壓縮感知理論的工程應(yīng)用方法

第一章 概論 1
1.1 引言 1
1.2 信號(hào)的稀疏表示 2
1.3 壓縮感知的基本思想 5
1.4 研究?jī)?nèi)容 8
本章小結(jié) 9
本章參考文獻(xiàn) 9

第二章 壓縮感知理論簡(jiǎn)介 13
2.1 引言 13
2.2 信號(hào)表示模型 13
2.3 觀測(cè)矩陣及其特性分析研究方法 15
2.4 信號(hào)的觀測(cè)數(shù)量 20
2.5 信號(hào)重構(gòu)算法 21
本章小結(jié) 22
本章參考文獻(xiàn) 22

第三章 信號(hào)稀疏表示與分解方法 24
3.1 信號(hào)的稀疏逼近 26
3.1.1 稀疏信號(hào)與基下的信號(hào)稀疏逼近 26
3.1.2 過完備字典下的信號(hào)稀疏逼近 29
3.2 典型過完備字典 31
3.2.1 完備字典 31
3.2.2 典型過完備字典 32
3.3 過完備稀疏分解方法 34
3.3.1 常用稀疏分解算法及問題分析 34
3.3.2 GIGMP算法 43
3.3.3 基于原子庫樹狀結(jié)構(gòu)劃分的誘導(dǎo)式分解算法 46
3.3.4 迭代閾值算法 52
3.3.5 交替方向乘子方法 55
本章小結(jié) 56
本章參考文獻(xiàn) 56

第四章 圖像稀疏重建 61
4.1 引言 61
4.2 基于自適應(yīng)稀疏域選擇的圖像稀疏表示 64
4.2.1 離線字典學(xué)習(xí) 64
4.2.2 自適應(yīng)子字典選擇 66
4.3 自適應(yīng)正則 67
4.3.1 基于AR模型的自適應(yīng)正則 68
4.3.2 基于非局部相似的自適應(yīng)正則 68
4.4 圖像稀疏重建算法總結(jié) 69
4.5 圖像稀疏重建結(jié)果 71
4.5.1 圖像去模糊結(jié)果 71
4.5.2 圖像超分辨率實(shí)驗(yàn)結(jié)果 73
本章小結(jié) 78
本章參考文獻(xiàn) 79

第五章 基于壓縮感知的一維回波信號(hào)獲取與檢測(cè) 82
5.1 引言 82
5.2 基于壓縮感知的低速雷達(dá)回波獲取 83
5.2.1 雷達(dá)回波的稀疏表示 83
5.2.2 雷達(dá)回波信號(hào)的低速獲取 86
5.3 基于加權(quán) 范數(shù)理論的高分辨一維距離像 93
5.3.1 加權(quán) 范數(shù)重構(gòu)模型簡(jiǎn)介 93
5.3.2 基于加權(quán) 范數(shù)理論的高分辨一維距離像 95
5.4 超聲高分辨率探測(cè) 100
5.4.1 基于壓縮感知理論的探測(cè)原理 100
5.4.2 結(jié)合壓縮感知理論和奇異值分解的高分辨率探測(cè)方法 104
5.4.3 仿真實(shí)驗(yàn)及其結(jié)果分析 109
本章小結(jié) 111
本章參考文獻(xiàn) 111

第六章 基于壓縮感知的計(jì)算成像 114
6.1 引言 114
6.2 高分辨率可見光計(jì)算成像 115
6.2.1 基于運(yùn)動(dòng)隨機(jī)曝光的高分辨率可見光計(jì)算成像方法 115
6.2.2 基于CCD-TDI模式的高分辨率遙感光譜成像 125
6.3 高分辨率光譜計(jì)算成像 131
6.3.1 單通道光譜計(jì)算成像模型 131
6.3.2 雙通道光譜計(jì)算成像 136
6.4 基于低秩張量逼近的高維圖像恢復(fù) 156
6.4.1 基于低秩張量逼近的拉普拉斯尺度混合(LSM)模型 156
6.4.2 基于低秩張量逼近的高維圖像去噪 160
6.4.3 仿真實(shí)驗(yàn) 162
本章小結(jié) 166
本章參考文獻(xiàn) 166

第七章 基于稀疏理論的高分辨率雷達(dá)成像 168
7.1 引言 168
7.2 基于加權(quán)l(xiāng)1范數(shù)理論的二維成像 169
7.2.1 聚束SAR信號(hào)模型 169
7.2.2 基于CS的聚束SAR模型 171
7.2.3 運(yùn)算復(fù)雜度分析 174
7.2.4 實(shí)驗(yàn)設(shè)計(jì) 175
7.3 基于稀疏理論的高分辨率ISAR成像研究 181
7.3.1 ISAR成像的轉(zhuǎn)臺(tái)模型 181
7.3.2 ISAR的RD成像 183
7.3.3 LCS-ISAR模型 185
7.3.4 基于Meridian先驗(yàn)分布的CS-ISAR模型 186
7.3.5 正則因子的選擇 192
7.3.6 仿真實(shí)驗(yàn) 194
本章小結(jié) 201
本章參考文獻(xiàn) 201
第八章 基于稀疏表示重構(gòu)的多視目標(biāo)識(shí)別 204
8.1 引言 204
8.2 基于重構(gòu)的目標(biāo)識(shí)別方法 205
8.2.1 基于稀疏表示重構(gòu)的目標(biāo)識(shí)別 205
8.2.2 基于協(xié)同表示重構(gòu)的目標(biāo)識(shí)別 206
8.2.3 基于線性回歸重構(gòu)的目標(biāo)識(shí)別 206
8.3 基于融合重構(gòu)的多視目標(biāo)識(shí)別 207
8.4 目標(biāo)識(shí)別結(jié)果 208
8.4.1 人臉識(shí)別數(shù)據(jù)庫介紹 208
8.4.2 基于融合重構(gòu)的多視人臉識(shí)別結(jié)果 210
本章小結(jié) 212
本章參考文獻(xiàn) 212

第九章 基于稀疏性提升的光流估計(jì) 214
9.1 引言 214
9.2 光流估計(jì)基礎(chǔ) 215
9.2.1 光流的表示方法 215
9.2.2 灰度守恒假設(shè) 217
9.2.3 光流估計(jì)的稀疏先驗(yàn)?zāi)Ｐ?218
9.3 光流估計(jì)模型的稀疏性提升 219
9.3.1 光流的小波域稀疏表示 219
9.3.2 光流的梯度域稀疏表示 220
9.3.3 光流的參數(shù)化梯度域稀疏表示 221
9.3.4 不同表示模型的稀疏性對(duì)比分析 222
9.3.5 參數(shù)化運(yùn)動(dòng)模型的梯度稀疏光流估計(jì) 224
9.4 光流解算方法的稀疏性提升 225
9.5 稀疏光流估計(jì)結(jié)果 226
9.5.1 光流算法評(píng)估數(shù)據(jù)庫和評(píng)估標(biāo)準(zhǔn) 226
9.5.2 光流估計(jì)結(jié)果對(duì)比 226
本章小結(jié) 230
本章參考文獻(xiàn) 230

第一章 概論 1
1.1 引言 1
1.2 信號(hào)的稀疏表示 2
1.3 壓縮感知的基本思想 5
1.4 研究?jī)?nèi)容 8
本章小結(jié) 9
本章參考文獻(xiàn) 9

第二章 壓縮感知理論簡(jiǎn)介 13
2.1 引言 13
2.2 信號(hào)表示模型 13
2.3 觀測(cè)矩陣及其特性分析研究方法 15
2.4 信號(hào)的觀測(cè)數(shù)量 20
2.5 信號(hào)重構(gòu)算法 21
本章小結(jié) 22
本章參考文獻(xiàn) 22

第三章 信號(hào)稀疏表示與分解方法 24
3.1 信號(hào)的稀疏逼近 26
3.1.1 稀疏信號(hào)與基下的信號(hào)稀疏逼近 26
3.1.2 過完備字典下的信號(hào)稀疏逼近 29
3.2 典型過完備字典 31
3.2.1 完備字典 31
3.2.2 典型過完備字典 32
3.3 過完備稀疏分解方法 34
3.3.1 常用稀疏分解算法及問題分析 34
3.3.2 GIGMP算法 43
3.3.3 基于原子庫樹狀結(jié)構(gòu)劃分的誘導(dǎo)式分解算法 46
3.3.4 迭代閾值算法 52
3.3.5 交替方向乘子方法 55
本章小結(jié) 56
本章參考文獻(xiàn) 56

第四章 圖像稀疏重建 61
4.1 引言 61
4.2 基于自適應(yīng)稀疏域選擇的圖像稀疏表示 64
4.2.1 離線字典學(xué)習(xí) 64
4.2.2 自適應(yīng)子字典選擇 66
4.3 自適應(yīng)正則 67
4.3.1 基于AR模型的自適應(yīng)正則 68
4.3.2 基于非局部相似的自適應(yīng)正則 68
4.4 圖像稀疏重建算法總結(jié) 69
4.5 圖像稀疏重建結(jié)果 71
4.5.1 圖像去模糊結(jié)果 71
4.5.2 圖像超分辨率實(shí)驗(yàn)結(jié)果 73
本章小結(jié) 78
本章參考文獻(xiàn) 79

第五章 基于壓縮感知的一維回波信號(hào)獲取與檢測(cè) 82
5.1 引言 82
5.2 基于壓縮感知的低速雷達(dá)回波獲取 83
5.2.1 雷達(dá)回波的稀疏表示 83
5.2.2 雷達(dá)回波信號(hào)的低速獲取 86
5.3 基于加權(quán) 范數(shù)理論的高分辨一維距離像 93
5.3.1 加權(quán) 范數(shù)重構(gòu)模型簡(jiǎn)介 93
5.3.2 基于加權(quán) 范數(shù)理論的高分辨一維距離像 95
5.4 超聲高分辨率探測(cè) 100
5.4.1 基于壓縮感知理論的探測(cè)原理 100
5.4.2 結(jié)合壓縮感知理論和奇異值分解的高分辨率探測(cè)方法 104
5.4.3 仿真實(shí)驗(yàn)及其結(jié)果分析 109
本章小結(jié) 111
本章參考文獻(xiàn) 111

第六章 基于壓縮感知的計(jì)算成像 114
6.1 引言 114
6.2 高分辨率可見光計(jì)算成像 115
6.2.1 基于運(yùn)動(dòng)隨機(jī)曝光的高分辨率可見光計(jì)算成像方法 115
6.2.2 基于CCD-TDI模式的高分辨率遙感光譜成像 125
6.3 高分辨率光譜計(jì)算成像 131
6.3.1 單通道光譜計(jì)算成像模型 131
6.3.2 雙通道光譜計(jì)算成像 136
6.4 基于低秩張量逼近的高維圖像恢復(fù) 156
6.4.1 基于低秩張量逼近的拉普拉斯尺度混合(LSM)模型 156
6.4.2 基于低秩張量逼近的高維圖像去噪 160
6.4.3 仿真實(shí)驗(yàn) 162
本章小結(jié) 166
本章參考文獻(xiàn) 166

第七章 基于稀疏理論的高分辨率雷達(dá)成像 168
7.1 引言 168
7.2 基于加權(quán)l(xiāng)1范數(shù)理論的二維成像 169
7.2.1 聚束SAR信號(hào)模型 169
7.2.2 基于CS的聚束SAR模型 171
7.2.3 運(yùn)算復(fù)雜度分析 174
7.2.4 實(shí)驗(yàn)設(shè)計(jì) 175
7.3 基于稀疏理論的高分辨率ISAR成像研究 181
7.3.1 ISAR成像的轉(zhuǎn)臺(tái)模型 181
7.3.2 ISAR的RD成像 183
7.3.3 LCS-ISAR模型 185
7.3.4 基于Meridian先驗(yàn)分布的CS-ISAR模型 186
7.3.5 正則因子的選擇 192
7.3.6 仿真實(shí)驗(yàn) 194
本章小結(jié) 201
本章參考文獻(xiàn) 201
第八章 基于稀疏表示重構(gòu)的多視目標(biāo)識(shí)別 204
8.1 引言 204
8.2 基于重構(gòu)的目標(biāo)識(shí)別方法 205
8.2.1 基于稀疏表示重構(gòu)的目標(biāo)識(shí)別 205
8.2.2 基于協(xié)同表示重構(gòu)的目標(biāo)識(shí)別 206
8.2.3 基于線性回歸重構(gòu)的目標(biāo)識(shí)別 206
8.3 基于融合重構(gòu)的多視目標(biāo)識(shí)別 207
8.4 目標(biāo)識(shí)別結(jié)果 208
8.4.1 人臉識(shí)別數(shù)據(jù)庫介紹 208
8.4.2 基于融合重構(gòu)的多視人臉識(shí)別結(jié)果 210
本章小結(jié) 212
本章參考文獻(xiàn) 212

第九章 基于稀疏性提升的光流估計(jì) 214
9.1 引言 214
9.2 光流估計(jì)基礎(chǔ) 215
9.2.1 光流的表示方法 215
9.2.2 灰度守恒假設(shè) 217
9.2.3 光流估計(jì)的稀疏先驗(yàn)?zāi)Ｐ?218
9.3 光流估計(jì)模型的稀疏性提升 219
9.3.1 光流的小波域稀疏表示 219
9.3.2 光流的梯度域稀疏表示 220
9.3.3 光流的參數(shù)化梯度域稀疏表示 221
9.3.4 不同表示模型的稀疏性對(duì)比分析 222
9.3.5 參數(shù)化運(yùn)動(dòng)模型的梯度稀疏光流估計(jì) 224
9.4 光流解算方法的稀疏性提升 225
9.5 稀疏光流估計(jì)結(jié)果 226
9.5.1 光流算法評(píng)估數(shù)據(jù)庫和評(píng)估標(biāo)準(zhǔn) 226
9.5.2 光流估計(jì)結(jié)果對(duì)比 226
本章小結(jié) 230
本章參考文獻(xiàn) 230