Compressed sensing(压缩感知系列)

压缩感知(一)

压缩感知理论的三个部分

  • 一、信号的稀疏表示
    信号的稀疏表示分为两类
    一类是基于表示式的稀疏表示:比如小波基,DCT基等
    一类是基于冗余字典或者超完备字典的稀疏表示
    这里主要讲overcomplete dictionary 的学习
    Dictionary learning 的两个过程
    -Sparse Coding
    -Dictionary Update

    Sparse Coding 是固定字典D,然后找稀疏表示X
    Formulation

    minX||X||0s.t||YDX||2Fϵ

    主要有三种类别求解稀疏表示
    第一种贪婪法(Greedy):OMP正交匹配追踪算法,SP子空间追踪,CoSaMp压缩信号匹配追踪等。
    第二种L1近似(L1-approach):将X的L0 relax to L1进行求解,转换成一个凸优化问题。
    minX||X||1s.t||YDX||2Fϵ
    也等价于
    minX12||YDX||2F+λ||X||1ϵ

    第三种贝叶斯近似(Bayesian-approach)
    Relevance vector machine (RVM) 和 Bayesian compressed sensing (BCS)。(略)

    Dictionary Update 是固定稀疏表示 X ,然后更新字典 D
    经过稀疏表示后,获得的了稀疏表示 X 和字典 D0 (这个 D0 是初始化的 D0 ),所以我们要对D进行更新。
    现在的字典学习方法主要分为:最开始使用的MOD方法,由K-means思想获得的灵感的K-SVD方法,Online方法等,总体而言Online方法更快。
    对比:
    MOD方法
    MOD方法更新字典的步骤就是求解下列最小二乘解的过程:

    minD||YDX||F

    等价于
    D=YXT(XXT)1=YX+

    KSVD方法
    相比于MOD方法一次性更新字典的不同,KSVD更新字典则是通过多次来更新的,也就是根据按atom来更新的。 过程如下:

    Compressed sensing(压缩感知系列)_第1张图片
    Compressed sensing(压缩感知系列)_第2张图片
    Compressed sensing(压缩感知系列)_第3张图片
    Compressed sensing(压缩感知系列)_第4张图片

    Ek=YdjxTkjk

    误差值:
    Enorm=||Ek||2F

    这个过程中将 dk 对应的稀疏系数所在的行 xTk 的值至0,相当于将第 k 个基向量进行了剥离,表达就产生空洞,然后如何找一个新的基来填补这个空洞就是由 SVD 分解事。当误差值稳定时,字典是收敛的。
    E 进行 SVD 分解,
    E=UΣV=λiuiviλ1>λ2...>λii=1,2,3...n

    选择最大奇异值来近似 Eλ1u1v1 。更新 D=U X=ΣVT
    Online方法
    Online方法,运用block-coordinate descent with warm restarts,他的优点在于参数自由和不需要学习速率调整,而且不需要存储所有的 xi αi ,每次仅仅计算一次 xi αi ,然后更新两个辅助矩阵 A B
    AtAt1+αtαTtBtBt1+xtαTt
    其中 t 表示第几次迭代。
    然后进行字典的更新过程
    forj=1...kuj1A[j,j](BjDAj)+Djdj1max(||uj||2,1)uj

    其中 k Dmk 字典的列数。

Elad M, Aharon M. Image denoising via sparse and redundant representations over learned dictionaries[J]. Image Processing, IEEE Transactions on, 2006, 15(12): 3736-3745.

你可能感兴趣的:(CS)