壓縮感知書

❶ 請問研究壓縮感知需要學哪些相關知識比如，數字信號處理數字圖像處理請明白人指點迷津！謝謝啦！

我個人覺得，數字信號處理和數字圖像處理是針對具體的應用領域做基礎知識學習。而你說的壓縮感知是一種高於具體應用領域的智能演算法，壓縮感知可以用於數字信號方面，同樣也可以應用與數字圖像處理。確切的說數字信號處理包含了數字圖像處理，只是數字圖像處理後來發展了跟多深入的知識，所以又把其獨立成一門課程。比如Mallat的《信號處理的小波導引:稀疏方法(原書第3版)》這本書上的內容，就大部分說的應用時數字圖像。
總之，數字信號處理、數字圖像處理肯定是要學的，否則你學了壓縮感知也不知道用在什麼領域，要具體學習壓縮感知方面的知識，再去看看IEEE里的一些論文還有一些博士論文。

❷ 有人在學壓縮感知嗎誰知道怎麼用0范數或者L1范數最小化重構原始信號或者給我文獻也行

用0范數或1范數解決cs重構歸屬一個數學問題，猶如給定你一個公式，利用這個公式或者說原理去做出很多的演算法，cs重構本歸屬與對0范數的求解問題上的。
但0范數屬於數學上一個NP_hard問題，是無法解決的，所以不能直接用求0范數的理論去做演算法，從而提出一系列基於求0范數最小的貪婪類演算法。如MP,OMP等演算法。，這類演算法中，最為基礎的算是MP演算法了。貪婪演算法的速度較快，但是重構效果相對較差，需要的測量數也較多，不能高效地壓縮信號，並且對測量矩陣的要求更高。但總的來說，應用范圍廣。
數學家同時發現，求解L1范數也可以逼近與0范數的效果，即把NP_hard問題轉化為線性規劃問題。所以現在有很多用求L1范數原理而創造了各類演算法，最典型的是BP（基追蹤）演算法和梯度投影稀疏重構演算法。這種演算法重構效果很好，但是運算量大，復雜，應用於實際上可能不大。至少得改進其演算法。
還有一大類演算法，我不關注，不說了。
具體那些演算法怎麼實現，自己去網上下程序模擬一下吧。。。。

❸ 壓縮感知國內外的技術，理論和應用

rice大學的但像素相機

❹ 壓縮感知（CS）是把原始信號和觀測矩陣相乘 還是信號的DCT系數和觀測矩陣相乘

吐血……—— 人人都會錯過 人人都曾經錯過 真正屬於你的 永遠不會錯過。

❺ 做壓縮感知方面的大牛有哪些！國內的，謝謝

計算機科學與應用這本期刊里有篇《基於壓縮感知理論的衛星雲圖重構技術研究》這個文章，你可以看到裡面的專家作者有哪些

❻ 什麼是「壓縮感知」

壓縮感知，又稱壓縮采樣，壓縮感測。它作為一個新的采樣理論，它通過開發信號的稀疏特性，在遠小於Nyquist 采樣率的條件下，用隨機采樣獲取信號的離散樣本，然後通過非線性重建演算法完美的重建信號。壓縮感知理論一經提出，就引起學術界和工業界的廣泛關注。它在資訊理論、圖像處理、地球科學、光學、微波成像、模式識別、無線通信、大氣、地質等領域受到高度關注，並被美國科技評論評為2007年度十大科技進展。

❼ 壓縮感知過時了嗎

沒有過時，依然是主流暢談的話題，使用度依舊廣泛。

壓縮感知的核心點在於，其不遵從奈奎斯特采樣定理。而這原因在於，壓縮感知的采樣是隨機的，不等間距的，故不用管奈奎斯特。不過壓縮感知也是有要求的，它需要保證信號是稀疏的。

一旦信號不稀疏，進行違背奈奎斯特的隨機非等間距采樣時，頻域上的交疊會導致難以恢復原始信號。在壓縮感知過程中，如果將采樣頻率降低，使得其很小，那麼采樣的時域間隔就會相對很大，加上一定方式的隨機采樣，此時采樣得到的數據量就會很小，從而實現了一種壓縮。

壓縮感知與傳統的采樣+壓縮的模式不同的是，它首先不遵從奈奎斯特采樣定理，其次，它並沒有分為采樣和壓縮，應該說，壓縮感知的采樣就是壓縮。采樣之後將采樣的數據直接傳輸，之後在接收端便可以通過適當的重構演算法進行重構。

❽ 什麼是「壓縮感知」（壓縮感測、compressed/compressive sensing）

壓縮感知（Compressive Sensing, or Compressed Sampling，簡稱CS），是近幾年流行起來的一個介於數學和信息科學的新方向，由Candes、Terres Tao等人提出，挑戰傳統的采樣編碼技術，即Nyquist采樣定理。
壓縮感知技術-理論
壓縮感知理論為信號採集技術帶來了革命性的突破，它採用非自適應線性投影來保持信號的原始結構，以遠低於奈奎斯特頻率對信號進行采樣，通過數值最優化問題准確重構出原始信號。
壓縮感知技術-概念特徵
壓縮感知從字面上看起來，好像是數據壓縮的意思，而實則出於完全不同的考慮。經典的數據壓縮技術，無論是音頻壓縮（例如 mp3），圖像壓縮（例如 jpeg），視頻壓縮（mpeg），還是一般的編碼壓縮（zip），都是從數據本身的特性出發，尋找並剔除數據中隱含的冗餘度，從而達到壓縮的目的。這樣的壓縮有兩個特點：第一、它是發生在數據已經被完整採集到之後；第二、它本身需要復雜的演算法來完成。相較而言，解碼過程反而一般來說在計算上比較簡單，以音頻壓縮為例，壓制一個 mp3 文件的計算量遠大於播放（即解壓縮）一個 mp3 文件的計算量。 稍加思量就會發現，這種壓縮和解壓縮的不對稱性正好同人們的需求是相反的。在大多數情況下，採集並處理數據的設備，往往是廉價、省電、計算能力較低的便攜設備，例如傻瓜相機、或者錄音筆、或者遙控監視器等等。而負責處理（即解壓縮）信息的過程卻反而往往在大型計算機上進行，它有更高的計算能力，也常常沒有便攜和省電的要求。也就是說，人們是在用廉價節能的設備來處理復雜的計算任務，而用大型高效的設備處理相對簡單的計算任務。這一矛盾在某些情況下甚至會更為尖銳，例如在野外作業或者軍事作業的場合，採集數據的設備往往曝露在自然環境之中，隨時可能失去能源供給或者甚至部分喪失性能，在這種情況下，傳統的數據採集-壓縮-傳輸-解壓縮的模式就基本上失效了。 壓縮感知的概念就是為了解決這樣的矛盾而產生的。既然採集數據之後反正要壓縮掉其中的冗餘度，而這個壓縮過程又相對來說比較困難，那麼我們為什麼不直接「採集」壓縮後的數據？這樣採集的任務要輕得多，而且還省去了壓縮的麻煩。這就是所謂的「壓縮感知」，也就是說，直接感知壓縮了的信息。
壓縮感知技術-應用影響
在大量的實際問題中，人們傾向於盡量少地採集數據，或者由於客觀條件所限不得不採集不完整的數據。如果這些數據和人們所希望重建的信息之間有某種全局性的變換關系，並且人們預先知道那些信息滿足某種稀疏性條件，就總可以試著用類似的方式從比較少的數據中還原出比較多的信號來。到今天為止，這樣的研究已經拓展地非常廣泛了。 但是同樣需要說明的是，這樣的做法在不同的應用領域里並不總能滿足上面所描述的兩個條件。有的時候，第一個條件（也就是說測量到的數據包含信號的全局信息）無法得到滿足，例如最傳統的攝影問題，每個感光元件所感知到的都只是一小塊圖像而不是什麼全局信息，這是由照相機的物理性質決定的。為了解決這個問題，美國Rice大學的一部分科學家正在試圖開發一種新的攝影裝置（被稱為「單像素照相機」），爭取用盡量少的感光元件實現盡量高解析度的攝影。有的時候，第二個條件（也就是說有數學方法保證能夠從不完整的數據中還原出信號）無法得到滿足。這種時候，實踐就走在了理論前面。人們已經可以在演算法上實現很多數據重建的過程，但是相應的理論分析卻成為了留在數學家面前的課題。 但是無論如何，壓縮感知所代表的基本思路：從盡量少的數據中提取盡量多的信息，毫無疑問是一種有著極大理論和應用前景的想法。它是傳統資訊理論的一個延伸，但是又超越了傳統的壓縮理論，成為了一門嶄新的子分支。它從誕生之日起到現在不過五年時間，其影響卻已經席捲了大半個應用科學。
復制的。。。。。

❾ 壓縮感知的歷史背景

盡管壓縮感知是由 E. J. Candes、J. Romberg、T. Tao 和D. L. Donoho 等科學家於2004 年提出的。但是早在上個世紀，相關領域已經有相當的理論和應用鋪墊，包括圖像處理、地球物理、醫學成像、計算機科學、信號處理、應用數學等。
可能第一個與稀疏信號恢復有關的演算法由法國數學家Prony 提出。這個被稱為的Prony 方法的稀疏信號恢復方法可以通過解一個特徵值問題，從一小部分等間隔采樣的樣本中估計一個稀疏三角多項式的非零幅度和對應的頻率。而最早採用基於L1范數最小化的稀疏約束的人是B. Logan。他發現在數據足夠稀疏的情況下，通過L1范數最小化可以從欠采樣樣本中有效的恢復頻率稀疏信號。D. Donoho和B.Logan 是信號處理領域採用L1范數最小化稀疏約束的先驅。但是地球物理學家早在20 世紀七八十年代就開始利用L1范數最小化來分析地震反射信號了。上世紀90 年代，核磁共振譜處理方面提出採用稀疏重建方法從欠采樣非等間隔樣本中恢復稀疏Fourier 譜。同一時期，圖像處理方面也開始引入稀疏信號處理方法進行圖像處理。在統計學方面，使用L1范數的模型選擇問題和相關的方法也在同期開始展開。
壓縮感知理論在上述理論的基礎上，創造性的將L1范數最小化稀疏約束與隨機矩陣結合，得到一個稀疏信號重建性能的最佳結果。
壓縮感知基於信號的可壓縮性, 通過低維空間、低解析度、欠Nyquist采樣數據的非相關觀測來實現高維信號的感知，豐富了關於信號恢復的優化策略,極大的促進了數學理論和工程應用的結合 。它是傳統資訊理論的一個延伸，但是又超越了傳統的壓縮理論，成為了一門嶄新的子分支。它從誕生之日起到現在不過五年時間，其影響卻已經席捲了大半個應用科學。