IEEE Trans 2007 Signal Recovery From Random Measurements via OMP

  看了一篇IEEE Trans上的关于CS图像重构的OMP算法的文章,大部分。。看不懂,之前在看博客的时候对流程中的一些标号看不太懂,看完论文之后对流程有了一定的了解,所以在这里解释一下流程,其余的如果以后有用到的话再学习看看。
  文章中有这么一段话:

  这句话的意思是说,压缩感知中的信号重构和稀疏近似,也就是稀疏分解的原理其实是一样的。在CS恢复中∵s只有m个非零项,所以观测向量v是字典Phi中m列的线性组合。在稀疏分解说我们说v在字典Phi中有m个展开项。

  接着说说论文中的OMP算法流程:

  之前学习的关于各个矩阵的维度如下:

  在这篇论文中Phi指的是测度矩阵,即字典,是N×d维的,理想信号属于Rd,那么观测信号v就是N×1维的。

  输入:N×d维的测度矩阵Phi

             N维的观测数据向量v
             理想信号的稀疏度
       输出:
             对理想信号的估计s^
             标签索引集m ,包含m个元素(因为迭代次数为稀疏度大小)
             对观测信号的估计am
     残差rm=v-am

 

 
posted @   闪电gogogo  阅读(289)  评论(0编辑  收藏  举报
编辑推荐:
· Linux glibc自带哈希表的用例及性能测试
· 深入理解 Mybatis 分库分表执行原理
· 如何打造一个高并发系统?
· .NET Core GC压缩(compact_phase)底层原理浅谈
· 现代计算机视觉入门之:什么是图片特征编码
阅读排行:
· 手把手教你在本地部署DeepSeek R1,搭建web-ui ,建议收藏!
· Spring AI + Ollama 实现 deepseek-r1 的API服务和调用
· 数据库服务器 SQL Server 版本升级公告
· C#/.NET/.NET Core技术前沿周刊 | 第 23 期(2025年1.20-1.26)
· 程序员常用高效实用工具推荐,办公效率提升利器!
点击右上角即可分享
微信分享提示