本章内容主要介绍多维信号处理的整体脉络。
目录
首先提出了多维信号处理的三大工具:快速变换,稀疏表示,和低秩分析。然后对其基本情况分别进行概况。
一、快速变换
1,目的
早期多维信号处理多为一维信号的可分离扩展,就是将多维信号的各个维度按照一维信号处理。近些年继续研究快速变换的目的是为了适应大规模多维媒体数据的在线实时处理。
2,方法
1.快速 m-D DCT
DCT是信号处理的核心运算,它的快速分解可分为行列分解法和直接分解法。
2.快速m-D DWT
它的基函数由一系列在信号区间做等幅振荡的周期三角函数构成,擅长表示分析平稳信号。它的快速计算方法分为卷积运算和提升方案。
二、稀疏表示
1,目的
前面提到的可分离方式扩展得到的多维变换,基函数是相应一维变换基函数在多个维度的张量积。而高纬度奇异特征不能简单分解为两个一维信号的乘积。因此难以采用可分离变换表示。为了解决这个问题,稀疏表示研究兴起了。
2,产生
正交变换为信号提供了唯一的表示。而冗余信号表示通过松弛正交性的要求,也就是解决【目的】中提到的正交变换的局限性。但随之而来的问题是,信号理论上有无数种表示。而信号稀释表示的出发点,就是从无数种表示中找到最紧致(稀疏)的表达。
3,稀疏表示的两个基本问题
(1)设计合适的冗余变换/冗余字典
早期寻找参数化冗余字典下的紧致表达,会拥有良好的数学性质。
另一类冗余字典由信号样本训练得到,通常会得到更稀疏的表达。
(2)给出冗余系统下的稀疏表示高效求解算法
早期采用贪婪算法。(匹配追踪类算法)特点:每一步保证最优性,但是无法保证最终得到最优解。
l1范数最小化。可以得到更稀疏的表示。
三、低秩分析
1,目的
与稀疏表示类似。区别:稀释表示处理的基本对象是向量,低秩分析的基本对象是矩阵。
2,产生
与稀疏表示类似,矩阵填充理论上也存在无数个满足条件的完整矩阵,通过低秩来对矩阵进行约束。
3,低秩分析的两类问题
(1)矩阵填充
通过矩阵部分观测预测缺失值
(2)矩阵恢复
从带有噪数据中恢复矩阵。
注意
稀疏表示和低秩分析有着紧密联系,在模型层面,二者都属于NP问题,在算法层面,二者在优化求解上可以得到很好的对应。稀疏表示研究向量的稀疏,而矩阵重建研究矩阵的稀疏。