精华内容
下载资源
问答
  • 首先,讨论了压缩感知理论及其在声纳成像中的重要应用,介绍了压缩感知理论的基本框架,简述了它的数学模型,分析了其在成像技术中所占的优势,和将其引入声纳成像的必然性。文中针对声纳成像建立模型,分别采用反向...
  • 针对矿山井下环境的特殊性导致井下监测到的海量信息的获取受到限制等...最后,利用Matlab仿真软件,对煤矿井下采集到的瓦斯浓度数据进行稀疏性分析、压缩与重构,结果表明压缩感知技术可以较精确地恢复原始瓦斯浓度信号。
  • 早期压缩感知在光学成像领域的应用主要集中在空域压缩成像。近年来,更多的空域压缩成像采用阵列式探测器取代单元探测器采集测量值。同时,压缩成像的研究也从二维空间拓展到三维测距、高速成像、多光谱成像、关联成像...
  • 应用新兴的压缩感知技术,研究了全息图像的稀疏重建。基于衍射的线性运算,导出了利用压缩感知重建数字同轴全息三维空间的算法。利用该算法对颗粒的模拟全息图和数字显微全息实验全息图进行了重建,并将重建结果与...
  • 基于压缩感知的信道估计技术论文,简单介绍压缩感知的相关技术,对于初学者很有帮助!介绍了利用压缩感知技术实现信道估计的应用
  • 压缩感知

    千次阅读 2018-10-07 21:26:43
    本文综述了压缩感知的理论框架关键的技术问题,并着重介绍了压缩感知稀疏重构中的主流贪婪算法,通过算法实验分析了各种算法的重构性能。 压缩感知理论主要包括信号的稀疏表示,编码测量和信号...

    压缩感知理论及其算法研究报告

    摘 要:随着信息技术的发展,人们对信息的巨量需求以及硬件的发展缓慢造成了信号采样,传输和存储的巨大压力。如何解决在现有的硬件基础上传输大量的信息成为热点研究的内容。近年来压缩感知的出现为缓解这些压力提供了解决的办法。本文综述了压缩感知的理论框架及关键的技术问题,并着重介绍了压缩感知稀疏重构中的主流贪婪算法,通过算法实验分析了各种算法的重构性能。
    关键词:压缩感知 贪婪算法 稀疏重构
    1.引言
    传统的信号采样定律-那奎斯特采样定律定理:为了不失真地恢复模拟信号,采样频率应该不小于模拟信号频谱中最高频率的2倍[1]。这样对于系统处理信息的硬件需求提出了很高的要求,同时在实际应用当中为了节约存储空间和降低传输成本,需要对采集的数据进行压缩处理,这样会造成大量采集的数据浪费。因而压缩感知技术应运而生,打破了传统的信号采样定理,从不同的角度解决了信号采样的问题。使得在保证信息不损失的情况下,用远低于奈奎斯特采样定理要求的速率采样信号。压缩感知理论指出只要信号是可压缩的或在某个变换域是稀疏的,那么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,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[2]。在该理论框架下,采样速率不决定于信号的带宽,而决定于信息在信号中的结构和内容。压缩感知理论使得采样和计算的成本大大降低。
    当前主流的压缩感知重构算法主要包括三类:凸优化方法,贪婪算法和基于贝叶斯框架提出的算法[3]。本文主要以压缩感知重构算法为主线,介绍了主流的贪婪追踪类算法包括正交匹配追踪(OMP)算法,正则化正交匹配追踪(ROMP)算法,分段正交匹配追踪(STOMP)算法,稀疏度自适应匹配追踪(SAMP)算法,并且对这些算法的优缺点进行了比较通过仿真实验分析了各种算法的重构性能。
    2.压缩感知基本理论
    压缩感知理论主要包括信号的稀疏表示,编码测量和信号重构算法三个方面。信号的稀疏表示是压缩感知的先验条件,信号的稀疏表示是将信号投影到正交变换基时,绝大多数的变换稀疏的绝对值很小,所得到的变换向量是稀疏的或者是近似稀疏的。任意的N维信号都可以通过某个稀疏矩阵线性表示。例如x为N维的信号,Ψ是x对应的稀疏矩阵,则x可以表示为:x = ∑_(i=1)^N▒〖θ_i ψ_i 〗其中,Ψ是N列ψ_i组成的矩阵,θ_i是x在ψ_i下的投影系数,θ是投影系数向量,θ=Ψ^Tx。稀疏矩阵一般根据信号本身特点灵活选取,常见的是离散余弦变换基,快速傅里叶变换基,离散小波变换基。在编码测量中首先选定一个平稳的,与稀疏基Ψ不相关的M × N 维的观测矩阵Ф,对θ进行观测得到观测集合Y = Фx = ФΨθ。令A=ФΨ为M × N 的矩阵,称为感知矩阵。Y可以看作是稀疏信号θ关于测量矩阵A的测量值,上式整体可以表示为图(1)。
    在这里插入图片描述

    在压缩感知的整个过程中,测量矩阵的设计是一个关键步骤。测量矩阵性质的好坏,关系到能否达到压缩的目的,同时又直接关系到信号能否被精确重构。设计一个合适的观测矩阵应该既能达到压缩采样的目的,同时又可以保证信号可以无失真的重构。有限等距性质[4]在理论上较好的解决了这个问题,只要感知矩阵A能够满足RIP条件,那么信号可以由少量的测量值经过重构算法精确的恢复出来,也就是说,理论上我们可以设计一个测量矩阵使得感知矩阵A满足RIP规则,这样既可以达到压缩采样的目的,又能保证信号无失真的恢复出来。RIP规则的数学表达描述为:设A=ФΨ为M × N 的矩阵,假设一个常数δ_k,使得对于任意向量s和所有的矩阵A_k,满足以下关系4
    (1-δ_k)〖||s||〗_2≤〖||A_k s||〗_2≤(1+δ_k)〖||s||〗2 (2-1)
    其中A_k是A子矩阵,大小为M×K,有限等距常数为δ_k∈(0,1)。
    如果A满足约束等距原则,保证了信号恢复的唯一性。实际上要直接验证矩阵是否满足RIP条件是一件很困难的事情。在实际应用中,我们可以用RIP准则的一种等价情况,即非相干性来指导测量矩阵的设计。非相干性指测量矩阵中的行向量不能被稀疏矩阵线性表出同理稀疏矩阵中的列向量也不能被测量矩阵中的任意行向量线性表出。相干性的度量由相干度[5]如图(2-2)所示,关系数旳取值范围为U∈(1,√N)
    U(Ф,Ψ)=√Nmax{|Ф_k,Ψ_J|} (2-2)
    Donoho等人在文献[6]中指出服从高斯分布的随机矩阵可以高概率满足不相关性,对于一个大小为M×N的随机高斯矩阵Ф,Ф中每个值满足均值为0,方差为1/M的高斯分布,即Ф
    (i,j) ~ N(0,1/M)。可以证明当M>cKlog(N/K)时,A = ФΨ在很大概率下能满足RIP条件。而且随机高斯矩阵与大多数固定正交基构成的矩阵不相关,因此随机高斯测量矩阵满足理论上的最优性。目前大多数情况下都采用随机高斯矩阵作为压缩感知的测量矩阵,本文实验所用到的观测矩阵也是随机高斯矩阵。当选取好观测矩阵,压缩感知问题转化为求解(2-1)式的最优l_0范数问题
    min〖||θ||〗_0 s.t. Aθ = Y (2-3)
    如果得到x的稀疏表示θ,可以进一步由变换基Ψ通过下式(2-2)重构原始信号
    x = Ψθ (2-4)
    由于矩阵A的维度为M × N(M << N),所以方程(1)有无穷多解,通过贪婪算法可以逐步逼近最优解,直到求出原始信号。最早提出的是匹配追踪算法(MP),MP算法的基本思想是在每一次迭代过程中。从感知矩阵中选择与信号最匹配的原子来进行稀疏逼近求出余量,在稀疏度已知的情况下继续迭代选出与余量最匹配的原子。最匹配是指当前余量与原子的内积最大。经过数次迭代,该信号便可由这些原子线性表示,但是当前的余量仅与当前的原子正交而不是与已选定的所有的原子正交使,得每次迭代的结果可能是次最优的往往需要迭代多次。下面介绍四种主流的贪婪类重构算法并分析它们的优缺点进行比较。
    3.正交匹配追踪类算法
    3.1正交匹配追踪(OMP)算法
    OMP算法作为MP算法的延申,仍然沿用了MP算法中原子选择的标准,不同的是OMP算法利用Gram-Schmidt正交化对已选定的原子进行正交化处理,再将信号在这些正交原子构成的张量空间投影,得到信号在选定原子上的分量和余量,然后用相同的方法迭代分解余量。通过每次对所选原子的正交化处理保证了迭代的最优性,从而减少了迭代的次数[7]。
    OMP的具体步骤如下:
    (1)令初始余量r_0 = Y,稀疏度为K,索引值集合J为空集,支撑集合Λ为空集;
    (2)计算相关系数u(余量与原子的内积),并将u中最大值对应的索引值存入J;
    (3)更新支撑集合 ,将更新索引对应的原子存入Λ;
    (4)利用最小二乘法得到重建信号,同时对余量进行跟新;
    (5)若迭代次数小于K,r = r_new,n = n+1,转到第二步继续迭代;否则,停止迭代。
    为了说明OMP算法的重建性能,利用MATLAB R2016a作为平台,分两次实验验证。第一次实验,假定信号是稀疏的并且稀疏度为10,定常信号256 × 1的列向量中随机选取10个随机数随机排列到定长信号中。观测矩阵为128×256高斯随机矩阵。初始信号和恢复信号之间的误差用二者相减的二范数表示。实验结果如图(2)所示,实验误差为o(10e-15 )
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    第二次实验,测试对象为256×256lena图像。观测矩阵采用随机高斯矩阵,M和N表示观测矩阵的行数和列数,M/N表示压缩比0.5,实验结果如图(3),PSRN值为26.5536。

    在这里插入图片描述
    在这里插入图片描述

    OMP算法虽然保证了每次迭代的最优性,减少了迭代的次数。但是,它每次迭代中仅选取一个原子来跟新原子的集合,这样必然会付出巨大的重建时间代价。OMP算法首次把最小二乘法引入压缩感知重建中,用正交化的思想来计算重建信号使得结果更加准确,这是压缩感知重建算法取得重大研究进展的一个标志[8]。
    3.2正则化正交匹配追踪(ROMP)算法
    ROMP算法首先根据相关原则进行原子的一次筛选,通过求余量r与测量矩阵Ф中各个原子之间的内积的绝对值,来计算相关系数u,并按照此方法筛选出的K个原子的索引值存到候选集J中以便进行原子的二次筛选。
    ROMP算法采用正则化过程进行原子的二次筛选,将J中索引值对应的原子的相关系数分成若干,要求分组的原子在各自所在子集内的原子同误差向量的内积的最大值与最小值的比值在两倍以内[6]。数学表达式为(3-1)
    |u(i)| ≤ 2|u(j)|, i,j ∈J (3-1)
    然后选择能量最大的一组相关系数对应的原子索引值存入J_0中,该正则化过程可以使得ROMP算法最多经过K次迭代便可得到一个原子数|Λ|小于2K的支撑集Ф_Λ用于重建信号,对于没有选入支撑集的原子,正则化过程则能保证它们的能量一定远小于被选原子的能量,是一种简单有效的原子筛选方法。
    ROMP的步骤:
    (1)初始化余量r_0 = Y,估计信号稀疏度为K,迭代次数n = 1,索引值Λ为空集,J为空集;
    (2)计算相关系数u,并从u中寻找K个最大值对应的索引值存入J中;
    (3)对J中索引值对应原子的相关系数进行正则化,并将正则化的结果存入J_0;
    (4)更新支撑集Ф_Λ,其中Λ=Λ∪J_0;
    (5)利用最小二乘法得到重建信号,同时对余量进行跟新;
    (6)若|Λ| 2K,则停止迭代,否则令r =r_new,n = n+1,转到步骤(2)继续迭代。
    为了说明ROMP算法的重建性能,分两次实验实现算法重构,利用MATLAB R2016a作为平台。实验1假定信号是稀疏的并且稀疏度为10,定常信号256 × 1的列向量中随机选取10个随机数随机排列到定长信号中。观测矩阵为高斯随机矩阵。初始信号和恢复信号之间的误差用二者相减的二范数表示。实验结果如图(4)误差为o(10 )

    实验2假定信号是四个余弦函数式表示
    x=0.3cos(2π50t)+0.6cos(2π100t)+0.1cos(2π200t)+0.9cos(2π400t)
    我们运用快速傅里叶变换对一维信号 x 进行变换,稀疏度为7,测量矩阵为64×256高斯矩阵实验结果如图(5),误差为o(10 )。

    ROMP算法在OMP算法的基础上加入了正则化方法,以实现一次迭代选择多个原子的目的,从而提高重建速度,减少了算法的复杂度。但其代价是需要预估计信号的稀疏度,并且需要较多的采样数据
    3.3分段正交匹配追踪(STOMP)算法
    STOMP 算法采用分阶段的思想首先根据相关原则来筛选原子,利用阈值的方法从原子集合中选择和迭代余量匹配的原子,与OMP 算法不同的是,它并不是每次固定选择一个匹配原子,而是给定标准为大于门限值t_s δ_t的原子。δ_t为规范噪音水平, δ_t=〖||r_t ||〗2/√M。r_t是上一次跟新的余量值[9]。利用此标准可以一次找到多个原子,减少了匹配的次数,提高了追踪的效率; 然后更新支撑集和原子,并用最小二乘法求得近似解,同时完成对余量的更新。
    STOMP算法步骤:
    (1)初始化余量r_0 = Y,迭代次数默认为10,门限参数t_s默认为2.5。计数器t=1;
    (2)计算感知矩阵各列原子与余量的内积,选择大于门限值t_s δ_t的感知矩阵对应的原子列向量存入集合J_0 ;
    (3)跟新支撑集Λ_t = Λ
    (t-1) ∪ J_0,在支撑集上利用最小二乘法求出跟新余量;
    (4)若t值小于迭代次数s,返回(2)继续执行,否则退出循环。
    为了说明STOM算法的重建性能,利用MATLAB R2016a作为平台。假定信号是稀疏的并且稀疏度为10,定常信号256 × 1的列向量中随机选取10个随机数随机排列到定长信号中。观测矩阵为高斯随机矩阵。初始信号和恢复信号之间的误差用二者相减的二范数表示。实验结果如图(6)所示
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    STOMP 算法将 OMP 算法进行了一定程度的简化,提高了计算速度,但是由于其在每次迭代的过程中寻找的都不是信号的最佳表示,致使重构的精度降低,导致在实际中其重构的信号的精度远不如OMP 算法重构的信号的精度。门限参数和默认迭代次数的设置很大程度决定了算法的精度,使得算法的灵活度差。
    3.4稀疏度自适应匹配追踪(SAMP)算法
    以上算法均建立在稀疏度已知的情况下才能有效,但在实际情况中,信号的稀疏度信息往往事先是不可得的,SAMP相比较其他算法最吸引的就是可以不需要知道稀疏度的先验信息 ,这使得SAMP重建算法在实际应用中更加广泛[10]。
    SAMP算法中采用转换阶段(stage) 的方式逐步增加该原子数,将同一个迭代过程分成多个阶段,设置一个可变步长(size)代替所选原子数目,相邻两个阶段所对应的支撑集的大小之差即为当前步长,随着步长的增加和支撑集的不断增大,实现了在未知稀疏度的前提下步长逐步逼近稀疏度K进而实现精确重建出原始信号的目的[11]。SAMP算法引入了回溯的思想,每次迭代都重新评估原子的有效性。
    SAMP算法步骤:
    (1)初始化余量r_0= Y,支撑集F_0为空集,候选集S_0为空集,初始步长为s,步长增量初始倍数j=1;
    (2)选择感知矩阵内的原子和余量内积最大的s个列向量,将对应的原子列向量放入候选集s_k中;
    (3)合并支撑集F_k和候选集s_k得到跟新后的支撑集C_k;
    (4)以C_k的原子为基准,由最小二乘法得到重建信号并选择最大的s个元素所对应的原子,组成新的的支撑集F;
    (5)由初始余量,支撑集F,利用最小二乘法计算更新余量r;
    (6)如果满足迭代停止条件〖||r||〗_2 ≤ε(固定阈值)则退出循环,如果满足〖||r_k ||〗2 〖||r(k-1) ||〗_2则跟新步长倍数j = j + 1,跟新的步长为s = j × s转入步骤二继续迭代,否则更新支撑集,更新余量,转入步骤二继续迭代。
    为了说明SAMP算法的重建性能,利用MATLAB R2016a作为平台,分2次实验验证。第一次实验,假定信号是稀疏的并且稀疏度为10,定常信号256 × 1的列向量中随机选取10个随机数随机排列到定长信号中。固定阈值为0.1,观测矩阵为128×256高斯随机矩阵。初始信号和恢复信号之间的误差用二者相减的二范数表示。实验结果如(7)所示,误差为o(10 )。

    第二次实验,测试对象为256×256lena图像。观测矩阵采用随机高斯矩阵,M和N表示观测矩阵的行数和列数,M/N表示压缩比,实验的压缩比为0.5,阈值为100,验的PSRN值为24.3。实验结果如图(8)
    在这里插入图片描述
    在这里插入图片描述

    SAMP算法通过提供了严格的误差界限(固定阈值)且不需已知信号的稀疏度 K 就可以重构信号,固定阈值的选取同测量矩阵有着很大的联系。初始步长的选取目前任然是一个问题,SAMP算法的初始步长只需要小于稀疏度K,为了避免过度检测,如果不知道稀疏度,选择初始步长为1可以确保足够的精度。但是初始步长越小,算法运行的时间也就越大,这就造成了过度检测与运行时间的矛盾。经验表明,对于指数衰减的信号初始步长选的较小比较好,对于二进制稀疏信号选择步长较大比较好。如果算法能随着算法逐渐接近真实的稀疏度K值而逐渐缩小这样会提高算法的精度。另外,有学者提出了稀疏度自适应子空间追踪算法,该算法能较为精确完成信号重构,不需要设定步长,能够估计稀疏度大小,但是输入参数对算法影响较大。也有学者提出变步长的自适应步长的稀疏度估计的方法[12],根据每次迭代得到的残差值,通过函数Ln=[L_(n-1)log⁡(γ)/log⁡((γ+0.9ε)) /2.1],其中γ=1-|(|r_2 |)|/||y_2 ||,来确定步长的大小,当步长远离稀疏度K时步长较大,当接近K时稀疏度较小。
    3.5基于小波变换的分块压缩感知
    根据压缩感知理论,图像重构时如果图像尺寸太大,为了维持一定的精度,测量矩阵所需要的观测值随之增加,造成了观测矩阵对于有限的存储空间显得十分巨大,而硬件难于满足需求。Lu Gan [13]提出了分块压缩感知12,该方法指出: 可以将原始图像分成一些大小相等的图像块,采用相同的观测矩阵单独对每个图像块进行观测,大大简化了计算复杂度,这种方法能解决大尺度图像实时传输的问题。分块图像的观测矩阵远远小于未分块的图像,降低了对硬件的需求,利用PC端将采集的样本重构恢复,并实现图像融合。
    本实验利用MATLAB R2016a作为平台,对每一个子块采用小波变换,保留每块的低频小波稀疏,对高频小波稀疏进行采样得到测量向量。13重构时利用正交匹配追踪(OMP) 算法对高频系数进行恢复,再进行小波反变换重构图像。
    实验步骤:
    选取大小为256 × 256的二维图像,将图像分为16块大小为64 × 64的图像;
    采用小波变换对图像进行稀疏化表示,利用50 × 64的观测矩阵进行观测得到观测向量;
    采用OMP算法对观测向量进行重构恢复;
    对重构的恢复矩阵进行小波反变换,得到重构图像。
    实验结果如图(9)所示
    在这里插入图片描述
    在这里插入图片描述

    为了比较几种算法的恢复精度,在固定的稀疏度12下对上述算法进行实验,实验信号为定常信号256 × 1的列向量,观测随着观测矩阵行数M的数目变化对一维信号恢复正确率的变化,实验中对每次M的取值实验100次,计算恢复率,信号之间的误差达到10 即视为正确,M的取值为从稀疏度K每次增加十个直到观测矩阵列数256。实验结果如下图所示(10)所示

    图(10)为四种算法随着测量值M取值的不同,恢复值百分数变化
    图中可以看出ROMP算法到达较高的精确度所需要的观测矩阵行数较其余的算法高,压缩量较低。SAMP算法在稀疏度未知的情况下,由较小的测量值得到恢复精确度较高。
    4.总结
    压缩感知利用信号稀疏的特性将原来基于奈奎斯特采样定理的信号采样过程转化为基于优化计算恢复信号的观测过程。有效缓解了高速采样实现的压力,减少了处理、存储和传输的成本,使得用低成本的传感器将模拟信息转化为数字信息成为可能,同时压缩感知使得信号的恢复率理论上比传统压缩算法更加精准。
    研究还存在如下问题:
    (1)对于一个稳定的优化算法,是否存在最优的观测矩阵使得观测值在达到一定的精度范围而观测数目控制在较少的范围。
    (2)如何设计有效的软硬件来应用压缩感知理论解决大量的实际问题,这方面的研究还不成熟。
    (3)含噪信号或采样过程中引入噪声时的信号重构问题也是难点所在。
    5.参考文献
    [1] 石光明, 刘丹华, 高大化等. 压缩感知理论及其研究进展[D]. 2009.
    [2] 李卓凡, 闫敬文. 压缩感知及应用[J]. 微计算机应用, 2010, 31(03): 12–16.
    [3] 李珅, 马彩文, 李艳等. 压缩感知重构算法综述[J]. 红外与激光工程, 2013, 42(S1): 225–232.
    [4] 吴赟, 丛琳. 压缩感知测量矩阵的研究[D]. 西安电子科技大学, 2012.
    [5] DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289–1306.
    [6] NEEDELL D, VERSHYNIN R. Signal Recovery From Incomplete and Inaccurate Measurements Via Regularized Orthogonal Matching Pursuit[J]. Ieee Journal of Selected Topics in Signal Processing, 2010, 4(2): 310–316.
    [7] 杨真真, 杨震, 孙林慧. 信号压缩重构的正交匹配追踪类算法综述[J]. 信号处理, 2013, 29(04): 486–496.
    [8] TROPP J A, GILBERT A C. Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(12): 4655–4666.
    [9] 汪浩然, 夏克文, 牛文佳. 分段正交匹配追踪(StOMP)算法改进研究[J]. 计算机工程与应用, 2017, 53(16): 55–61.
    [10] DO T T, GAN L, NGUYEN N等. Sparsity adaptive matching pursuit algorithm for practical compressed sensing[C]//2008 42nd Asilomar Conference on Signals, Systems and Computers. 2008: 581–587.
    [11] 杜秀丽, 胡兴, 顾斌斌等. 基于变步长的正则回溯SAMP压缩感知重构算法[J]. 计算机应用研究, 2018, 35(04): 1084–1087.
    [12] FU Y, LIU S, REN C. Adaptive Step-Size Matching Pursuit Algorithm for Practical Sparse Reconstruction[J]. Circuits Systems and Signal Processing, 2017, 36(6): 2275–2291.
    [13] 曹玉强, 柏森, 曹明武. 图像自适应分块的压缩感知采样算法[J]. 中国图象图形学报, 2016, 21(04): 416–424.

    展开全文
  • 基于压缩感知的分布式视频编码技术研究,随着移动视频技术的广泛应用,资料包括了基于压缩感知的分布式视频编码论文,代码
  • 压缩感知算法matlab

    2021-04-22 21:14:42
    MATLAB代码如下: 压缩感知仿真实例 压缩感知仿真实例在MATLAB R2001b中的计算结果如下: 原图像 采样率0.7 采样率0.5 采样率0.3 压缩感知仿真实例采用均方误差......MATLAB稀疏表示算法_计算机软件及应用_IT/计算机_...

    MATLAB代码如下: 压缩感知仿真实例 压缩感知仿真实例在MATLAB R2001b中的计算结果如下: 原图像 采样率0.7 采样率0.5 采样率0.3 压缩感知仿真实例采用均方误差......

    MATLAB稀疏表示算法_计算机软件及应用_IT/计算机_专业资料。关于压缩感知的MATLAB里的信号矩阵稀疏表示算法编码,包含KSVD和OMP算法,比较简单易用 ......

    As a companion to these papers, this package includes MATLAB code that implements this recovery procedure in the seven contexts described below. The code ......

    该文介绍了压缩感知理论以及 OMP 和 SP 算法的核心思想以及信号的仿真实验, 利用离散小波变换的方法对图像信号进行稀疏化的处理,并分别用 OMP 算法和 SP 算法对......

    基于稀疏参数模型及参数先验的图像分辨率 4 结论 通过以上的分析可知 , 在压缩感知理论中 , 用经典基 追踪算法可以有效地在高斯白噪声背景下重构信号 ; 而当 在......

    贪婪算法中,SP算法的原理介绍及MATLAB仿真_信息与通信_工程科技_专业资料。贪婪算法中,SP算法的原理介绍及仿真 压缩感知重构算法之子空间追踪(SP) 如果掌握了压缩......

    压缩感知的数学理论基础和常用方法,包括稀疏变换、测量矩阵和重构算法,利用Matlab软件实现压缩感知 实验,比较几种测量矩阵的性能,提出双阈值分块正交匹配追踪重构算法。...

    基于压缩感知的图像快速... 5页 2下载券 喜欢此文档的还喜欢 混沌信号的压缩感知去噪 8页 免费 基于MATLAB的图像压缩感... 50页 1下载券 基于压缩感知的......

    实验表明,该方法具有可操作性和可行性. 关键词 压缩感知;图像去噪;稀疏表示;小波变换;OMP算法 分类号TP39 图像是获取信息和传递信息重要的媒体和 手段,随着计算机......

    3 基于小波变换的图像压缩感知本文采用小波变换的方法对信号进行稀疏表示, 利用随机高斯矩阵作为测量 矩阵,最后使用正交匹配法重构信号。Matlab 仿真实验结果如下所示:......

    [4]引入 数学实验课程,设计难度适中的实验案例并用 Matlab 语言[5]编程实现.该实验 案例的实施,为学生提供了接触、了解数学前沿研究方法和压缩感知概念的平 台,......

    压缩感知理论是编解码思想的一个突 破,减轻了信号采样、传输和存储遇到的巨大压力,是一种信息获取及处理的全 新的理论框架。 本文将利用 MATLAB GUI 进行基于压缩......

    《电脑知识与技术》2019 年第 34 期 龙源期刊网 龙源期刊网 摘要:压缩感知即通过信号稀疏性进行全新信号......

    基于压缩感知的DOA估计程序_电子/电路_工程科技_专业资料。基于压缩感知的DOA估计程序 程序可运行,有图有真相,MATLAB 得事先装好 cvx 优化包。 clc; clear; ......

    《物联网技术》2013 年第 02 期 摘要:为了实现基于压缩感知理论的信号欠采样和重建,采用模拟信息转换器和正交匹配 追踪(Orthogonal Matching Pursuit,OMP)算法对......

    稀疏表示是应用压缩感知的先验条件, 随机测量是压缩感知的关键过程,重构算法是获取最终结 果的必要手段。 压缩感知的数学模型 ? 假设x为长度N的一维信号,稀疏度为......

    84 传感器与微系统( )TransducerandMicrosystemTechnologies 2018年第37卷第11期 :—()——DOI 10.13873/J.10009787201811008403 基于压缩感知的模拟信息转换器设计*......

    根据压缩感知理论的基本原理,提出了一种基于CCSLink的压缩感知系统的DSP实现方法.即在Matlab环境下,利用CCSLink工具构建合适的嵌入式对象,直观地进行参数的分析比较,......

    压缩感知重构算法之正交匹配追踪(OMP) 前面经过几篇的基础铺垫,本篇给出正交匹配追踪(OMP)算法的 MATLAB 函数代码,并且给出单次测试例程 代码、测量数 M 与重构......

    为了改进方向追踪法的重建精度和算法效率, 提出了一种基 于谱投影梯度 (Spectral projected gradient, SPG) 追踪的压缩感知 (Compressed sensing, CS) 重建算法. ......

    展开全文
  • 针对宽带认知无线电网络中压缩频谱感知...目前,应用压缩感知技术的频谱检测算法一般要求信噪比在-3dB 以上,而仿真表明 PBCS 算法可以在-5dB 的信噪比条件下达到检测概率大于 0.9,误检概率为 0.1 的频谱检测性能。
  • 据麦姆斯咨询报道,法国原子能委员会电子与信息技术实验室(CEA-Leti)近日发表了Wissam Benjilali的博士论文,题为“Exploring analog-to-information CMOS image sensor design taking advantage on recent ...

    据麦姆斯咨询报道,法国原子能委员会电子与信息技术实验室(CEA-Leti)近日发表了Wissam Benjilali的博士论文,题为“Exploring analog-to-information CMOS image sensor design taking advantage on recent advances of compressive sensing for low-power image classification”。
    近年来CMOS图像传感器(CIS)领域研究进展逐渐促进了研究者重新审视标准图像采集和处理流程,以实现片上高级图像处理应用,如决策等。尽管技术节点演进和3D集成已带来巨大成就,但由于感知和处理的数据量巨大以及实现最先进决策算法的硬件成本高昂,设计具有片上决策能力的CMOS图像传感器架构仍然是一项具有挑战性的任务。
    在该背景下,诞生了压缩感知(Compressive Sensing,简称CS)作为信号采集的替代方案,即用压缩表示方式感知数据。当基于随机生成传感模型时,CS可通过减少模数转换以及数据片外吞吐量来大幅节省硬件,同时为信号恢复和信号处理提供有意义的信息。传统上,CS在CMOS图像传感器应用中被用于压缩任务,并与涉及高级算法复杂度的远程信号恢复算法相结合使用。为了降低这种复杂性,CS的信号处理为直接在CS测量时进行信号处理(且无显著性能损失)提供了坚实的理论基础,同时也为低功耗智能传感器节点的设计提供了新思路。此论文基于算法和硬件研究路线,阐述了如何利用压缩感知技术,采用高效片上决策算法来设计低功耗传感器节点。

    e652d52c6a1ce8d07364566bf3842b31.png

    主要压缩感知成像技术分类图


    该论文在概述压缩感知和机器学习领域(尤其关注硬件实现)之后,呈现了本研究用于设计紧凑型CMOS图像传感器架构的高效感知方案和决策方法的四项主要成果。首先,分析探讨了对于高度受限硬件来说解决CS测量的基本推理任务问题。其目的是寻找最优设置来执行压缩感知的测量决策。

    80a1b5d98cb65acb41c383359f6b15dc.png

    简单阐述CS感知方案的2D示意图


    其次,该论文提出一种新型CMOS图像传感器应用传感方案。该方案旨在满足理论和硬件两方面要求,研究证明该传感模型适用于CMOS图像传感器应用,可同时处理图像绘制和片上决策任务。另一方面,为了解决标准决策算法所涉及的片上计算复杂度问题,探讨了构建层次推理树的新方法,以减少与片上多类别推理任务相关的MAC操作。当层次推理与压缩感知相结合时,可实现联合采集处理最优化。

    bd4e796fcef776aa3c6a90768ef88bb0.png

    图为伪随机调制和排列压缩图像传感器的顶层架构


    最终,本研究所有成果即可形成一种紧凑型CMOS图像传感器架构,可通过研究所提及的CS传感方案来实现片上目标识别,从而减少了片上存储的需求。与使用一阶增量Sigma-Delta模数转换器(ADC)的标准CMOS图像传感器架构相比,该方案仅需的额外硬件为伪随机数据混合电路、+/-1 in-Sigma-Delta调制器和小型数字信号处理器(DSP)。另外,论文中还提出多种硬件优化方案,以适应未来超低功耗(≈µW)CMOS图像传感器设计的需求。

    24503867fc934a913a123465773a149b.png

    图为该架构不同层次GIT-10 SVM的识别精度

    关于压缩感知(CS)
    压缩感知(Compressed Sensiong,CS)是在采样过程中即完成了数据压缩的过程。压缩感知理论是2006年美国科学院院士D.Donoho、E.Candes及华裔科学家陶哲轩正式提出。它指明,信号在某个变换域如果是可以被压缩或者稀疏的,就能将高维信号的变换系数投影到低维空间,而仅利用与变换矩阵不相干的观测矩阵,得到信号的少量的重要信息,即这种投影保留了重建该信号所需的信息,而后通过求解最优化问题,就能够从低维观测向量精确的重构出原始高维信号。压缩感知有两个前提条件:稀疏性(sparsity)和不相关性(incoherence)。目前压缩感知理论已经在多领域有着广泛应用,如医疗成像、数据压缩、信息编码、统计估计以及天文学等领域。

    推荐活动:

    2020年9月10日,麦姆斯咨询将在深圳国际会展中心(宝安)举办『第二十九届“微言大义”研讨会:激光雷达技术及应用』,同期展会:2020第22届中国国际光电博览会(CIOE)。诚邀激光雷达厂商及核心元器件厂商出席并演讲!

    联系人:郭蕾

    电话:13914101112

    邮箱:GUOLei@MEMSConsulting.com

    往期回顾:https://www.MEMSeminar.com/28/

    a361dbb1c7822f0e320a102f9b08b017.png

    展开全文
  • 激光与光电子学进展, 2020, 57(8): 080001撰稿| 曹良才导读来自清华大学和杜克大学的研究人员针对无透镜数字全息成像重建中的逆问题,开发了一种压缩感知处理算法,且对如何提高算法的处理速度和处理精度进行了研究...

    8ccff18e2f0cebb8a69c85b9bd24be64.png

    本文为中国激光第1780篇。

    欢迎点击在看、转发,让更多人看到。

    966f9f26f64d9be52d7ec8869c194fe3.png 封面文章 |张华,曹良才,金国藩,白瑞迪. 基于压缩感知算法的无透镜数字全息成像研究[J]. 激光与光电子学进展, 2020, 57(8): 080001

    撰稿| 曹良才

    导读

    来自清华大学和杜克大学的研究人员针对无透镜数字全息成像重建中的逆问题,开发了一种压缩感知处理算法,且对如何提高算法的处理速度和处理精度进行了研究,该算法还可用于其他无透镜成像或编码成像技术。

    01

    背景

    随着现代光学、数学理论和计算机科学的发展,传统的光学成像技术和光电成像系统开始向编码和计算的方向拓展,成像系统的重构方式和结构形态发生了变化,进一步提升成像技术在空间、时间、光谱等维度上的动态范围与分辨能力,获得了国内外研究学者的广泛关注,逐渐形成了计算光学成像这一分支。 无透镜数字全息成像技术通过像感器直接对平行光照射过物体后的衍射和干涉图样进行采集,然后利用算法进行三维物体的高分辨率重建,这种成像系统结构简单、视场大、易编码,但对编码后的图像解耦提出了较高的要求,重建算法对硬件成本和成像性能两方面都至关重要。

    压缩感知数字全息技术可构建从三维物体到二维伽柏全息的正向传输模型,利用图像信息本身的稀疏性或者在某一变换域中的稀疏性作为正则化条件,在只采集单幅同轴全息图的条件下,利用压缩感知算法可实现重建真实三维物理场信息。

    02

    压缩感知及其算法

    压缩感知成像是一种通过求解目标函数极值,从少量压缩采样数据中恢复高维高清图像的成像方法。 压缩感知成像可以通过硬件编码的方式实现数据的降维采样,在硬件层面同时实现图像的压缩和采样,硬件编码设计需要尽可能地保留目标图像的信息,而图像信号重建可以通过后端优化算法实现,这样的成像模型能够大大降低信号采集和传输的成本。 对于反问题求解,目前常用的算法是两步迭代收缩阈值算法(TwIST),该算法基于目标图像边缘特征明显的特点,可以有效抑制背景噪声、孪生像噪声和高阶项噪声,对目标图像进行高质量重建,因此被广泛应用于基于压缩感知的三维全息成像重建中,如图1所示。 在图1中,THU三个字母处于不同的深度,经过激光照明后,可以在像感器上得到一个二维的全息图,此时利用计算重建,可以实现由一幅二维全息图重构出三维物体。

    传统的反传播算法或者相位恢复算法可以得到三维的物体,但是分辨率较低,图像的噪声都较大,限制了无透镜数字全息技术的应用。

    18a8a59b4ebc35b54ab8f542d28e647b.png

    图1 压缩数字全息模型

    03

    压缩感知数字全息三维重建

    当平行光照明到多层结构的三维物体上时,部分光子与物体相互作用形成散射光,而有些光子直接穿透不发生散射形成参考光,散射光和参考光发生干涉,在像感器平面上形成伽柏全息图,如图2所示。 图2(a)表示字母图样在不同层上的分布,图2(b)表示不同深度物面上的点扩散函数,三维物体在像感器上形成的散射光可以看作是由不同深度的物体与相应的点扩散函数卷积后相互叠加的结果。 传统的反传播算法的三维重建结果如图2(c)所示。层内的重建结果包含来自其他深度物体的波前干扰,同时全息图的二阶噪声项也会出现在重建结果中,导致三维重构质量的进一步下降。

    图2(d)是压缩感知数字全息算法对单幅伽柏全息图的重建结果。三个字母图样可以在正确的位置得到重建,同时重建结果的层间串扰得到有效的抑制,提高了三维重建的信噪比。

    842b2e78e19e0af9a7fc5ffde58c8738.png

    图2(a)三维物体的多层结构;(b)不同层对应的点扩散函数;(c)传统反传播算法的三维重建结果;(d)压缩数字全息的三维重建结果

    04

    噪声抑制机理及滤波层设计

    为了提高压缩数字全息算法去除噪声的能力,有效地抑制与全息衍射光波传播模型不相符的噪声,论文中提到了在模型中预设滤波层的设计方法。 在含有滤波层的压缩数字全息模型中,稀疏正则化约束就如同一个滤波器,如图3(a)所示,将全息图中不符合正向传输模型和稀疏约束的部分滤除,由此提高三维物体的重构质量。通过计算分析可以得到不同滤波层深度对重构结果的影响,如图3(b)所示。可以看出当滤波层落在像感器平面上时,压缩数字全息算法的重建质量最高。当滤波层的位置逐渐远离像感器时,重建质量变差。 44029b9d4245120460aa6cf9a0a9f8c3.png

    图3 压缩数字全息模型。(a)压缩数字全息滤波机制示意图;(b)滤波层的位置对重建结果的影响

    05

    分块压缩感知数字全息技术

    压缩数字全息是一个反问题优化算法,在目标函数极值得搜索过程中,计算量大重构时间长,一般需要数分钟甚至数小时才能完成一次重建。通过分析全息衍射编码的有效抗混叠边界的特性,短的传播距离和短的照明波长可以减少抗混叠区域的直径,因此可通过将采集到的伽柏全息图被分割成若干子全息图,进行并行处理,从而提高算法效率。

    如图4(a)所示,对多层三维物体进行观测,采集到的伽柏全息图如图4(b)所示。根据该系统的有效抗混叠边界条件,可将整幅全息图分割成64块子全息图,然后对子全息图向外扩展40个像素,进行数据填补。子全息图的重建过程是完全独立的,数据的处理方式相同,可以进行并行处理。研究人员利用基于多核CPU的单程序多任务并行运算技术,可将算法的处理时间从10296秒缩短至191秒。该成像模型可以在宽视场范围内获得不同层的微米级的三维结构形貌,可用于细胞芯片成像和手机屏幕缺陷检测等领域。 

    ab5a1a1e1e5fbc763ad631e84d77ac8e.png

    图4 伽柏全息三维显微成像系统。(a) 微结构的无透镜成像示意图;(b)采集到的伽柏全息图

    06

    双角度压缩感知全息成像

    无透镜数字全息成像的轴向分辨率由于像素大小的限制,往往远低于横向分辨率,在片上三维粒子场成像对系统的大视场、高轴向分辨等性能有较高的要求。 文中提到了一种双角度编码照明方式,在像感器平面上获得两个平行光照明下的两幅伽柏全息图。两幅全息图对应不同的正向传输模型,由此可建立一个三维物空间分布到两幅二维伽柏全息图之间的映射关系。基于双角度照明的压缩数字全息模型可以有效提高三维重建结果的轴向分辨能力,同时还保留了伽柏全息大视场的特点。这种成像模型可用于粒子场的成像与检测,也可用于微流控芯片内的血红细胞成像。

    图5为利用反传播模型、单角度压缩数字全息模型、双角度压缩数字全息模型三个方法所恢复的三维粒子场模型,可以看出双角度压缩数字全息模型的轴向分辨能力有了显著地提升。

    3c1c920371131849fddd698dcaf82081.png

    图5 三维粒子场重建结果。(a)反传播模型的重建结果;(b)单角度压缩数字全息的重建结果;(c)双角度压缩数字全息的重建结果

    07

    总结

    面对低成本、小型化和高性能成像仪器的发展趋势,现有硬件的发展速度无法满足人们对大规模数据采集的需求,而压缩数字全息成像使得高效的三维数据采集与重建成为了可能。压缩感知算法在提升数字全息三维成像能力方面具有显著的优势,同时,该算法在散射成像技术和无透镜编码成像技术中也可以发挥重要的作用。

    更多详细内容点击查看张华,曹良才,金国藩,白瑞迪. 基于压缩感知算法的无透镜数字全息成像研究[J]. 激光与光电子学进展, 2020, 57(8): 080001

    延伸阅读

    [1] David J. Brady, Kerkil Choi, Daniel L. Marks, Ryoichi Horisaki, and Sehoon Lim. Compressive Holography[J]. Optics Express, 2009, 17:13040-13049.

    [2] Hua Zhang, Liangcai Cao, Hao Zhang, Wenhui Zhang, Guofan Jin, and David J. Brady. Efficient block-wise algorithm for compressive holography[J]. Optics Express, 2017, 25(21):24991-25003. 

    [3] Wenhui Zhang, Liangcai Cao, David J. Brady, Hua Zhang, Ji Cang, Hao Zhang, and Guofan Jin. Twin-Image-Free Holography: A Compressive Sensing Approach[J]. Physical review letters, 2018, 121(9):093902.1-093902.6.

    [4] Hua Zhang, Songwen Liu, Liangcai Cao, and David J. Brady. Noise suppression for ballistic-photons based on compressive in-line holographic imaging through an inhomogeneous medium[J]. Optics Express, 2020, 28:10337-10349.

    [5] Jiachen Wu, Hua Zhang, Wenhui Zhang, Guofan Jin, Liangcai Cao, and George Barbastathis. Single-shot lensless imaging with Fresnel zone aperture and incoherent illumination[J]. Light: Science & Applications 9, 53 (2020).

    4768028ae88c834c9e8d037850b25ed9.gif

    4485e0d8219e57dc5274895b94adfe74.png

    End

    推荐阅读 5e80a41df73c9a356b9680468292ccea.png 5e80a41df73c9a356b9680468292ccea.png

    陈理想教授:关联成像技术的研究现状及展望

    卢荣胜教授:机器人视觉三维成像技术

    邵晓鹏教授:计算成像技术及应用最新进展

    邵晓鹏教授:信息化时代下光电成像技术面临的挑战与机遇

    47400f63e4a68da6308b0fe9a77c8c90.png

    首发前沿光学成果,放送新鲜光学活动

    如需转载,请直接留言。

    商务合作:朱先生 13918384218

    免责声明

    本文注明来源为其他媒体或网站的文/图等稿件均为转载,如涉及版权等问题,请作者在20个工作日之内来电或来函联系,我们将协调给予处理(按照法规支付稿费或删除)。

    最终解释权归《中国激光》杂志社所有。

    展开全文
  • 介绍了压缩感知技术和无线传感器网络的发展研究现状,并从数据融合、信号采集、信号路由传输以及信号重构4个方面,对近年来基于压缩感知的无线传感器网络数据处理研究进行了详尽的分析,提出数据安全的重要性。...
  • 压缩感知matlab

    2021-04-26 13:44:07
    MATLAB代码如下: 压缩感知仿真实例 压缩感知仿真实例在MATLAB R2001b中的计算结果如下: 原图像 采样率0.7 采样率0.5 采样率0.3 压缩感知仿真实例采用均方误差......(Basis Pursuit,BP) 除匹配追踪类贪婪迭代算法之外...
  • 近年来出现的压缩感知理论(Compressed Sensing,CS)则不受制于奈奎斯特采样定律,它是采用非自适应线性投影来保持信号的原始结构,以直接采集压缩后的数据的方式,从尽量少的数据中提取尽量多的信息。本文阐述了...
  • 1 压缩感知的背景 大约有70%的信息是通过人眼获得的视频和图像信息 视频图像信息是人类最重要的获取信息的方式。 视频图像信息丰富数据量大 信号采样传输存储有巨大的压力 在数据的存储和传输方面, 传统的做法是...
  • 压缩感知技术

    千次阅读 2013-03-09 23:43:00
     压缩感知就是,对稀疏或可压缩信号可通过远低于Shannon-Nyquist采样定理标准的方式进行采样数据,其仍能够实现稀疏或可压缩信号的精确重构,这使得其在信号处理领域中有着突出的优点和潜在的应用前景。  在这里...
  • 学术报告01题目:压缩感知理论在极微弱信号探测与成像蛋白质结构计算的应用02 报告人:赵清北京理工大学03 时间:10月11日(周五)15:30-16:3004 地点:玉泉校区 教十二-201主讲人内容摘要近年来,利用压缩感知理论...
  • 摘 要:压缩感知打破了传统采样定理的限制,提供了一种从少量的非自适应线性测量值中就能恢复原始信号的方法。测量矩阵正是获取这些测量值的关键所在,寻求结构简单、性能稳定的测量矩阵一直是研究人员的目标。在...
  • 压缩感知的实现(含matlab代码)

    万次阅读 多人点赞 2018-07-24 20:43:38
    压缩感知的图像重建(matlab) https://blog.csdn.net/Di_Wong/article/details/88994551 目录 原理简介 算法实现 测试结果 --------------------------------------------------------------------------------...
  • 光子学压缩感知技术是近年来发展迅速的一种新型频谱感知技术,以远低于奈奎斯特(Nyquist)率对信号进行采样,大大提高了频谱测量范围和频率测量精度,为宽频稀疏信号的感知和测量提供了有效的解决方法。重点介绍了...
  • 发现了一种新的信号处理方法--压缩感知理论。针对稀疏信号或者可压缩信号,该理论可 以使用远低于传统奈奎斯特采样定理所要求的采样速率,成功实现了信号采样与压缩同时 进行,并且能够精确的恢复出原始信号。
  • 形象易懂讲解算法——压缩感知

    万次阅读 多人点赞 2018-10-16 11:15:00
    在我看来,压缩感知是信号处理领域进入21世纪以来取得的最耀眼的成果之一,并在磁共振成像、图像处理等领域取得了有效应用压缩感知理论在其复杂的数学表述背后蕴含着非常精妙的思想。基于一个有想象力的思路,辅以...
  • 压缩感知专题讲座

    2013-05-16 11:45:30
    压缩感知技术专题讲座_三_第6讲压缩感知在语音处理中的应用研究
  • 绪论31.1 研究背景和意义31.2 数据压缩技术41.2.1 传统数据压缩技术41.2.2 压缩感知理论(Compressed/Compressive Sensing/Sampling, CS)51.3 无线传感器网络71.3.1 无线传感器网络概述71...
  • 压缩感知(compressed sensing)的通俗解释

    万次阅读 多人点赞 2017-02-16 21:01:51
    作者:咚懂咚懂咚 来源: 知乎 ... ----------------------------...在我看来,压缩感知是信号处理领域进入21世纪以来取得的最耀眼的成果之一,并在磁共振成像、图像处理等领域取得了有效应用压缩感知理论在其复杂的...
  • 压缩感知重构算法综述-学习笔记

    千次阅读 2021-03-10 09:43:00
    压缩感知理论:对于稀疏或可压缩的信号,能够以远低于奈奎斯特频率对其进行采样,并通过设计重构算法来精确的恢复信号。 文章工作: 1、介绍压缩感知理论的基本框架,讨论该理论关于信号压缩的采样过程; 2、综述...
  • 摘要 获取项目源文件,联系Q:1415736481,可指导...近年来出现的压缩感知理论(Compressed Sensing,CS)则不受制于奈奎斯特采样定律,它是采用非自适应线性投影来保持信号的原始结构,以直接采集压缩后的数据的方式...
  • 压缩感知测量矩阵构造方法研究

    万次阅读 多人点赞 2017-08-03 10:23:11
    记得刚拿到这个题目时,满脑子都是黑人问号,压缩感知到底是个什么东东?也正是因为它,我第一次接触到博客这个强大的东西,在这里搜索关于CS的资料的同时,发现了很多有意思的东西,这里大神云集,能学的东西太多了...
  • 压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目。最近粗浅地看了这方面一些研究,对于Compressive Sensing有了初步理解,在此分享一些资料与精华。本文针对陶哲轩和Emmanuel Candes上次到北京的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 23,764
精华内容 9,505
关键字:

压缩感知技术及应用