基于奇异值分解的可分离压缩成像方法
2016-12-22张成汪东沈川程鸿陈岚韦穗
张 成 汪 东 沈 川 程 鸿 陈 岚 韦 穗
1(计算智能与信号处理教育部重点实验室(安徽大学) 合肥 230039)2(安徽省现代成像与显示技术重点实验室(安徽大学) 合肥 230039)(question1996@163.com)
基于奇异值分解的可分离压缩成像方法
张 成1,2汪 东1沈 川1程 鸿1陈 岚1韦 穗1
1(计算智能与信号处理教育部重点实验室(安徽大学) 合肥 230039)2(安徽省现代成像与显示技术重点实验室(安徽大学) 合肥 230039)(question1996@163.com)
可分离压缩传感可以通过一定比例的额外测量有效地解决压缩成像问题中面临的测量矩阵维数过大的瓶颈. 但是现有可分离压缩传感(separable compressive sensing, SCS)方法需要2个可分离的测量矩阵都必须是行归一化后的正交随机矩阵,其显著地限制了该方法的应用范围. 将奇异值分解(singular value decomposition, SVD)方法引入可分离可压缩传感测量过程,可以有效地实现测量矩阵和重建矩阵的分离:在感知阶段可以更多地考虑测量矩阵物理易于实现的性质,如Toeplitz或Circulant等确定性结构的矩阵;在重建阶段,更多地考虑测量矩阵的优化.通过引入奇异值分解对重建阶段的测量矩阵进行优化,可以有效地改善重建性能,尤其是Toeplitz或Circulant矩阵在大尺度图像的压缩重建情形.数值实验结果验证了该方法的有效性.
压缩成像;可分离压缩传感;可分离感知矩阵;奇异值分解;确定性矩阵
压缩成像(compressive imaging, CI)[1-2]是可压缩传感(compressive sensing, CS)[3]理论的一个天然分支.尽管目前已有许多CI的实现方案,但是设计一个有效的CI系统仍然是一个极具挑战性的问题.其主要困难之一是CI的实现过程中涉及到巨大……
