基追踪
我们将 l1 范数替换 l0 范数以后,稀疏表征模型可以表示为:
min∥α∥1s.t.Φα=s
这是一个二次规划问题,如何将 l1 范数优化问题转为线性规划问题呢?
参考Atomic Decomposition by Basis Pursuit中的方法,可以将 l1 范数优化问题转化为一个常见的线性规划问题,然后我们可以用单纯形法或者内点法来求解.
l1 范数优化转换为线性规划问题
上面的 l1 范数优化模型等价于下面的线性规划问题:
mincTxAx=b,x≥0
转换规则(
p
为
m⇔2pA⇔(Φ,Φ)b⇔sc⇔(1;1)x⇔(u;v)α⇔u−v
MATLAB仿真
基追踪实现(使用MATLAB内置函数linprog进行线性优化)
function [ alpha ] = bpalg( s, Phi )
% 使用BP思想计算稀疏系数
% 参考文献:Chen, S.S., Donoho, D.L. and Saunders, M.A., 2001. Atomic decomposition by basis pursuit. SIAM review, 43(1), pp.129-159.
% s:信号向量
% Phi:字典矩阵
% alpha:稀疏系数向量
p = size(Phi, 2);
c = ones(2 * p, 1);
A = [Phi, -Phi];
lb = zeros(2 * p, 1);
x = linprog(c, [], [], A, s, lb);
alpha = x(1 : p) - x(p + 1 : 2 * p);
end
图像重建实现
% 利用稀疏理论进行图像重建测试
clear; clc;
im = imread('https://upload.wikimedia.org/wikipedia/en/2/24/Lenna.png'); % 读入图像
figure(),
subplot(131),
imshow(im);
title('原始彩色图像');
imgrey = rgb2gray(im); % 转为灰度图像
subplot(132),
imshow(imgrey);
title('原始灰度图像');
bsize = 8;
imcols = im2col(im2double(imgrey), [bsize, bsize], 'distinct');
codebook = dctmtx(bsize ^ 2); % DCT字典矩阵
% 稀疏求解,需要对imcols的行进行遍历
cols = size(imcols, 2);
sparse = zeros(size(imcols));
for i = 1 : cols
sparse(:, i) = bpalg(imcols(:, i), codebook);
end
% 图像重建
imrecons = codebook * sparse;
imrecons = col2im(imrecons, [bsize bsize], size(imgrey), 'distinct');
subplot(133),
imshow(imrecons);
title('稀疏重建图像');
运行结果:
参考资料