压缩感知的原理和应用
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
The proposed method is referred to as prior image constrained compressed sensing (PICCS ) FBP Prior image(Xp) Xp was utilized to constrain the CS image reconstruction method. The proposed method is referred to as prior image constrained compressed sensing(PICCS ) In Xp, the dynamical information is lost but the static structures are well constructed
入射光线经过第一个透镜之后进入成像系统,照射在放置于像平面的 数字微镜设备(DMD)阵列上。DMD 阵列由数百万个尺寸为μ m量级的微小反 射镜组成,每个反射镜的角度可独立控制。DMD 阵列的反射光线经过第二 个透镜,其中仅一个方向的光线进入单像素光子探测器。
3.1 单像素相机
• • 传统百万像素的相机需要百万个探测传感器。 而压缩传感数码相机只使用一个探测器来采光,然后跟捕获后的计算相结合 来重构图像。
Image are not sparse as shown in by the histograms of the pixel value.
However, a subtraction operation can make the image significantly sparser
3.2 动态CT图像重建
x
2.2 压缩感知流程介绍
1,稀疏表示
• 信号是可压缩的或在某 个变换域是稀疏的;
2,随机测量
• 就可以用一个与变换基 不相关的观测矩阵将变 换所得高维信号投影到 一个低维空间上;
3,重构算法
• 然后通过求解一个优化 问题就可以从这些少量 的投影中以高概率重构 出原信号。
长度为N的信号 x 在正交基上的变换系数是稀疏的; 用一个与基 不相关的观测基 : M N ( M N ) 对系数 向量进行线性变换,并得到观测向量Y : M 1 利用优化求解的方法从观测集合中精确或高概率地重构原始 信号 。
1.2 信号的压缩和传输
• 传统压缩方法
• 为了降低成本
–将采样的数经压缩后以较少的比特数表示信号 –很多非重要的数据被抛弃
• 缺点
–这种高速采样再压缩的方式浪费了大量的采样资源 –一旦压缩数据中的某个或某几个丢失,可能将造成信 号恢复的错误
1.3 亟待解决的问题
问题1:
能否以远低于Nyquist采样定理要求的采样速率 获取信号,而保证信息不损失,并且可以完全 恢复信号?
2.2 压缩感知流程介绍
重构算法
(1)匹配追踪系列:
匹配追踪(Matching Pursuit, MP) 正交匹配追踪(Orthogonal Matching Pursuit, OMP) 稀疏自适应匹配追踪(Sparse Adaptive MP, SAMP) 正则化正交匹配追踪(Regularized OMP, ROMP)等
2006《Compressed Sensing》David Donoho
2007《Compressive Sensing》Richard Baraniuk
2.1 压缩感知的前提
稀疏性的定义:
x R N 1,由信号理 一个实值有限长的N维离散信号 论可知,它可以用一个标准正交基 T 1 , 2 , k , K
能以较低的频率(远低于奈奎斯特采样频率)采样该信号,并可能以 高概率重建该信号。
contents
1 2 3
Background & Problem
The Compressive Sensing
Application
研究现状
2006《Robust Uncertainty Principles: Exact Signal Reconstruction from Highly Incomplete Frequency Information》 Terence Tao、Emmanuel Candè s
3.2 动态CT图像重建
• Reconstruct dynamic CT image sequences
– the same image slice or the same image volume is sequentially scanned many times in order to measure the dynamical change in the image object.
min T x
1
s.t.
Y T x
Candes等指出,要精确重构k稀疏信号x,测量次数M(必须 满足M=O(k · logN) ,并且矩阵Φ必须满足约束等距性条件 (Restricted Isometry Principle)。 求解该最优化问题,得到稀疏域的系数,然后反变换即可以 得到时域信号。
x
2.2 压缩感知流程介绍
第一步:信号的稀疏表示
x 如图是一个稀疏度为3的稀疏变换, ,在时域 x 基本都是非零值, 但将其变换到 域时,非零值就只有3个了,数 目远小于原来的非零数目,实现了信号的稀疏表 示。
wenku.baidu.com
2.2 压缩感知流程介绍
如何找到信号的最佳稀疏域呢?
1、基函数字典下的稀疏表示:
1,稀疏表示
• 信号是可压缩的或在某 个变换域是稀疏的;
2,随机测量
• 就可以用一个与变换基 不相关的观测矩阵将变 换所得高维信号投影到 一个低维空间上;
3,重构算法
• 然后通过求解一个优化 问题就可以从这些少量 的投影中以高概率重构 出原信号。
长度为N的信号 x 在正交基上的变换系数是稀疏的; 用一个与基 不相关的观测基 : M N ( M N ) 对系数 向量进行线性变换,并得到观测向量Y : M 1 利用优化求解的方法从观测集合中精确或高概率地重构原始 信号 。
Introduction to Comprehensive Sensing
Guotai Wang 2013-5-3
contents
1 2 3
Background & Problem
The Compressive Sensing Application
contents
1 2 3
Background & Problem
2.2 压缩感知流程介绍
第二步:观测矩阵的设计
观测器的目的是采样得到 M个观测值,并保证从 中能够重构出原来长度为 N 的信号 x 或者稀疏基 下的系数向量 。
观测过程就是利用 M N 观测矩阵的 M 个行向量 对稀疏系数向量进行投影,得到 M 个观测值,即
Y x x
The Compressive Sensing Application
1.1 信号采样
• 信息技术飞速发展
• Nyquist采样定理:
信息需求量剧增
–采样速率需达到信号带宽的两倍以上才能精确重构信 号。
• 带宽增加 • 弊端
采样速率和处理速率增加
–采样硬件成本昂贵 –获取效率低下 –对宽带信号处理的困难日益加剧
x
2.2 压缩感知流程介绍
1,稀疏表示
• 信号是可压缩的或在某 个变换域是稀疏的;
2,随机测量
• 就可以用一个与变换基 不相关的观测矩阵将变 换所得高维信号投影到 一个低维空间上;
3,重构算法
• 然后通过求解一个优化 问题就可以从这些少量 的投影中以高概率重构 出原信号。
长度为N的信号 x 在正交基上的变换系数是稀疏的; 用一个与基 不相关的观测基 : M N ( M N ) 对系数 向量进行线性变换,并得到观测向量Y : M 1 利用优化求解的方法从观测集合中精确或高概率地重构原始 信号 。
3.2 动态CT图像重建
该相机直接获取的是M次 随机线性测量值而不是获 取原始信号的N 个像素值, 为低像素相机拍摄高质量 图像提供了可能。
•
3.2 动态CT图像重建
• Medical image & sparse
– (1), Are medical images sparse ? – (2), If a medical image is not sparse, can we use some transform to make it sparse ?
问题2:能否将对信号的采样转化为对信息的采样,即 直接采集不被丢弃的信息?
1.4 压缩感知的理论框架
• 压缩感知的核心思想
–压缩和采样合并进行,远小于传统采样方法的数据量 –突破了Nyquist采样定理的瓶颈 –使高分辨率的信号采集成为可能
名词解释:压缩感知—直接感知压缩后的信息 基本方法:信号在某一个正交空间具有稀疏性(即可压缩性),就
• CS image reconstruction theory
– Instead of directly reconstructing a target image, the sparsified version is reconstructed. – In the sparsified image, significantly fewer image pixels have significant image values. – reconstruct the sparsified image from an undersampled data set without streaking artifacts
寻找一个正交基使得信号表示的稀疏系数尽可能的少。 比较常用的稀疏基有:
高斯矩阵、小波基、正(余)弦基、Curvelet基等。
2、超完备库下的稀疏表示:
用超完备的冗余函数库来取代基函数 目的是从冗余字典中找到具有最佳线性组合的K项原子来逼近
表示一个信号 称作信号的稀疏逼近或高度非线性逼近。
另类算法
(1)Bayesian类的统计优化算法
contents
1 2 3
Background & Problem The Compressive Sensing
Application
3.1 单像素相机
压缩感知理论带来了信号采样理论的变革,具有广阔的应用前景, 包括压缩成像、模拟信息转换、生物传感等。 压缩感知应用于光学成像的首个实际系统是Rice大学的“单像素相机”
(2)方向追踪系列:
梯度追踪(Gradient Pursuit, GP) 共轭梯度追踪(Conjugate GP,CGP) 贪婪算法 近似的共轭梯度追踪(Approximation CGP, ACGP)
凸优化算法
(1)基追踪法(Basis Pursuit, BP) (2)最小角度回归法(Least Angle Regression, LARS) (3)梯度投影法(Gradient Projection for Sparse Reconstruction, GPSR)
min T x
0
s.t.
Y T x
2.2 压缩感知流程介绍
对于0-范数问题的求解是个NP问题,需要列出所有非零项位 置的种组合的线性组合才能得到最优解,在多项式时间内难 以求解,而且也无法验证其可靠性。 Chen,Donoho和Saunders指出求解一个优化问题会产生同 等的解。于是问题转化为:
T
观测矩阵需要满足的 条件
2.2 压缩感知流程介绍
第三步:信号重构
首先介绍下范数的概念。向量的p-范数为:
s
p
N i 1
si
p
1
p
当p=0时得到0-范数,它表示上式中非零项的个数。
由于观测数量 M N ,不能直接求解,在信号 x 可压缩 的前提下,求解病态方程组的问题转化为最小0-范数问 题:
的线性组合来表示,假定这些基是规范正交的, 那么有 N x k k
k 1
其中 k x, k ,若 x 在基 上仅有K K N 个非 零系数 k 时,称 为信号 x 的稀疏基, 是 K 稀 x 疏(K-Sparsity)的。
2.2 压缩感知流程介绍
入射光线经过第一个透镜之后进入成像系统,照射在放置于像平面的 数字微镜设备(DMD)阵列上。DMD 阵列由数百万个尺寸为μ m量级的微小反 射镜组成,每个反射镜的角度可独立控制。DMD 阵列的反射光线经过第二 个透镜,其中仅一个方向的光线进入单像素光子探测器。
3.1 单像素相机
• • 传统百万像素的相机需要百万个探测传感器。 而压缩传感数码相机只使用一个探测器来采光,然后跟捕获后的计算相结合 来重构图像。
Image are not sparse as shown in by the histograms of the pixel value.
However, a subtraction operation can make the image significantly sparser
3.2 动态CT图像重建
x
2.2 压缩感知流程介绍
1,稀疏表示
• 信号是可压缩的或在某 个变换域是稀疏的;
2,随机测量
• 就可以用一个与变换基 不相关的观测矩阵将变 换所得高维信号投影到 一个低维空间上;
3,重构算法
• 然后通过求解一个优化 问题就可以从这些少量 的投影中以高概率重构 出原信号。
长度为N的信号 x 在正交基上的变换系数是稀疏的; 用一个与基 不相关的观测基 : M N ( M N ) 对系数 向量进行线性变换,并得到观测向量Y : M 1 利用优化求解的方法从观测集合中精确或高概率地重构原始 信号 。
1.2 信号的压缩和传输
• 传统压缩方法
• 为了降低成本
–将采样的数经压缩后以较少的比特数表示信号 –很多非重要的数据被抛弃
• 缺点
–这种高速采样再压缩的方式浪费了大量的采样资源 –一旦压缩数据中的某个或某几个丢失,可能将造成信 号恢复的错误
1.3 亟待解决的问题
问题1:
能否以远低于Nyquist采样定理要求的采样速率 获取信号,而保证信息不损失,并且可以完全 恢复信号?
2.2 压缩感知流程介绍
重构算法
(1)匹配追踪系列:
匹配追踪(Matching Pursuit, MP) 正交匹配追踪(Orthogonal Matching Pursuit, OMP) 稀疏自适应匹配追踪(Sparse Adaptive MP, SAMP) 正则化正交匹配追踪(Regularized OMP, ROMP)等
2006《Compressed Sensing》David Donoho
2007《Compressive Sensing》Richard Baraniuk
2.1 压缩感知的前提
稀疏性的定义:
x R N 1,由信号理 一个实值有限长的N维离散信号 论可知,它可以用一个标准正交基 T 1 , 2 , k , K
能以较低的频率(远低于奈奎斯特采样频率)采样该信号,并可能以 高概率重建该信号。
contents
1 2 3
Background & Problem
The Compressive Sensing
Application
研究现状
2006《Robust Uncertainty Principles: Exact Signal Reconstruction from Highly Incomplete Frequency Information》 Terence Tao、Emmanuel Candè s
3.2 动态CT图像重建
• Reconstruct dynamic CT image sequences
– the same image slice or the same image volume is sequentially scanned many times in order to measure the dynamical change in the image object.
min T x
1
s.t.
Y T x
Candes等指出,要精确重构k稀疏信号x,测量次数M(必须 满足M=O(k · logN) ,并且矩阵Φ必须满足约束等距性条件 (Restricted Isometry Principle)。 求解该最优化问题,得到稀疏域的系数,然后反变换即可以 得到时域信号。
x
2.2 压缩感知流程介绍
第一步:信号的稀疏表示
x 如图是一个稀疏度为3的稀疏变换, ,在时域 x 基本都是非零值, 但将其变换到 域时,非零值就只有3个了,数 目远小于原来的非零数目,实现了信号的稀疏表 示。
wenku.baidu.com
2.2 压缩感知流程介绍
如何找到信号的最佳稀疏域呢?
1、基函数字典下的稀疏表示:
1,稀疏表示
• 信号是可压缩的或在某 个变换域是稀疏的;
2,随机测量
• 就可以用一个与变换基 不相关的观测矩阵将变 换所得高维信号投影到 一个低维空间上;
3,重构算法
• 然后通过求解一个优化 问题就可以从这些少量 的投影中以高概率重构 出原信号。
长度为N的信号 x 在正交基上的变换系数是稀疏的; 用一个与基 不相关的观测基 : M N ( M N ) 对系数 向量进行线性变换,并得到观测向量Y : M 1 利用优化求解的方法从观测集合中精确或高概率地重构原始 信号 。
Introduction to Comprehensive Sensing
Guotai Wang 2013-5-3
contents
1 2 3
Background & Problem
The Compressive Sensing Application
contents
1 2 3
Background & Problem
2.2 压缩感知流程介绍
第二步:观测矩阵的设计
观测器的目的是采样得到 M个观测值,并保证从 中能够重构出原来长度为 N 的信号 x 或者稀疏基 下的系数向量 。
观测过程就是利用 M N 观测矩阵的 M 个行向量 对稀疏系数向量进行投影,得到 M 个观测值,即
Y x x
The Compressive Sensing Application
1.1 信号采样
• 信息技术飞速发展
• Nyquist采样定理:
信息需求量剧增
–采样速率需达到信号带宽的两倍以上才能精确重构信 号。
• 带宽增加 • 弊端
采样速率和处理速率增加
–采样硬件成本昂贵 –获取效率低下 –对宽带信号处理的困难日益加剧
x
2.2 压缩感知流程介绍
1,稀疏表示
• 信号是可压缩的或在某 个变换域是稀疏的;
2,随机测量
• 就可以用一个与变换基 不相关的观测矩阵将变 换所得高维信号投影到 一个低维空间上;
3,重构算法
• 然后通过求解一个优化 问题就可以从这些少量 的投影中以高概率重构 出原信号。
长度为N的信号 x 在正交基上的变换系数是稀疏的; 用一个与基 不相关的观测基 : M N ( M N ) 对系数 向量进行线性变换,并得到观测向量Y : M 1 利用优化求解的方法从观测集合中精确或高概率地重构原始 信号 。
3.2 动态CT图像重建
该相机直接获取的是M次 随机线性测量值而不是获 取原始信号的N 个像素值, 为低像素相机拍摄高质量 图像提供了可能。
•
3.2 动态CT图像重建
• Medical image & sparse
– (1), Are medical images sparse ? – (2), If a medical image is not sparse, can we use some transform to make it sparse ?
问题2:能否将对信号的采样转化为对信息的采样,即 直接采集不被丢弃的信息?
1.4 压缩感知的理论框架
• 压缩感知的核心思想
–压缩和采样合并进行,远小于传统采样方法的数据量 –突破了Nyquist采样定理的瓶颈 –使高分辨率的信号采集成为可能
名词解释:压缩感知—直接感知压缩后的信息 基本方法:信号在某一个正交空间具有稀疏性(即可压缩性),就
• CS image reconstruction theory
– Instead of directly reconstructing a target image, the sparsified version is reconstructed. – In the sparsified image, significantly fewer image pixels have significant image values. – reconstruct the sparsified image from an undersampled data set without streaking artifacts
寻找一个正交基使得信号表示的稀疏系数尽可能的少。 比较常用的稀疏基有:
高斯矩阵、小波基、正(余)弦基、Curvelet基等。
2、超完备库下的稀疏表示:
用超完备的冗余函数库来取代基函数 目的是从冗余字典中找到具有最佳线性组合的K项原子来逼近
表示一个信号 称作信号的稀疏逼近或高度非线性逼近。
另类算法
(1)Bayesian类的统计优化算法
contents
1 2 3
Background & Problem The Compressive Sensing
Application
3.1 单像素相机
压缩感知理论带来了信号采样理论的变革,具有广阔的应用前景, 包括压缩成像、模拟信息转换、生物传感等。 压缩感知应用于光学成像的首个实际系统是Rice大学的“单像素相机”
(2)方向追踪系列:
梯度追踪(Gradient Pursuit, GP) 共轭梯度追踪(Conjugate GP,CGP) 贪婪算法 近似的共轭梯度追踪(Approximation CGP, ACGP)
凸优化算法
(1)基追踪法(Basis Pursuit, BP) (2)最小角度回归法(Least Angle Regression, LARS) (3)梯度投影法(Gradient Projection for Sparse Reconstruction, GPSR)
min T x
0
s.t.
Y T x
2.2 压缩感知流程介绍
对于0-范数问题的求解是个NP问题,需要列出所有非零项位 置的种组合的线性组合才能得到最优解,在多项式时间内难 以求解,而且也无法验证其可靠性。 Chen,Donoho和Saunders指出求解一个优化问题会产生同 等的解。于是问题转化为:
T
观测矩阵需要满足的 条件
2.2 压缩感知流程介绍
第三步:信号重构
首先介绍下范数的概念。向量的p-范数为:
s
p
N i 1
si
p
1
p
当p=0时得到0-范数,它表示上式中非零项的个数。
由于观测数量 M N ,不能直接求解,在信号 x 可压缩 的前提下,求解病态方程组的问题转化为最小0-范数问 题:
的线性组合来表示,假定这些基是规范正交的, 那么有 N x k k
k 1
其中 k x, k ,若 x 在基 上仅有K K N 个非 零系数 k 时,称 为信号 x 的稀疏基, 是 K 稀 x 疏(K-Sparsity)的。
2.2 压缩感知流程介绍