压缩感知--SAMP算法重构图像失败的问题

关于SAMP算法的实现，大多数采用的是莱斯大学的工具箱中的samp或者CSDN彬彬有礼中的CS_SAMP算法。

rice大学的工具箱中的samp算法实现如下：

function [xr iter_num] = SAMP(y, Phi, step_size, sigma);
% SAMP: Sparsity Adaptive Matching Pursuit algoritm for compressed sensing.
% For theoretical analysis, please refer to the paper : 
% Thong. T. Do, Lu Gan and Trac D. Tran ,"Sparsity Adaptive Matching
% Purusit for practical compressed sensing" available at http://dsp.ece.rice.edu/cs

% Written by Thong Do(thongdo@jhu.edu)
% Updated on July, 26th 2008

% parameter usage:
%   y: Mx1 observation vector      表测量值
%   Phi: MxN measurement matrix    感知矩阵，H
%   step_size: any positive integer value not larger than sparsity    初始步长（0，k）
%   sigma: noise energy when sensing   重构误差
%   xr: reconstructed sparse signal   重构的稀疏表示
%   iter_num: number of iterations    迭代次数

% Initialization
iter_num = 0;             %迭代次数
actset_size = step_size;  %步长
active_set = [];          %支撑集
res = y;                  %残差
stg_idx = 1;              % stage index   阶段1 分阶段进行的

while (norm(res)>sigma)

    % candidate list   候选集
    [val idx] = sort(abs(Phi'*res), 'descend');       %计算内积并进行降序排序；并记录其对应的列号      
    candidate_set = [active_set; idx(1:actset_size)];   % 候选集=上一次的支撑集+此次内积的 前 step_size 个对应的列号 ，（即与y相关度最高的step_size个对应的H的列号） 

    % finalist
    [val idx] = sort(abs(pinv(Phi(:,candidate_set))*y), 'descend');   %候选集中的列进行最小二乘（即求X的稀疏估计 X^），并进行降序排序；
    new_active_set = candidate_set(idx(1:actset_size));                %选出X^的前actset_size(当前步长)个作为支撑集
    new_res = y-Phi(:,new_active_set)*pinv(Phi(:,new_active_set))*y;  % 选出的支撑集 最小二乘进行新的估计并更新残差

    if (norm(new_res) >= norm(res))   
        % shift into a new stage
        stg_idx = stg_idx + 1;
        actset_size = stg_idx*step_siz