基于CoSaMP算法的信号冗余分析

以稀疏表示理论为出发点,分析信号的压缩感知理论与传统Nyquist采样定理的理论对比结果,根据Co Sa MP算法和IFFT信号重构结果,定性和定量地分析了信号内部冗余性与利用这种冗余特征进行减运算量处理的可行性,进一步探讨信号的非均匀化处理,包括分数域和分形等方法在信号处理领域的适应性。

基于匹配追踪算法阈值改进的MIMO-OFDM信道估计研究

对于MIMO-OFDM系统信道估计的研究在国内外已经取得了一定的成果,其中采用CoSaMP算法进行信道估计时支撑候选集的选择尤为重要。采用CoSaMP算法对MIMO-OFDM信道进行估计,并在此基础上引入原子弱选择标准对候选集进行更进一步的优化,使改进后的CoSaMP算法在达到自适应的同时提高运算速率,达到信道估计算法自适应的目的。实验结果表明,对CoSaMP算法的候选集选择添加阈值后进行重构信号时复杂度降低,提高了运算速率,同时均方根误差较CoSaMP算法和OMP算法都有一定的提高。

一种分块图像的BP压缩感知重构算法

在图像压缩感知重构中,针对重构效果和耗时不兼得的问题进行深入研究.基于离散余弦基稀疏表示,选用随机高斯矩阵进行观测采样,针对基追踪(BP)重构算法精度相对较高同时计算复杂度也高的特点,结合图像分块可以提高运算速度和精度这一优点,提出一种基于分块图像的基追踪(BP)重构算法,并与常用的正交匹配追踪OMP算法、BP算法、COSAMP算法、基于分块图像的压缩采样匹配追踪(COSAMP)算法、基于过完备字典(KSVD)的OMP重构算法和基于过完备字典(KSVD)的BP重构算法进行对比;借助MATLAB进行仿真实验,得到不同采样率下的重构图像以及重构图像的峰值信噪比和运行时间.实验结果表明:基于分块图像的基追踪(BP)重构算法不但峰值信噪比(PSNR)比普通算法高出1～10d B不等,而且运行时间比较短,所以本文所提算法兼顾了重构精度和运算效率.另外,对本文所提算法分块大小、稀疏度设置多大为最优这两个问题进行大量重复实验,最后确定分块大小为8*8、稀疏度设置为图像矩阵(N*N)原维度N的0.2～0.4倍时为最优.

基于压缩感知的MIMO系统稀疏信道估计

在多输入多输出通信系统中,接收端信道均衡与相干检测需要利用信道状态信息.传统信道估计方法如最小二乘法和最小均方误差法均基于多径信道密集型假设,导致频谱利用率低下.为此,该文研究在单载波MIMO系统中的稀疏信道估计,利用多径信道的稀疏特性提出一种基于压缩感知理论的信道估计方法.这种方法能利用较少的导频信号达到与传统方法相比拟的估计性能,从而提高频谱利用率.仿真验证和理论分析表明,基于压缩采样匹配追踪的压缩感知信道估计方法为MIMO系统稀疏信道估计的最优选择.

基于稀疏度自适应化的DEM压缩采样与重构方法

地形数据量的日益增长迫切地需要高效的存储和传输策略。提出了一种基于稀疏度自适应化的DEM压缩采样与重构方法,并给出了方法具体的实现及详细流程。该方法首先利用小波变换对原始DEM进行稀疏处理,然后利用QR分解后的随机高斯矩阵对稀疏处理结果进行降维观测,实现DEM的压缩。最后针对CoSaMP算法必须提供稀疏度和重构时间长的缺点提出一种稀疏度自适应化的改进算法,利用改进的CoSaMP算法进行重构和小波反变换等步骤获得DEM的重构结果。在保证相似重构精度的前提下,提出的改进的CoSaMP算法与传统的CoSaMP算法相比,在实现稀疏度自适应化的同时有效地提高了收敛速度。仿真实验结果表明与JPEG2000方法相比,提出的方法实现了更高压缩比的数据压缩和高峰值信噪比的数据重构。

基于梯度融合规则的医学图像融合方法

为了更好地满足临床诊断和治疗的需要,提出了一种在图像融合阶段对测量值进行自适应梯度加权和图像重建时采用CoSaMP重建算法相结合的方法。该算法首先对两幅源图像分块并进行稀疏表示,同时利用观测矩阵进行测量。在测量数据融合阶段引入图像梯度来反映图像本身的边界信息,先计算每幅分块子图像的梯度;然后利用自适应梯度加权的融合规则得到融合的测量数据,并对融合测量数据进行随机压缩采样;最后通过CoSaMP算法对采样数据进行信息重构实现测量数据的恢复。该方法克服了图像融合时信息畸变的缺陷,并且可以根据不同融合区域自动调整融合规则的权重系数,有效地避免了设置固定权重系数造成的融合误差。实验结果和评价指标验证了该算法的有效性和先进性。

基于双密度双树复小波的结构化CS图像重构

提出了一种基于双密度双树复小波(double-density dual-tree complex wavelet transform,DDDT-CWT)基的结构化CS图像重构算法,该算法将图像在双密度双树复小波变换下的系数呈现的树结构化特征与Co Sa MP重构算法相结合,实现了对原始图像的更精确重构.实验结果表明:在相同压缩比的前提下,与传统使用DWT基且未考虑变换系数结构化特征的重构算法相比,使用DDDT-CWT基和融入结构化特征的重构算法分别可获得2.9～3.2 d B与0.2～1.2 d B的增益,综合两者后的重构算法可获得3.8～4.3 d B以上的增益.