《壓縮感知理論的工程套用方法》是2017年西安電子科技大學出版社出版的圖書，作者是石光明、林傑、高大化、董偉生、劉丹華、趙光輝、齊飛。
基本介紹
- 中文名：壓縮感知理論的工程套用方法
- 作者：石光明、林傑、高大化、董偉生、劉丹華、趙光輝、齊飛
- 出版社：西安電子科技大學出版社
- 出版時間：2017年3月
- ISBN：9787560643595
內容簡介,目錄,
內容簡介
在傳輸頻寬有限和數據量激增的數位化時代，壓縮感知理論為低速有效獲取信息提供了一種新的思路，成為近十年來信號信息處理領域中一個備受矚目的理論。本書的編寫注重理論和工程套用的結合，針對壓縮感知理論在工程套用上的幾個熱點和難點問題，給出了理論建模和求解方法，既有完整的物理模型，又有完備的數學推導，同時通過圖文並茂的方式，給出了大量的仿真示例和詳盡的結果分析。
本書既可作為相關研究人員的工具書，也可作為對壓縮感知理論感興趣的讀者的入門讀物。
目錄
第一章 概論 1
1.1 引言 1
1.2 信號的稀疏表示 2
1.3 壓縮感知的基本思想 5
1.4 研究內容 8
本章小結 9
本章參考文獻 9
第二章 壓縮感知理論簡介 13
2.1 引言 13
2.2 信號表示模型 13
2.3 觀測矩陣及其特性分析研究方法 15
2.4 信號的觀測數量 20
2.5 信號重構算法 21
本章小結 22
本章參考文獻 22
第三章 信號稀疏表示與分解方法 24
3.1 信號的稀疏逼近 26
3.1.1 稀疏信號與基下的信號稀疏逼近 26
3.1.2 過完備字典下的信號稀疏逼近 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 基於原子庫樹狀結構劃分的誘導式分解算法 46
3.3.4 疊代閾值算法 52
3.3.5 交替方向乘子方法 55
本章小結 56
本章參考文獻 56
第四章 圖像稀疏重建 61
4.1 引言 61
4.2 基於自適應稀疏域選擇的圖像稀疏表示 64
4.2.1 離線字典學習 64
4.2.2 自適應子字典選擇 66
4.3 自適應正則 67
4.3.1 基於AR模型的自適應正則 68
4.3.2 基於非局部相似的自適應正則 68
4.4 圖像稀疏重建算法總結 69
4.5 圖像稀疏重建結果 71
4.5.1 圖像去模糊結果 71
4.5.2 圖像超解析度實驗結果 73
本章小結 78
本章參考文獻 79
第五章 基於壓縮感知的一維回波信號獲取與檢測 82
5.1 引言 82
5.2 基於壓縮感知的低速雷達回波獲取 83
5.2.1 雷達回波的稀疏表示 83
5.2.2 雷達回波信號的低速獲取 86
5.3 基於加權 範數理論的高分辨一維距離像 93
5.3.1 加權 範數重構模型簡介 93
5.3.2 基於加權 範數理論的高分辨一維距離像 95
5.4 超聲高解析度探測 100
5.4.1 基於壓縮感知理論的探測原理 100
5.4.2 結合壓縮感知理論和奇異值分解的高解析度探測方法 104
5.4.3 仿真實驗及其結果分析 109
本章小結 111
本章參考文獻 111
第六章 基於壓縮感知的計算成像 114
6.1 引言 114
6.2 高解析度可見光計算成像 115
6.2.1 基於運動隨機曝光的高解析度可見光計算成像方法 115
6.2.2 基於CCD-TDI模式的高解析度遙感光譜成像 125
6.3 高解析度光譜計算成像 131
6.3.1 單通道光譜計算成像模型 131
6.3.2 雙通道光譜計算成像 136
6.4 基於低秩張量逼近的高維圖像恢復 156
6.4.1 基於低秩張量逼近的拉普拉斯尺度混合(LSM)模型 156
6.4.2 基於低秩張量逼近的高維圖像去噪 160
6.4.3 仿真實驗 162
本章小結 166
本章參考文獻 166
第七章 基於稀疏理論的高解析度雷達成像 168
7.1 引言 168
7.2 基於加權l1範數理論的二維成像 169
7.2.1 聚束SAR信號模型 169
7.2.2 基於CS的聚束SAR模型 171
7.2.3 運算複雜度分析 174
7.2.4 實驗設計 175
7.3 基於稀疏理論的高解析度ISAR成像研究 181
7.3.1 ISAR成像的轉台模型 181
7.3.2 ISAR的RD成像 183
7.3.3 LCS-ISAR模型 185
7.3.4 基於Meridian先驗分布的CS-ISAR模型 186
7.3.5 正則因子的選擇 192
7.3.6 仿真實驗 194
本章小結 201
本章參考文獻 201
第八章 基於稀疏表示重構的多視目標識別 204
8.1 引言 204
8.2 基於重構的目標識別方法 205
8.2.1 基於稀疏表示重構的目標識別 205
8.2.2 基於協同表示重構的目標識別 206
8.2.3 基於線性回歸重構的目標識別 206
8.3 基於融合重構的多視目標識別 207
8.4 目標識別結果 208
8.4.1 人臉識別資料庫介紹 208
8.4.2 基於融合重構的多視人臉識別結果 210
本章小結 212
本章參考文獻 212
第九章 基於稀疏性提升的光流估計 214
9.1 引言 214
9.2 光流估計基礎 215
9.2.1 光流的表示方法 215
9.2.2 灰度守恆假設 217
9.2.3 光流估計的稀疏先驗模型 218
9.3 光流估計模型的稀疏性提升 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 光流的參數化梯度域稀疏表示 221
9.3.4 不同表示模型的稀疏性對比分析 222
9.3.5 參數化運動模型的梯度稀疏光流估計 224
9.4 光流解算方法的稀疏性提升 225
9.5 稀疏光流估計結果 226
9.5.1 光流算法評估資料庫和評估標準 226
9.5.2 光流估計結果對比 226
本章小結 230
本章參考文獻 230
