高数篇（五）-- 硬阈值(Hard Thresholding)函数与软阈值(Soft Thresholding)函数解读

长路漫漫2021

已于 2022-10-24 18:54:49 修改

阅读量1.3w

点赞数 14

分类专栏： Math 文章标签：软阈值硬阈值最优化方法 L1范数求解 L0范数求解

于 2022-05-17 21:29:51 首次发布

原文链接：https://blog.csdn.net/jbb0523/article/details/52103257

版权

Math 专栏收录该内容

20 篇文章

订阅专栏

本篇主要用来学习使用，阈值函数包括软阈值和硬阈值的介绍及求解，详细内容可以参考文后文章。

1 硬阈值(Hard Thresholding)函数

1.1 硬阈值(Hard Thresholding)函数的符号

硬阈值(Hard Thresholding)并没有软阈值(Soft Thresholding)那么常见，这可能是因为硬阈值解决的问题是非凸的原因吧。硬阈值与软阈值由同一篇文献提出，硬阈值公式参见文献【1】的式(11)：

第一次邂逅硬阈值(HardThresholding)是在文献【2】中：

在查询软阈值(Soft Thresholding)的过程中，搜到了文献【3】，进而看到了提到了文献【4】：

文献【4】中提到的Fig 1如图所示：

硬阈值的符号到底表示什么意思呢？以文献【1】符号为例，清晰一点来说就是这样的：

这里 $w$ 是变量， $\lambda$ 是阈值。

1.2 硬阈值(HardThresholding)函数的作用

弄清楚了硬阈值(HardThresholding)的符号表示以后，接下来说一说它的作用。这里主要是参考了软阈值的推导过程，然后作者经过一番琢磨和推导而得。

硬阈值(HardThresholding)可以求解如下优化问题：

其中：

$X||_0$ 是求向量 $X$ 的零范数，即向量 $X$ 中非零元素的个数。根据范数的定义，可以将上面优化问题的目标函数拆开：

其中拆分项中符号 $x|_0$ 的意思是

现在，我们可以通过求解 $N$ 个独立的形如函数

的优化问题，来求解这个问题。将 $f (x)$ 进一步写为：

对于 $x\not=0$ 部分，我们知道它的最小值在 $x = b$ 处取得，最小值为 $λ$ 。现在的问题是 $λ$ 与 $b^2$ 到底谁更小？最小者将是函数的最小值。求解不等式 $b^2>λ$ 可得

此时最小值在 $x = 0$ 处取得；

求解不等式 $b^2<λ$ 可得

此时最小值在 $x = b$ 处取得；

因此

与前面的硬阈值(Hard Thresholding)对比一下，发现了么？若将上式中的b视为变量，sqrt(λ)视为阈值，上式即为硬阈值(Hard Thresholding)的公式。

至此，我们可以得到优化问题

的解为

注：该式为硬阈值(Hard Thresholding)的矩阵形式，这里的 $B$ 是一个向量，应该是逐个元素分别执行硬阈值函数。

1.3 硬阈值(HardThresholding)的变形

当优化问题变为

因为对目标函数乘一个常系数不影响极值点的获得，所以可等价为优化问题

此时的解为 $hard(\pmb{B},\sqrt(2*\lambda)$ 。

1.4 硬阈值(Hard Thresholding)的MATLAB代码

硬阈值(Hard Thresholding)的函数代码可以写成专门针对优化问题

MATLAB函数代码如下（参考了文献【5】倒数第2页）：

function [ hard_thresh ] = hardthresholding( b,lambda )
    sel = (abs(b)>sqrt(lambda));
    hard_thresh = b.*sel;
end

一定要注意：这种写法是针对最开始的优化问题：

但我个人感觉更应该写成这种通用形式：

function [ x ] = hard( b,T )
    sel = (abs(b)>T);
    x = b.*sel;
end

如此之后，若要解决优化问题

只需调用hard(B, sqrt(λ))即可；若要解决优化问题

只需调用hard(B, sqrt(2*λ))即可。

1.5 硬阈值(HardThresholding)测试代码

硬阈值(Hard Thresholding)要解决的优化问题目标函数是非凸的，不太常见，手边目前没有其它函数求解这个问题，因此测试代码只能测一下这个函数编写的正确与否了：

clear all;close all;clc; 
b = [-0.8487   -0.3349    0.5528    1.0391   -1.1176]';
lambda = 0.5;
x1=hardthresholding(b,lambda)
x2=hard(b,sqrt(lambda))
fprintf('\nError between hardthresholding and hard = %f\n',norm(x1-x2))

这里就不给出输出结果了。可以运行一下，从输出结果来看，函数的功能是正确的。

另外，可以在matlab里输入以下命令看一个软阈值的图像：

x=-5:0.01:5;T=1;y=hard(x,T);plot(x,y);grid;

1.6 参考文献

【1】Donoho D L, JohnstoneJ M. Ideal spatial adaptation by wavelet shrinkage[J]. Biometrika, 1994, 81(3):425-455.

【2】Wright SJ, Nowak R D, Figueiredo M A T. Sparse reconstruction by separableapproximation[J]. IEEE Transactions on Signal Processing, 2009, 57(7):2479-2493.

【3】http://blog.sina.com.cn/s/blog_6d0e97bb01015vq3.html

【4】Elad M,Figueiredo M A T, Ma Y. On the Role of Sparse and Redundant Representations inImage Processing[J]. Proceedings of the IEEE, 2010, 98(6):972-982.

【5】http://www.docin.com/p-553314466.html

2 软阈值函数(Soft Thresholding)

2.1 软阈值(Soft Thresholding)函数的符号

软阈值(Soft Thresholding)目前非常常见，文献【1】【2】最早提出了这个概念。软阈值公式的表达方式归纳起来常见的有三种，以下是各文献中的软阈值定义符号：

文献【1】式(12)：

文献【2】：

文献【3】：

文献【4】式(8)：

文献【5】式(1.5)：

文献【6】式(12)注释：

文献【7】：

其中文献【1】【2】【3】【5】是第一种，也是最常见的一种；文献【4】【6】是第二种，个人认为可读性比第一种要好；文献【7】是第三种，个人认为可读性最好。当然，它们表达的意思是一样的(无论是sgn(x)还是sign(x)都是符号函数，即当 $x > 0$ 时为1，当 $x < 0$ 时为-1。)

以文献【1】符号为例解释第一种表示方式。这里 $w$ 是变量， $λ$ 是阈值(非负值)，符号 $w|-λ)_+$ 表示当 $(∣ w ∣ - λ) > 0$ 时则等于 $∣ w ∣ - λ$ ，当 $(∣ w ∣ - λ) < 0$ 时则等于0。那么分三种情况来讨论：第一种情况是 $w>\lambda>0$ ，则 $s g n (w) = 1$ ， $∣ w ∣ = w$ ， $(∣ w ∣ - λ)$ 一定大于0， $w|-λ)_+=|w|-λ$ ，所以 $η_S(w,λ)=w-λ$ ；第二种情况是 $w < - λ < 0$ ，则 $s g n (w) = - 1$ ， $∣ w ∣ = - w$ ， $(∣ w ∣ - λ)$ 也一定大于0， $w|-λ)_+=|w|-λ$ ，所以 $η_S(w,λ)=-1*(-w-λ)= w+λ$ ；第三种情况是 $∣ w ∣ < λ$ ，此时 $(∣ w ∣ - λ)$ 一定小于0，则 $w|-λ)_+=0$ ，所以 $η_S(w,λ)=0$ 。因此

以文献【6】符号为例解释第二种表示方式。这种表示方式中符号 $max{|u|-a,0}$ 的作用与第一种表示方式中的符号 $w|-λ)_+$ 的作用一样，即当 $(∣ u ∣ - a) > 0$ 时 $max{|u|-a,0}=(|u|-a)$ ，当 $(∣ u ∣ - a) < 0$ 时， $max{|u|-a,0}=0$ ，知道了这一点剩下的分析与第一种表示方式相同。

综上，三种表示方式均是一致的。

2.2 软阈值(Soft Thresholding)函数的作用

弄清楚了软阈值(Soft Thresholding)的符号表示以后，接下来说一说它的作用。以下内容主要参考了文献【7】，这是一个非常棒的PPT！！！

软阈值(SoftThresholding)可以求解如下优化问题：

其中：

根据范数的定义，可以将上面优化问题的目标函数拆开：

也就是说，我们可以通过求解 $N$ 个独立的形如函数

的优化问题，来求解这个问题。由中学时代学过的求极值方法知道，可以求函数 $f (x)$ 导数：

这里要解释一下变量x绝对值的导数，当x>0时，|x|=x，因此其导数等于1；当x<0时，|x|=-x，因此其导数等于-1；综合起来，x绝对值的导数等于sgn(x)。令函数f(x)导数等于0，得：

这个结果等号两端都有变量x，需要再化简一下。下面分三种情况讨论：

(1)当b>λ/2时

假设x<0，则sgn(x)=-1，所以x=b+λ/2>0，与假设x<0矛盾；

假设x>0，则sgn(x)=1，所以x=b-λ/2>0，成立；

所以此时在x=b-λ/2>0处取得极小值：

即此时极小值小于f(0)，而当x<0时

即当x<0时函数f(x)为单调降函数（对任意△x<0，f(0)<f(△x)）。因此，函数在x=b-λ/2>0处取得最小值。

(2)当b<-λ/2时

假设x<0，则sgn(x)=-1，所以x=b+λ/2<0，成立；

假设x>0，则sgn(x)=1，所以x=b-λ/2<0，与假设x<0矛盾；

所以此时在x=b+λ/2<0处取得极小值：

即此时极小值小于f(0)，而当x>0时

即当x>0时函数f(x)为单调升函数（对任意△x>0，f(△x)>f(0)）。因此，函数在x=b+λ/2<0处取得最小值。

(3)当-λ/2<b<λ/2时(即|b|<λ/2时)

假设x<0，则sgn(x)=-1，所以x=b+λ/2>0，与假设x<0矛盾；

假设x>0，则sgn(x)=1，所以x=b-λ/2<0，与假设x<0矛盾；

即无论x为大于0还是小于0均没有极值点，那么x=0是否为函数f(x)的极值点呢？

对于△x≠0，

当△x >0时，利用条件b<λ/2可得

当△x <0时，利用条件b<λ/2可得(注：此时|△x |=-△x)

因此，函数在x=0处取得极小值，也是最小值。

综合以上三种情况，f(x)的最小值在以下位置取得：

与前面的软阈值(Soft Thresholding)对比一下，发现了么？若将上式中的b视为变量，λ/2视为阈值，上式即为软阈值(SoftThresholding)的公式。

至此，我们可以得到优化问题

的解为

注：该式为软阈值(Soft Thresholding)的矩阵形式。

2.3 软阈值(Soft Thresholding)的变形

当优化问题变为

因为对目标函数乘一个常系数不影响极值点的获得，所以可等价为优化问题

此时的解为soft(B, λ)。

2.4 软阈值(Soft Thresholding)的MATLAB代码

软阈值(Soft Thresholding)的函数代码可以写成专门针对优化问题

软阈值(Soft Thresholding)是如此简单以至于可以用一句代码去实现它[8]：

当然，如果不习惯这种形式，也可以写成常见的函数形式：

function [ soft_thresh ] = softthresholding( b,lambda )
    soft_thresh = sign(b).*max(abs(b) - lambda/2,0);
end

一定要注意：这种写法是针对最开始的优化问题：

但我个人感觉更应该写成这种通用形式：

function [ x ] = soft( b,T )
    x = sign(b).*max(abs(b) - T,0);
end

如此之后，若要解决优化问题

只需调用soft(B, λ/2)即可；若要解决优化问题

只需调用soft(B, λ)即可。

2.5 软阈值(Soft Thresholding)测试代码

用以下一小段代码测试一下软阈值，用来求解优化问题：

这里用的对比函数是基追踪降噪(BPDN_quadprog.m)，参见压缩感知重构算法之基追踪降噪(Basis PursuitDe-Noising, BPDN) （http://blog.csdn.net/jbb0523/article/details/52013669），使用BPDN时，实际上就是观测矩阵为单位阵时的一种特殊情况：

clear all;close all;clc; 
b = [-0.8487   -0.3349    0.5528    1.0391   -1.1176]';
lambda = 1;
x1=soft(b,lambda)
x2=BPDN_quadprog(b,eye(length(b)),lambda)
fprintf('\nError between soft and BPDN = %f\n',norm(x1-x2))

这里就不给出输出结果了。运行后，观察输出结果可知，soft函数与BPDN_quadprog函数的输结果相同。

另外，可以在matlab里输入以下命令看一个软阈值的图像：

x=-5:0.1:5;T=1;y=soft(x,T);plot(x,y);grid;

2.6 总结

可以发现，软阈值解决的优化问题和基追踪降噪问题很像，但并不一样，而且需要格外说明的是，软阈值并能不解决基追踪降噪问题，文献【8】在最后明确说明了这一点：

2.7 参考文献

【1】Donoho D L, JohnstoneJ M. Ideal spatial adaptation by wavelet shrinkage[J]. Biometrika, 1994, 81(3):425-455.

【2】Donoho D L.De-noising by soft-thresholding[J]. IEEE transactions on information theory,1995, 41(3): 613-627.

【3】Bredies K, Lorenz D.Iterative soft-thresholding converges linearly[R]. Zentrum fürTechnomathematik, 2007.

【4】Bioucas-Dias J M,Figueiredo M A T. A new TwIST: two-step iterative shrinkage/thresholdingalgorithms for image restoration[J]. IEEE Transactions on Image processing,2007, 16(12): 2992-3004.

【5】Beck A, Teboulle M. Afast iterative shrinkage-thresholding algorithm for linear inverse problems[J].SIAM journal on imaging sciences, 2009, 2(1): 183-202.

【6】Wright S J, Nowak RD, Figueiredo M A T. Sparse reconstruction by separable approximation[J]. IEEETransactions on Signal Processing, 2009, 57(7): 2479-2493.

【7】谷鹄翔.IteratedSoft-Thresholding Algorithm[Report,slides]. http://www.sigvc.org/bbs/thread-41-1-2.html

【8】http://www.simonlucey.com/soft-thresholding/

【9】http://blog.sina.com.cn/s/blog_6d0e97bb01015vq3.html