压缩感知(Compressive Sensing,CS),有时也叫成Compressive Sampling。相对于传统的奈奎斯特采样定理——要求采样频率必须是信号最高频率的两倍或两倍以上(这就要求信号是带限信号,通常在采样前使用低通滤波器使信号带限),压缩感知则利用数据的冗余特性,只采集少量的样本还原原始数据。
因为自然界的数据都存在局部低维结构、周期性、对称性等,因此,传统的固定采样率的采样方法必然存在信息冗余。由于信息冗余的存在,我们就知道有数据压缩那么一门学科。既然这样,为什么要把冗余的数据也采进来,再进行压缩呢,能不能不把冗余的数据采集进来?
压缩感知的思路就是:在采集的过程中就对数据进行了压缩,而且这种压缩能保证不失真(低失真)的恢复原始数据,这与传统的先2倍频率采集信号→存储→再压缩的方式不同,可以降低采集信号的存储空间和计算量。
好了,那么就来了解一下压缩感知的具体模型