用于稀疏与可压缩信号高效采样的自适应分层感知算法
信号处理
2018-07-17 v1
摘要
我们提出了一种新颖的自适应分层感知算法 K-AHS，它以与压缩感知（Compressed Sensing, CS）相同的测量复杂度对稀疏或可压缩信号进行采样。与 CS 不同，K-AHS 是自适应的，因为感知向量在采样时根据先前的测量值进行选择。在采样之前，用户选择一个信号在其中为稀疏的变换域。相应的变换决定了感知向量的集合。K-AHS 基于提供感知向量自然层次结构的感知树，将初始粗测量逐步细化到稀疏变换域中的显著信号系数。K-AHS 直接提供稀疏变换域中的显著信号系数，不需要基于逆优化的重建阶段。因此，K-AHS 感知向量不必满足任何不相干性或限制等距性质。数学分析证明了 K-AHS 的采样复杂度以及采样最优 k 项近似的一般充分必要条件，并将其应用于特定信号模型。分析结果得到了合成信号和真实世界图像仿真实验的支持。在标准基准图像上，K-AHS 比 CS 实现了更低的重建误差。
引用
@article{arxiv.1807.05371,
title = {Adaptive Hierarchical Sensing for the Efficient Sampling of Sparse and Compressible Signals},
author = {Henry Schütze and Erhardt Barth and Thomas Martinetz},
journal= {arXiv preprint arXiv:1807.05371},
year = {2018}
}