基于改进CoSaMP算法的图像重建

doi:10.3969/j.issn.1006-2475.2015.05.010

计算机与现代化

基于改进CoSaMP算法的图像重建

(1.东北石油大学电气信息工程学院，黑龙江大庆 163318; 2.大庆油田测试技术服务分公司，黑龙江大庆 163453)

收稿日期:2015-01-21 出版日期:2015-05-18 发布日期:2015-05-18
作者简介:刘继承(1970-)，男，陕西西安人，东北石油大学电气信息工程学院教授，博士，研究方向：信号的采集与处理，地震信号重建; 王敏莹(1988-)，女，硕士研究生，研究方向：应用压缩感知理论进行信号重建; 李浩然(1990-)，男，大庆油田测试技术服务分公司助理工程师，本科，研究方向：信号处理。
基金资助:
黑龙江省自然科学基金资助项目(201404)

Image Reconstruction Based on Improved CoSaMP Algorithm

(1. College of Electrical and Information Engineering, Northeast Petroleum University, Daqing 163318, China; 2. Daqing Logging and Testing Services Branch, Daqing 163453, China)

Received:2015-01-21 Online:2015-05-18 Published:2015-05-18

摘要/Abstract

摘要： 重构算法是压缩感知的核心技术之一，直接决定着压缩感知能否可以在实际系统中进行应用。为提高压缩感知的重构精度同时缩短处理时间，本文引进加权与矩阵分块技术，与压缩采样匹配追踪(Compressive Sampling Matching Pursuit, CoSaMP)算法相结合，使原始算法更加完善。仿真结果表明，当稀疏条件同等的情况下进行重构，改进的算法与原始算法相比重构质量有所提高。

关键词: 压缩感知, 重构算法, 压缩采样匹配追踪, 加权, 矩阵分块

Abstract: Reconstruction algorithm is one of the points of compressed sensing. It determines compressed sensing whether can be applied in the real system. The paper combines compressive sampling matching pursuit (CoSaMP) algorithm with weighted block matrix technology in order to improve the accuracy of compressed sensing reconstruction, shorten the processing time and make the original algorithm more perfect. The paper compares the improved algorithm with the existing algorithms by simulation experiments which approve that the new algorithm improves the reconstruction quality under the same sparse condition.

Key words: compressed sensing, reconstruction algorithm, compressive sampling matching pursuit, weighted, block matrix

中图分类号:

TP391

刘继承1，王敏莹1，李浩然2. 基于改进CoSaMP算法的图像重建[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.05.010.

LIU Ji-cheng1, WANG Min-ying1, LI Hao-ran2. Image Reconstruction Based on Improved CoSaMP Algorithm[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.05.010.

参考文献

[1] 李波,谢杰镇,王博亮. 基于压缩传感理论的数据重建[J]. 计算机技术与发展, 2009,19(5):23-25.

[2] Donoho David L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006,52(4):1289-1306.

[3] Tsaig Y, Donoho David L. Extensions of compressed sensing[J]. Signal Processing, 2006,86(3):549-571.

[4] 石光明,刘丹华,高大化,等. 压缩感知理论及其研究进展[J]. 电子学报, 2009,37(5):1070-1081.

[5] Baraniuk R. A lecture on compressive sensing[J]. IEEE Signal Processing Magazine, 2007,24(4):118-121.

[6] 方红,杨海蓉. 贪婪算法与压缩感知理论[J]. 自动化学报, 2011,37(12):1413-1421.

[7] 甘伟,许录平,苏哲. 一种压缩感知重构算法[J]. 电子与信息学报, 2010,32(9):2151-2155.

[8] Figueiredo M A T, Nowak R D, Wright S J. Gradient projection for sparse reconstruction: Application to compressed sensing and other inverse problems[J]. IEEE Journal of Selected Topics in Signal Processing, 2007,1(4):586-597.

[9] Tropp J A, Gilbert A C. Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transactions on Information Theory, 2007,53(12):4655-4666.

[10] 练秋生,陈书贞. 基于混合基稀疏图像表示的压缩传感图像重构[J]. 自动化学报, 2010,36(3):385-391.

[11] 范晓维,刘哲,刘灿. 分块可压缩传感的图像重构模型[J]. 计算机工程与应用, 2009,45(29):153-155.

[12] 孙丽卿. 基于分块压缩传感的图像重建算法研究[D]. 天津:天津理工大学, 2011.

[13] 缪飞. 基于压缩感知的信号重建算法研究及其信号采集系统设计[D]. 南京:南京邮电大学, 2012.

[14] 李勇. 基于压缩传感重建算法的研究[D]. 哈尔滨:哈尔滨工业大学, 2011.

[15] 闫鹏,王阿川. 基于压缩感知的CoSaMP算法自适应性改进[J]. 计算机工程, 2012,39(6):28-33.

[16] 庞茜. 压缩感知恢复算法研究[D]. 天津:天津大学, 2012.

[17] 张晓伟,李明,左磊. 基于SWCoSaMP算法的稀疏信号重构[J]. 信号处理, 2012,28(6):886-893.

[18] 苏维均,王红红,于重重,等. 基于小波树模型的CoSaMP压缩感知算法[J]. 计算机应用研究, 2012,29(12):4530-4533.

基于改进CoSaMP算法的图像重建

Image Reconstruction Based on Improved CoSaMP Algorithm

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张骁, 吕继宇, 赵爽, 吴羽纶, 王春乐. 基于多卷积神经网络融合的SAR舰船分类[J]. 计算机与现代化, 2023, 0(01): 37-42.
[2]	彭露露, 朱媛媛, 金文倩, 王笑梅. 基于改进YOLOv4的汽车钢铁零件表面缺陷检测[J]. 计算机与现代化, 2022, 0(09): 32-39.
[3]	倪雅婷, 杨文晖, 苗放, 黄安琪, 蒋媛. 基于Nginx的DRC集群动态负载均衡策略[J]. 计算机与现代化, 2022, 0(04): 58-64.
[4]	杜鑫昌, 高瑜翔, 曹远杰, 张皓, 刘海波. 改进混沌方程及压缩感知理论图像加密算法[J]. 计算机与现代化, 2022, 0(04): 115-120.
[5]	张连娜, 张慧萍, 李荣鹏, 宋学力. 基于二次筛选的回溯广义正交匹配追踪算法的稀疏信号重构[J]. 计算机与现代化, 2022, 0(03): 111-115.
[6]	陈勋豪, 杨莹, 黄俊茹, 孙玉宝. 基于多尺度融合网络的视频快照压缩感知重建[J]. 计算机与现代化, 2021, 0(12): 58-64.
[7]	张小芳, 冯慧芳. 基于轨迹大数据的动态最优路径规划[J]. 计算机与现代化, 2021, 0(11): 82-88.
[8]	牛奉高, 闫涛. 特征加权的CLSVSM[J]. 计算机与现代化, 2021, 0(05): 59-65.
[9]	李卫东, 徐澍锟, 王运明. 基于复杂网络的纽约轨道交通网络特性分析[J]. 计算机与现代化, 2021, 0(02): 94-99.
[10]	顾国庆, 李晓辉. 基于箱线图异常检测的指数加权平滑预测模型[J]. 计算机与现代化, 2021, 0(01): 28-33.
[11]	石朋, 姚文明, 王祥. 融合用户模糊聚类和相似度的加权Slope One优化[J]. 计算机与现代化, 2021, 0(01): 70-75.
[12]	金安安, 丁双双, 熊卿智, 许婷婷, 习淑萍, 马继忠. 基于SWOMP算法的EPMA影像优化重构[J]. 计算机与现代化, 2020, 0(12): 104-111.
[13]	陈卓, 李鑫, 杜军威, 袁玺明. 面向化工企业事故的根原因关联分析[J]. 计算机与现代化, 2020, 0(10): 1-6.
[14]	张蕾, 崔娟娟, 李晶晶. WSN中基于压缩感知的分簇数据收集算法[J]. 计算机与现代化, 2020, 0(09): 1-5.
[15]	刘建锋, . 一种面向互联概率加权的JPDA多传感器数据融合方法[J]. 计算机与现代化, 2020, 0(08): 31-40.