压缩感知成像的预测细化方法

Alfredo Nava-Tudela

压缩感知成像的预测细化方法

信息论 2020-02-25 v1 math.IT

作者: Alfredo Nava-Tudela

摘要

弱 $\ell^p$ 范数可用于定义稀疏性度量 $s$ 。当我们计算信号离散余弦变换系数的 $s$ 时， $s$ 的值与该信号的信息内容相关。我们利用该 $s$ 值定义一个称为稀疏性指数的无参考指标 $\mathcal{E}$ ，可在压缩感知成像设定下高精度预测信号重建质量。由此，当压缩感知被置于采样理论框架中时，我们可以利用 $\mathcal{E}$ 来决定何时进一步划分采样空间并提高采样率，以在使用压缩感知技术时优化图像恢复。

关键词

压缩感知稀疏性指数弱 $\ell^p$ 范数离散余弦变换采样理论图像恢复

引用

@article{arxiv.2002.09765,
  title  = {Predictive refinement methodology for compressed sensing imaging},
  author = {Alfredo Nava-Tudela},
  journal= {arXiv preprint arXiv:2002.09765},
  year   = {2020}
}

备注

33 pages, 9 figures, 1 table

压缩感知成像的预测细化方法

摘要

关键词

引用

备注

相关论文