题目：压缩感知重构算法之正交匹配追踪(OMP)
前面经过几篇的基础铺垫，本篇给出正交匹配追踪(OMP)算法的MATLAB函数代码，并且给出单次测试例程代码、测量数M与重构成功概率关系曲线绘制例程代码、信号稀疏度K与重构成功概率关系曲线绘制例程代码。
0、符号说明如下：
压缩观测y=Φx，其中y为观测所得向量M×1，x为原信号N×1（M<<N）。x一般不是稀疏的，但在某个变换域Ψ是稀疏的，即x=Ψθ，其中θ为K稀疏的，即θ只有K个非零项。此时y=ΦΨθ，令A=ΦΨ，则y=Aθ。
(1) y为观测所得向量，大小为M×1
(2)x为原信号，大小为N×1
(3)θ为K稀疏的，是信号在x在某变换域的稀疏表示
(4)Φ称为观测矩阵、测量矩阵、测量基，大小为M×N
(5)Ψ称为变换矩阵、变换基、稀疏矩阵、稀疏基、正交基字典矩阵，大小为N×N
(6)A称为测度矩阵、传感矩阵、CS信息算子，大小为M×N
上式中，一般有K<<M<<N，后面三个矩阵各个文献的叫法不一，以后我将Φ称为测量矩阵、将Ψ称为稀疏矩阵、将A称为传感矩阵。
1、OMP重构算法流程：
2、正交匹配追踪(OMP)MATLAB代码(CS_OMP.m)
- function [ theta ] = CS_OMP( y,A,t )
- %CS_OMP Summary of this function goes here
- %Version: 1.0 written by jbb0523 @2015-04-18
- % Detailed explanation goes here
- % y = Phi * x
- % x = Psi * theta
- % y = Phi*Psi * theta
- % 令 A = Phi*Psi, 则y=A*theta
- % 现在已知y和A，求theta
- [y_rows,y_columns] = size(y);
- if y_rows<y_columns
- y = y';%y should be a column vector
- end
- [M,N] = size(A);%传感矩阵A为M*N矩阵
- theta = zeros(N,1);%用来存储恢复的theta(列向量)
- At = zeros(M,t);%用来迭代过程中存储A被选择的列
- Pos_theta = zeros(1,t);%用来迭代过程中存储A被选择的列序号
- r_n = y;%初始化残差(residual)为y
- for ii=1:t%迭代t次，t为输入参数
- product = A'*r_n;%传感矩阵A各列与残差的内积
- [val,pos] = max(abs(product));%找到最大内积绝对值，即与残差最相关的列
- At(:,ii) = A(:,pos);%存储这一列
- Pos_theta(ii) = pos;%存储这一列的序号
- A(:,pos) = zeros(M,1);%清零A的这一列，其实此行可以不要，因为它与残差正交
- %y=At(:,1:ii)*theta，以下求theta的最小二乘解(Least Square)
- theta_ls = (At(:,1:ii)'*At(:,1:ii))^(-1)*At(:,1:ii)'*y;%最小二乘解
- %At(:,1:ii)*theta_ls是y在At(:,1:ii)列空间上的正交投影
- r_n = y - At(:,1:ii)*theta_ls;%更新残差
- end
- theta(Pos_theta)=theta_ls;%恢复出的theta
- end
3、OMP单次重构测试代码(CS_Reconstuction_Test.m)
代码中，直接构造一个K稀疏的信号，所以稀疏矩阵为单位阵。
- %压缩感知重构算法测试
- clear all;close all;clc;
- M = 64;%观测值个数
- N = 256;%信号x的长度
- K = 10;%信号x的稀疏度
- Index_K = randperm(N);
- x = zeros(N,1);
- x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的，且位置是随机的
- Psi = eye(N);%x本身是稀疏的，定义稀疏矩阵为单位阵x=Psi*theta
- Phi = randn(M,N);%测量矩阵为高斯矩阵
- A = Phi * Psi;%传感矩阵
- y = Phi * x;%得到观测向量y
- %% 恢复重构信号x
- tic
- theta = CS_OMP(y,A,K);
- x_r = Psi * theta;% x=Psi * theta
- toc
- %% 绘图
- figure;
- plot(x_r,'k.-');%绘出x的恢复信号
- hold on;
- plot(x,'r');%绘出原信号x
- hold off;
- legend('Recovery','Original')
- fprintf('\n恢复残差：');
- norm(x_r-x)%恢复残差
运行结果如下：（信号为随机生成，所以每次结果均不一样）
1）图：
2）Command Windows
Elapsed time is 0.849710 seconds.
恢复残差：
ans =
5.5020e-015
4、测量数M与重构成功概率关系曲线绘制例程代码
- %压缩感知重构算法测试CS_Reconstuction_MtoPercentage.m
- % 绘制参考文献中的Fig.1
- % 参考文献：Joel A. Tropp and Anna C. Gilbert
- % Signal Recovery From Random Measurements Via Orthogonal Matching
- % Pursuit，IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12,
- % DECEMBER 2007.
- % Elapsed time is 1171.606254 seconds.(@20150418night)
- clear all;close all;clc;
- %% 参数配置初始化
- CNT = 1000;%对于每组(K,M,N)，重复迭代次数
- N = 256;%信号x的长度
- Psi = eye(N);%x本身是稀疏的，定义稀疏矩阵为单位阵x=Psi*theta
- K_set = [4,12,20,28,36];%信号x的稀疏度集合
- Percentage = zeros(length(K_set),N);%存储恢复成功概率
- %% 主循环，遍历每组(K,M,N)
- tic
- for kk = 1:length(K_set)
- K = K_set(kk);%本次稀疏度
- M_set = K:5:N;%M没必要全部遍历，每隔5测试一个就可以了
- PercentageK = zeros(1,length(M_set));%存储此稀疏度K下不同M的恢复成功概率
- for mm = 1:length(M_set)
- M = M_set(mm);%本次观测值个数
- P = 0;
- for cnt = 1:CNT %每个观测值个数均运行CNT次
- Index_K = randperm(N);
- x = zeros(N,1);
- x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的，且位置是随机的
- Phi = randn(M,N);%测量矩阵为高斯矩阵
- A = Phi * Psi;%传感矩阵
- y = Phi * x;%得到观测向量y
- theta = CS_OMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P = P + 1;
- end
- end
- PercentageK(mm) = P/CNT*100;%计算恢复概率
- end
- Percentage(kk,1:length(M_set)) = PercentageK;
- end
- toc
- save MtoPercentage1000 %运行一次不容易，把变量全部存储下来
- %% 绘图
- S = ['-ks';'-ko';'-kd';'-kv';'-k*'];
- figure;
- for kk = 1:length(K_set)
- K = K_set(kk);
- M_set = K:5:N;
- L_Mset = length(M_set);
- plot(M_set,Percentage(kk,1:L_Mset),S(kk,:));%绘出x的恢复信号
- hold on;
- end
- hold off;
- xlim([0 256]);
- legend('K=4','K=12','K=20','K=28','K=36');
- xlabel('Number of measurements(M)');
- ylabel('Percentage recovered');
- title('Percentage of input signals recovered correctly(N=256)(Gaussian)');
本程序在联想ThinkPadE430C笔记本（4GB DDR3内存，i5-3210）上运行共耗时1171.606254秒，程序中将所有数据均通过“save MtoPercentage1000”存储了下来，以后可以再对数据进行分析，只需“load MtoPercentage1000”即可。
程序运行结果比文献[1]的Fig.1要好，原因不详。
本程序运行结果：
文献[1]中的Fig.1：
5、信号稀疏度K与重构成功概率关系曲线绘制例程代码
- %压缩感知重构算法测试CS_Reconstuction_KtoPercentage.m
- % 绘制参考文献中的Fig.2
- % 参考文献：Joel A. Tropp and Anna C. Gilbert
- % Signal Recovery From Random Measurements Via Orthogonal Matching
- % Pursuit，IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12,
- % DECEMBER 2007.
- % Elapsed time is 1448.966882 seconds.(@20150418night)
- clear all;close all;clc;
- %% 参数配置初始化
- CNT = 1000;%对于每组(K,M,N)，重复迭代次数
- N = 256;%信号x的长度
- Psi = eye(N);%x本身是稀疏的，定义稀疏矩阵为单位阵x=Psi*theta
- M_set = [52,100,148,196,244];%测量值集合
- Percentage = zeros(length(M_set),N);%存储恢复成功概率
- %% 主循环，遍历每组(K,M,N)
- tic
- for mm = 1:length(M_set)
- M = M_set(mm);%本次测量值个数
- K_set = 1:5:ceil(M/2);%信号x的稀疏度K没必要全部遍历，每隔5测试一个就可以了
- PercentageM = zeros(1,length(K_set));%存储此测量值M下不同K的恢复成功概率
- for kk = 1:length(K_set)
- K = K_set(kk);%本次信号x的稀疏度K
- P = 0;
- for cnt = 1:CNT %每个观测值个数均运行CNT次
- Index_K = randperm(N);
- x = zeros(N,1);
- x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的，且位置是随机的
- Phi = randn(M,N);%测量矩阵为高斯矩阵
- A = Phi * Psi;%传感矩阵
- y = Phi * x;%得到观测向量y
- theta = CS_OMP(y,A,K);%恢复重构信号theta
- x_r = Psi * theta;% x=Psi * theta
- if norm(x_r-x)<1e-6%如果残差小于1e-6则认为恢复成功
- P = P + 1;
- end
- end
- PercentageM(kk) = P/CNT*100;%计算恢复概率
- end
- Percentage(mm,1:length(K_set)) = PercentageM;
- end
- toc
- save KtoPercentage1000test %运行一次不容易，把变量全部存储下来
- %% 绘图
- S = ['-ks';'-ko';'-kd';'-kv';'-k*'];
- figure;
- for mm = 1:length(M_set)
- M = M_set(mm);
- K_set = 1:5:ceil(M/2);
- L_Kset = length(K_set);
- plot(K_set,Percentage(mm,1:L_Kset),S(mm,:));%绘出x的恢复信号
- hold on;
- end
- hold off;
- xlim([0 125]);
- legend('M=52','M=100','M=148','M=196','M=244');
- xlabel('Sparsity level(K)');
- ylabel('Percentage recovered');
- title('Percentage of input signals recovered correctly(N=256)(Gaussian)');
本程序在联想ThinkPadE430C笔记本（4GB DDR3内存，i5-3210）上运行共耗时1448.966882秒，程序中将所有数据均通过“save KtoPercentage1000”存储了下来，以后可以再对数据进行分析，只需“load KtoPercentage1000”即可。
程序运行结果比文献[1]的Fig.2要好，原因不详。
本程序运行结果：
文献[1]中的Fig.2：
6、参考文献
【1】Joel A. Tropp and Anna C. Gilbert. Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit[J]. IEEETransactions on Information Theory, VOL. 53, NO. 12, DECEMBER 2007.
【2】Y.C.Pati, R.Rezaiifar,and P.S.Krishnaprasad. Orthogonal Matching Pursuit-Recursive FunctionApproximation with Applications to wavelet decomposition, Proc. 27thAnnu. Asilomar Conf. Signals, Systems, and Computers, Pacific Grove, CA, Nov.1993,vol.1,pp40-44.
【3】沙威.CS_OMP，http://www.eee.hku.hk/~wsha/Freecode/Files/CS_OMP.zip
1367
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
