波形，独立服从同一贝努力分布的随机波形，正交函数系等[4]。另一个因素就是采样方式。所用最多的采样方式是均匀采样，随机采样，jitter