基于压缩感知框架的选择性重构方法

摘要

压缩感知是针对稀疏或可压缩信号,能够保证在不损失信息的情况下,用远低于奈奎斯特采样定理所要求的采样速率对信号进行采样,同时又能够完美重构信号的新技术。本文针对特定目标的选择性重构,对采用压缩感知观测向量进行重构的过程进行优化,从而达到选择性重构特定目标的目的。本文改进了已有的基于加权L2范数最小化的特定目标重构方法,具体内容包含以下几个方面:
　　(1)提出了样本相似度评价准则,此准则明确了哪些相似样本可以作为权值训练样本,使得相似样本的选择更具有目的性,更准确地说明了加权方法的适用范围,更清晰地阐明了权值在加权方法中的作用。
　　(2)提出了基于加权L1范数最小化的选择性重构方法,并将样本相似性评价准则作为约束条件加入到加权L1范数最小化问题中,达到了弱化背景突显目标的选择性重构目的。并且提出了基于加权L1范数最小化方法的分块重组再加权策略,明显提高了加权L1范数最小化方法的计算速度。
　　(3)提出了基于适应性稀疏表示字典的选择性重构方法,改良了稀疏表示字典,使得字典对于所感兴趣目标具有较好的稀疏性,从而在相同的采样率情况下,重构效果达到了弱化背景突显目标的选择性目的。并且提出了结合加权L2范数最小化方法和稀疏表示方法的加权L2范数重构再表示方法,避免了基于适应性稀疏表示字典方法的不稳定性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1 .1 压缩感知理论简介

1 .2 压缩感知理论的应用

1 .3 特定目标选择性重构研究背景

1 .4 本文内容安排

第二章 分块压缩感知技术

2 .1 压缩感知理论的基本框架

2 .2 分块压缩感知

2 .3 本章小结

第三章 基于DC T变换的选择性重构方法

3 .1 特定目标选择性重构理论

3 .2 L2范数加权重构

3 .3 加权L1范数方法

3 .4 分块再重组加权方法

3 .5 本章小结

第四章 基于适应性稀疏表示字典的选择性重构方法

4 .1 稀疏表示理论概述

4 .2 稀疏表示字典

4 .3 基于稀疏表示的选择性重构

4 .4 加权L2范数重构再表示方法

4 .5 本章小结

第五章 总结和展望

致谢

参考文献

硕士期间的研究成果