题名 基于奇异值分解的可分离压缩成像方法
被引量：2
1
作者
张成 汪东 沈川 程鸿 陈岚 韦穗
机构
计算智能与信号处理教育部重点实验室(安徽大学) 安徽省现代成像与显示技术重点实验室(安徽大学)
出处
《计算机研究与发展》
EI
CSCD
北大核心
2016年第12期2816-2823,共8页
基金
国家自然科学基金项目(U1201255 61301296 +5 种基金 61377006 61501001 61605002) 安徽省自然科学基金项目(1608085QF161) 安徽省高等学校自然科学研究项目(KJ2015A114 KJ2016A029)~~
文摘
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.
关键词
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
Keywords
compressive imaging(C l) separable compressive sensing(S C S) separable sensing matrix singular value decomposition(SVD) deterministic matrices
分类号
TP391
[自动化与计算机技术—计算机应用技术]
TN911.7
[电子电信—通信与信息系统]
题名 确定性矩阵可分离压缩成像
被引量：1
2
作者
张成 程鸿 张芬 韦穗(指导)
机构
安徽大学计算智能与信号处理教育部重点实验室
出处
《光子学报》
EI
CAS
CSCD
北大核心
2015年第3期132-137,共6页
基金
NSFC-广东联合基金(No.U1201255) 国家自然科学基金(Nos.61201396,61201227,61301296,61377006) +3 种基金 高等学校博士学科点专项科研基金(No.20113401130001) 安徽省自然科学基金(No.1208085QF114) 安徽大学博士科研启动经费项目(No.33190218) 安徽大学青年基金项目(No.KJQN1120)资助
文摘
针对可分离压缩传感使用的可分离随机正交矩阵在处理大尺度图像等高维信号感知时难度太大或成本过高的问题,引入确定性测量矩阵,提出确定性矩阵可分离压缩传感,可将如托普利兹矩阵及循环矩阵等具有确定性结构的矩阵作为可分离压缩传感的左、右可分离矩阵.该方案可以降低独立元素的数目,从而显著降低前端物理实现的难度与成本.数值模拟实验分别评估了该方法在不同采样率及不同图像尺寸下的压缩重建性能,结果表明该方法在独立元素非常少的情形下得到与原随机正交矩阵相近的重建质量,证明了其可行性.
关键词
压缩 传 感 压缩 成像可分离压缩传感 随机正交矩阵 确定性矩阵
Keywords
Compressive sensing Compressive imaging Separable compressive sensing Randomorthogonal matrix Deterministic matrix
分类号
TN911.74
[电子电信—通信与信息系统]
