压缩感知(Compressive Sensing)学习之(一)
壓縮感知(Compressive Sensing)學(xué)習(xí)之(一)
zouxy09@qq.com
http://blog.csdn.net/zouxy09
? ? ? ?壓縮感知(壓縮傳感,Compressive Sensing)理論是近年來(lái)信號(hào)處理領(lǐng)域誕生的一種新的信號(hào)處理理論,由D. Donoho(美國(guó)科學(xué)院院士)、E. Candes(Ridgelet, Curvelet創(chuàng)始人)及華裔科學(xué)家T. Tao(2006年菲爾茲獎(jiǎng)獲得者)等人提出,自誕生之日起便極大地吸引了相關(guān)研究人員的關(guān)注。網(wǎng)站http://dsp.rice.edu/cs上可以獲取大量相關(guān)的論文。
? ? ? ?有關(guān)壓縮感知,有兩個(gè)科普文章,講得很通俗易懂,可以很好地介紹了壓縮感知:
? ? ? ??http://www.cvchina.info/2010/06/08/compressed-sensing-2/
?
? ? ? ? ?那什么叫壓縮感知?為什么它的出現(xiàn)吸引了那么多的目光?
? ? ? ? 還記得我們?cè)谛盘?hào)與信息處理有關(guān)課程里面必講的一個(gè)知識(shí)嗎?它可謂是現(xiàn)代數(shù)字信號(hào)處理系統(tǒng)理論建立的一個(gè)功臣之一。沒(méi)錯(cuò),就是能將物理世界和數(shù)字世界建立連接的采樣定理:奈奎斯特采樣定理(Shannon-Nyquist采樣定理)。其要求:在進(jìn)行模擬/數(shù)字信號(hào)的轉(zhuǎn)換過(guò)程中,當(dāng)采樣頻率fs.max大于信號(hào)中最高頻率fmax的2倍時(shí),采樣之后的數(shù)字信號(hào)完整地保留了原始信號(hào)中的信息。
? ? ? ?而壓縮感知的出現(xiàn),告訴我們:如果信號(hào)在某一個(gè)正交空間具有稀疏性(即可壓縮性),就能以較低的頻率(遠(yuǎn)低于奈奎斯特采樣頻率)采樣該信號(hào),并可能以高概率精確的重建該信號(hào)。
? ? ? ?在上面所說(shuō)的一篇科普文章中提到:所謂壓縮感知,最核心的概念在于試圖從原理上降低對(duì)一個(gè)信號(hào)進(jìn)行測(cè)量的成本。比如說(shuō),一個(gè)信號(hào)包含一千個(gè)數(shù)據(jù),那么按照傳統(tǒng)的信號(hào)處理理論,至少需要做一千次測(cè)量才能完整的復(fù)原這個(gè)信號(hào)。這就相當(dāng)于是說(shuō),需要有一千個(gè)方程才能精確地解出一千個(gè)未知數(shù)來(lái)。但是壓縮感知的想法是假定信號(hào)具有某種特點(diǎn)(比如文中所描述得在小波域上系數(shù)稀疏的特點(diǎn)),那么就可以只做三百次測(cè)量就完整地復(fù)原這個(gè)信號(hào)(這就相當(dāng)于只通過(guò)三百個(gè)方程解出一千個(gè)未知數(shù))。
? ? ? ?在cvchina里面有一篇很熱的文章《稀疏表達(dá):向量、矩陣與張量》,呵呵,有點(diǎn)深,我看不懂,但里面開(kāi)篇的幾張圖像吸引了我:
首先是圖像恢復(fù),由左側(cè)圖像恢復(fù)出右側(cè)結(jié)果:
然后是類(lèi)似的圖像inpainting
然后是圖像去模糊,左上為輸入模糊圖像,右下為輸出清晰圖像及估計(jì)的相機(jī)運(yùn)動(dòng)(其實(shí)是PSF),中間均為迭代過(guò)程:
再然后是物體檢測(cè)(自行車(chē)),左側(cè)輸入圖像,中間為位置概率圖,右側(cè)為檢測(cè)結(jié)果
當(dāng)然我個(gè)人還推薦Yi Ma的sparse face,這個(gè)在對(duì)抗噪聲的效果上很棒,比如下圖中左側(cè)的那張?jiān)肼晥D像(你能辨認(rèn)是哪位不?這方法可以!)
? ? ? ?上面的結(jié)果都很amazing,但是怎么實(shí)現(xiàn)的我就不知道了。原博主既然擺在那,就表明了它是稀疏表達(dá)的功勞了。
? ? ? ?由于篇幅有點(diǎn)長(zhǎng),所以關(guān)于壓縮感知理論在下篇介紹。
總結(jié)
以上是生活随笔為你收集整理的压缩感知(Compressive Sensing)学习之(一)的全部?jī)?nèi)容,希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇: 别的程序员是怎么读你的简历的
- 下一篇: 压缩跟踪Compressive Trac