一种低相干观测矩阵构造方法与流程

本发明属于信号处理技术领域，具体为一种低相干观测矩阵构造方法。

背景技术：

当今社会是一个多媒体通信和网络视频的迅速发展年代，图像作为表达信息的载体，在各个领域得到了广泛的应用。传统的图像处理方法遵循奈奎斯特(nyquist)采样定理，该采样定理指的是要想实现无失真的信号重建，信号的采样频率不能少于信号最高频率的两倍。若图像使用nyquist采样定理采样，会产生大量的采样数据，而并不是所有的采样数据都有用，这使得数据的存储和传输代价大大增加。这就给信号处理的能力提出了更高的要求，也给相应的硬件设备带来了极大的挑战。传统的信号处理是先对数据采样然后再压缩，对大量的数据进行压缩会导致数据精度降低，最终重建的信号效果较差。目前信息需求量在逐渐增大，信号的带宽越来越大。因此，提出一种采集频率低，产生的数据量更小并且提高重构精度的处理方法成为必然。

2006年，candès与emmanuel、terencetao等人共同提出了一种崭新的理论---压缩感知(compressivesensing，cs)信号采样理论。压缩感知理论突破传统的nyquist采样定理的限制，基于信号的稀疏性、观测矩阵的随机性和非线性优化算法完成对信号的采样和重构。压缩感知的核心思想是：如果信号是可压缩或者在某个变换域内可稀疏表示，就可以利用一个测量矩阵将信号从高维空间投影到一个低维空间(故而也称投影矩阵)，从而获得远小于信号维度的测量值，然后再通过适当的重构算法求解出原始信号。压缩感知理论使得在信号采集的同时对数据进行压缩，解决了奈奎斯特采样定理在信号采集中的不足，避免了大量无用数据的采集，速率低的问题，并且重构的信号质量好，节省了时间和资源，为信号采样领域带来了革新。

cs理论主要包括三方面的研究内容，即信号的稀疏表示，观测矩阵的构造以及重构算法的设计。本发明主要从观测矩阵入手，观测矩阵的设计和优化是压缩传输关键的两步，好的测量矩阵能够在投影测量时候保持原始信号的重要信息，并且可以结合测量值重构出原始信号。为了保证这个低维信号能够精确的重构出来，测量矩阵需要满足有限紧致特性(restrictedisometryproperty，rip)，已经证实，高斯随机矩阵可以在统计意义下高概率的满足rip性质，还有如部分傅里叶矩阵，托普利兹测量矩阵等。当前的测量矩阵主要分为三大类：一是随机测量矩阵，如高斯测量矩阵和伯努利测量矩阵等；第二类是部分傅里叶矩阵，部分哈达玛矩阵和非相关测量矩阵等；第三类是确定性测量矩阵，有托普利兹测量矩阵和循环测量矩阵等。

目前对观测矩阵的研究，主要是根据观测矩阵的约束条件，提出大量的观测矩阵优化和构造方法，通过将稀疏基和观测矩阵相乘得到感知矩阵，然后采用gram矩阵和阈值收缩函数对感知矩阵的互相关系数进行优化，提升观测矩阵的性能。目前的研究方法有：从理想情况出发逼近单位矩阵，或者构造不同性质的等角紧框架，用gram矩阵去逼近等角紧框架，但只逼近某一个矩阵考虑的因素不够全面；还有通过最小二乘法直接逼近等角紧框架的方式来降低观测矩阵和稀疏基之间的互相干系数；也有通过对矩阵求逆来优化，但是此方法计算的复杂度过高，且有些矩阵不可逆；也有通过梯度投影法逼近等角紧框架，减少优化观测矩阵的计算复杂度；也有通过最小化奇异值与矩阵列向量独立性的研究，再利用qr分解增大矩阵奇异值的方式来优化观测矩阵。

gram矩阵的非对角线元素代表的含义就是观测矩阵和稀疏矩阵之间的相干性，数字越小代表两个矩阵之间的相干性越低，所以，最理想的情况就是用gram矩阵去逼近单位矩阵。考虑到单位矩阵的特殊性很大，且对硬件设备要求极高，而在实际应用中，逼近等角紧框架就能达到较好的性能，本发明提出优化方法就是在理想单位矩阵与等角紧框架之间求平衡；最后在同时逼近单位阵和等角紧框架之间之外，考虑稀疏表示误差，分析其性能，并对比其优化效果。

附图说明

图1为本发明实施例中压缩感知观测过程图

图2为本发明实施例中摘要附图

图3为本发明实施例中测量矩阵优化前后直方对比图

图4为本发明实施例中信号的重构误差随信号稀疏度的变化对比图图

技术实现要素：

本发明目的在于针对现有技术的不足，提出一种同时逼近单位阵，紧框架的投影优化方法，将成对出现的观测矩阵和感知字典分别用于投影矩阵和重构算法，理想情况下可以重构迭代至残差为零，从而精确的恢复出原始信号。本发明提出的同时逼近单位阵和紧框架的投影矩阵优化方法理论，该算法的优点是观测矩阵与感知字典的相干性低，重构精度高算法复杂度低。

定义1：测量矩阵φ满足参数(k,δk)的有限紧特性，其中0＜δk＜1，则对所有的k稀疏信号都有(1)式成立：

(1-δk)||x||2≤||φx||≤(1+δk)||x||2(1)

上式的δk称之为等距常数，它的取值范围在0到1之间，当投影矩阵φ满足(1)的条件就可以从m个投影值中恢复出k个稀疏表示系数，也就是常说的观测矩阵的有限等距性。但是在实际应用中为了保证算法的稳定性，对于k阶系数信号，要求观测矩阵能够满足2k有限等距性或者更加高阶的有限等距性。

定义2：测量矩阵的的相关性参数定义为：

其中φi为测量矩阵的第i列，由于gram矩阵g＝ψ^tφ^tφψ，观察上式，相关性也可以理解为gram矩阵的非对角线元素的最大值。虽然μ(d)在一定程度上能够反映测量矩阵的性能，但由于得到相干系数分布具有离散性，可以采用平均互相干性稀疏，定义为：

μ(d)的下界为:也就是一般说的welch界，当矩阵getf的非对角线元素为μ0(d)时，且其对角元素全部为1，则称矩阵getf为等角紧框架矩阵。

其中s稀疏信号x能够被精确恢复的条件为：

从上式可以看出相关性参数μ(d)的值越小，不相干性越强，则原始信号的恢复率越高，当减小μ(d)的值，不等式右边的式子增大，则左边式子也可增大上限，即s的值增大，相当于降低了对原始信号的稀疏度的要求。另一方面，假如保持s的值不变，减小μ(d)的值，则原始信号的重构率将会增高。

具体实施方式

以下给出投影矩阵优化算法的具体构造方法，对本发明的实施做进一步的说明。

压缩感知理论中观测机矩阵的选取是决定整个算法最后效果的关键因素，目前主要将随机矩阵作为基础观测矩阵，如高斯矩阵，故对随机矩阵的研究也有必要。大多数的观测矩阵优化都是基于gram矩阵，这些算法通过不同的途径减少gram矩阵的非对角线元素，来降低稀疏系数的相干性，以达到优化观测矩阵并且提高重构精度的目的。本研究也是基于gram矩阵，逼近单位矩阵以及紧框架，来缩小非对角线元素，以达到矩阵具有低相干性特性。

优化投影矩阵需要在迭代中更新，用逼近每次得到的gram矩阵的方法来计算投影矩阵。传统的投影矩阵的优化形式如下：

式中x是感知矩阵，g是gram矩阵，f是frobrnius范数。一种理想情况是当g＝i，可以看做观测矩阵优化问题。则投影矩阵优化问题等效于：

在假设逼近单位矩阵的基础上，再多考虑一种gram矩阵对角线元素为1的约束情况，即并基于此进行研究讨论，但是此约束仅仅约束了对角线元素，并没有从本质上约束gram矩阵的非对角元素的大小来减小相干性。所以考虑再结合紧框架技术，故本发明提出的投影矩阵优化问题变为：

g是根据gram矩阵设计得到的紧框架，理解上式可以认为是使得x逼近紧框架，再使用拉格朗日方法，优化问题则等效于：

步骤1：将gram矩阵进行奇异值分解即g＝uσu^t，定义d是一个前m项对角元为1，其余元素为零的矩阵，则新的gram矩阵定义为：

gnew＝udu^t(8)

考虑命题1，若矩阵a满足gnew＝a^ta，称a是一个紧框架。

步骤2：两种收缩函数；

γ是收缩因子，γ,β是决定gram矩阵收缩范围的参数，第二种收缩比第一种简单，并且经过作者验证，第二种效果更好，所以本发明使用第二种方法进行非对角元收缩。

所以我们将在理想单位矩阵和构造的紧框架之间寻求一种平衡，来达到优化观测矩阵和稀疏基的目的。基于之前的讨论，优化问题可以等效于：

其中α是一个平衡系数，是逼近单位阵和约束重要性的加权因子，il是l维的单位矩阵，g是步骤1构造的紧框架再经过步骤2收缩的函数。

其中由于constant项与目标矩阵无关，不影响其优化，可以不作为考虑项，故优化问题变为：

为了避免稀疏表示误差影响测量效果，故将稀疏表示误差考虑到投影矩阵优化过程中，上式变为：

其中e＝x-ψs,是稀疏表示误差。在上式中令ga＝αil+(1-α)g，则变为：

对a进行奇异值分解ga＝vσv^t＝vσ^1/2σ^1/2v^t＝vσ^1/2(vσ^1/2)^t＝dd^t,也就是说d＝(vσ^1/2)^t，所以(12)式可以简写为：

上式中，若则优化问题再次简写为：

其中，先对m进行奇异值分解有：

定义φn＝φun＝[φn1φn2],bn＝bvn＝[bn1bn2]

其中不包含变量φ，不影响式子的求解，所以上式可变为：故(13)式的解为：φn1＝bn1σn^-1

下面给出本发明提出的投影矩阵优化算法：