前言
压缩感知(Compressive sensing)和压缩采样(Compressive sampling)是一样的。
本想细更一下这个内容,但细看完“参考资料1”后,我决定放弃了,从入门的角度而言,作者真的写的很棒!如果真想了解,请细读“参考资料1”;若想在压缩感知方面耕耘,请细看相关论文,没什么捷径!下面仅做简单笔记。
压缩感知的公式
注:根据公式可以看出来,压缩感知的本质是从原来的变成了。如果将看做原有的采样方式(Nyquist samping),则可以视为新的压缩采样方式,而S只是原信号x的某一种等价的变换形式(个人理解)。
压缩感知的关键点
(1)找一个可靠的“观测矩阵”,根据理论,“观测矩阵”和“稀疏基矩阵”需要不相关。这是一个很复杂的数学问题,不过,幸好Tao&Candes大神已经证明。在实际应用中,可以直接使用他们的推荐的高斯随机观测矩阵,即高斯随机亚采样。
(2)通过改变“基”,将原信号x,转换到使其具有“稀疏性”的基内表达。举例说明:三角函数,在时域内(看做“原有基”),需要无数点才能准确表达,但是在频域内(看做“稀疏基”),只需要一个点;这种从时域到频域的转换,就实现了将原信号进行“稀疏表示”的过程,因此,此时的稀疏基矩阵就是傅里叶变换!
(3)是一个不定方程,不可能求得准确解,因此,我们的问题是如何求该方程的最优解!当求得S后,利用求得原信号x。
番外
可通过如下文章了解Candes和Donoho的研究脉络,及压缩感知提出的过程。
1. 多尺度几何分析(Ridgelet、Curvelet、Contourlet、Bandelet、Wedgelet、Beamlet)
参考资料
2. 压缩感知(Compressive Sensing)学习之(二)
4. Donoho D L . Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4):1289-1306.