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
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 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
· 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!