浅谈压缩感知(二十一):压缩感知重构算法之正交匹配追踪(OMP)
主要内容:
- OMP的算法流程
- OMP的MATLAB实现
- 一维信号的实验与结果
- 测量数M与重构成功概率关系的实验与结果
- 稀疏度K与重构成功概率关系的实验与结果
一、OMP的算法流程
二、OMP的MATLAB实现(CS_OMP.m)
function [ theta ] = CS_OMP( y,A,iter ) % CS_OMP % y = Phi * x % x = Psi * theta % y = Phi * Psi * theta % 令 A = Phi*Psi, 则y=A*theta % 现在已知y和A,求theta % iter = 迭代次数 [m,n] = size(y);if m<ny = y'; %y should be a column vector end[M,N] = size(A); %传感矩阵A为M*N矩阵theta = zeros(N,1); %用来存储恢复的theta(列向量)At = zeros(M,iter); %用来迭代过程中存储A被选择的列pos_num = zeros(1,iter); %用来迭代过程中存储A被选择的列序号res = y; %初始化残差(residual)为yfor ii=1:iter %迭代t次,t为输入参数product = A'*res; %传感矩阵A各列与残差的内积[val,pos] = max(abs(product)); %找到最大内积绝对值,即与残差最相关的列At(:,ii) = A(:,pos); %存储这一列pos_num(ii) = pos; %存储这一列的序号A(:,pos) = zeros(M,1); %清零A的这一列,其实此行可以不要,因为它与残差正交% y=At(:,1:ii)*theta,以下求theta的最小二乘解(Least Square)theta_ls = (At(:,1:ii)'*At(:,1:ii))^(-1)*At(:,1:ii)'*y;%最小二乘解% At(:,1:ii)*theta_ls是y在At(:,1:ii)列空间上的正交投影res = y - At(:,1:ii)*theta_ls; %更新残差 endtheta(pos_num)=theta_ls;% 恢复出的theta end
三、一维信号的实验与结果(CS_Reconstuction_Test.m)
%压缩感知重构算法OMP测试 %以一维信号为例 clear all;close all;clc; M = 64;%观测值个数 N = 256;%信号x的长度 K = 10;%信号x的稀疏度 Index_K = randperm(N); x = zeros(N,1); x(Index_K(1:K)) = 5*randn(K,1);%x为K稀疏的,且位置是随机的 Psi = eye(N);%x本身是稀疏的,定义稀疏矩阵为单位阵,x=Psi*theta Phi = randn(M,N);%测量矩阵为高斯矩阵 A = Phi * Psi;%传感矩阵 y = Phi * x;%得到观测向量y %% 恢复重构信号x tic theta = CS_OMP(y,A,K); x_r = Psi * theta;% x=Psi * theta toc %% 绘图 figure; plot(x_r,'k.-');%绘出x的恢复信号 hold on; plot(x,'r');%绘出原信号x hold off; legend('Recovery','Original') fprintf('\n恢复残差:'); norm(x_r-x)%恢复残差
四、测量数M与重构成功概率关系的实验与结果(CS_Reconstuction_MtoPercentage.m)
% 压缩感知重构算法测试CS_Reconstuction_MtoPercentage.m % 绘制参考文献中的Fig.1 % 参考文献:Joel A. Tropp and Anna C. Gilbert % Signal Recovery From Random Measurements Via Orthogonal Matching % Pursuit,IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12, % DECEMBER 2007.clear all;close all;clc;%% 参数配置初始化 CNT = 1000; %对于每组(K,M,N),重复迭代次数 N = 256; %信号x的长度 Psi = eye(N); %x本身是稀疏的,定义稀疏矩阵为单位阵x=Psi*theta K_set = [4,12,20,28,36]; %信号x的稀疏度集合 Percentage = zeros(length(K_set),N); %存储恢复成功概率%% 主循环,遍历每组(K,M,N) tic for kk = 1:length(K_set)K = K_set(kk); %本次稀疏度M_set = K:5:N; %M没必要全部遍历,每隔5测试一个就可以了PercentageK = zeros(1,length(M_set)); %存储此稀疏度K下不同M的恢复成功概率for mm = 1:length(M_set)M = M_set(mm); %本次观测值个数P = 0;for cnt = 1:CNT %每个观测值个数均运行CNT次Index_K = randperm(N);x = zeros(N,1);x(Index_K(1:K)) = 5*randn(K,1); %x为K稀疏的,且位置是随机的 Phi = randn(M,N); %测量矩阵为高斯矩阵A = Phi * Psi; %传感矩阵y = Phi * x; %得到观测向量ytheta = CS_OMP(y,A,K); %恢复重构信号thetax_r = Psi * theta; % x=Psi * thetaif norm(x_r-x)<1e-6 %如果残差小于1e-6则认为恢复成功P = P + 1;endendPercentageK(mm) = P/CNT*100; %计算恢复概率endPercentage(kk,1:length(M_set)) = PercentageK; end toc save MtoPercentage1000 %运行一次不容易,把变量全部存储下来%% 绘图 S = ['-ks';'-ko';'-kd';'-kv';'-k*']; figure; for kk = 1:length(K_set)K = K_set(kk);M_set = K:5:N;L_Mset = length(M_set);plot(M_set,Percentage(kk,1:L_Mset),S(kk,:));%绘出x的恢复信号hold on; end hold off; xlim([0 256]); legend('K=4','K=12','K=20','K=28','K=36'); xlabel('Number of measurements(M)'); ylabel('Percentage recovered'); title('Percentage of input signals recovered correctly(N=256)(Gaussian)');
五、稀疏度K与重构成功概率关系的实验与结果(CS_Reconstuction_KtoPercentage.m)
% 压缩感知重构算法测试CS_Reconstuction_KtoPercentage.m % 绘制参考文献中的Fig.2 % 参考文献:Joel A. Tropp and Anna C. Gilbert % Signal Recovery From Random Measurements Via Orthogonal Matching % Pursuit,IEEE TRANSACTIONS ON INFORMATION THEORY, VOL. 53, NO. 12, % DECEMBER 2007. % clear all;close all;clc;%% 参数配置初始化 CNT = 1000; %对于每组(K,M,N),重复迭代次数 N = 256; %信号x的长度 Psi = eye(N); %x本身是稀疏的,定义稀疏矩阵为单位阵x=Psi*theta M_set = [52,100,148,196,244]; %测量值集合 Percentage = zeros(length(M_set),N); %存储恢复成功概率%% 主循环,遍历每组(K,M,N) tic for mm = 1:length(M_set)M = M_set(mm); %本次测量值个数K_set = 1:5:ceil(M/2); %信号x的稀疏度K没必要全部遍历,每隔5测试一个就可以了PercentageM = zeros(1,length(K_set)); %存储此测量值M下不同K的恢复成功概率for kk = 1:length(K_set)K = K_set(kk); %本次信号x的稀疏度KP = 0;for cnt = 1:CNT %每个观测值个数均运行CNT次Index_K = randperm(N);x = zeros(N,1);x(Index_K(1:K)) = 5*randn(K,1); %x为K稀疏的,且位置是随机的 Phi = randn(M,N); %测量矩阵为高斯矩阵A = Phi * Psi; %传感矩阵y = Phi * x; %得到观测向量ytheta = CS_OMP(y,A,K); %恢复重构信号thetax_r = Psi * theta; % x=Psi * thetaif norm(x_r-x)<1e-6 %如果残差小于1e-6则认为恢复成功P = P + 1;endendPercentageM(kk) = P/CNT*100; %计算恢复概率endPercentage(mm,1:length(K_set)) = PercentageM; end toc save KtoPercentage1000test %运行一次不容易,把变量全部存储下来%% 绘图 S = ['-ks';'-ko';'-kd';'-kv';'-k*']; figure; for mm = 1:length(M_set)M = M_set(mm);K_set = 1:5:ceil(M/2);L_Kset = length(K_set);plot(K_set,Percentage(mm,1:L_Kset),S(mm,:));%绘出x的恢复信号hold on; end hold off; xlim([0 125]); legend('M=52','M=100','M=148','M=196','M=244'); xlabel('Sparsity level(K)'); ylabel('Percentage recovered'); title('Percentage of input signals recovered correctly(N=256)(Gaussian)');
六、参考文章
http://blog.csdn.net/jbb0523/article/details/45268141
更多OMP请参考:浅谈压缩感知(九):正交匹配追踪算法OMP
浅谈压缩感知(二十一):压缩感知重构算法之正交匹配追踪(OMP)相关推荐
- 压缩感知重构算法之正交匹配追踪(OMP)
题目:压缩感知重构算法之正交匹配追踪(OMP) 前面经过几篇的基础铺垫,本篇给出正交匹配追踪(OMP)算法的MATLAB函数代码,并且给出单次测试例程代码.测量数M与重构成功概率关系曲线绘制例程代码. ...
- 压缩感知重构算法之正交匹配追踪算法(OMP)
算法的重构是压缩感知中重要的一步,是压缩感知的关键之处.因为重构算法关系着信号能否精确重建,国内外的研究学者致力于压缩感知的信号重建,并且取得了很大的进展,提出了很多的重构算法,每种算法都各有自己的优 ...
- 正交匹配追踪(OMP)在稀疏分解与压缩感知重构中的异同
题目:正交匹配追踪(OMP)在稀疏分解与压缩感知重构中的异同 如果研究了稀疏分解再来研究压缩感知可能会有一个疑惑:在稀疏分解中有一个OMP算法,在压缩感知的重构算法中也有一个OMP算法,它们有什么区别 ...
- 【老生谈算法】matlab实现压缩感知重构算法之正则化正交匹配追踪(ROMP)——ROMP
matlab压缩感知重构算法之正则化正交匹配追踪(ROMP) 1.文档下载: 本算法已经整理成文档如下,有需要的朋友可以点击进行下载 序号 文档(点击下载) 本项目文档 [老生谈算法]贪婪算法中ROM ...
- 压缩感知重构算法之广义正交匹配追踪(gOMP)
压缩感知重构算法之广义正交匹配追踪(gOMP) 转载自彬彬有礼的专栏 题目:压缩感知重构算法之广义正交匹配追踪(gOMP) 广义正交匹配追踪(Generalized OMP, gOMP)算法可以看作为 ...
- 浅谈压缩感知(二十八):压缩感知重构算法之广义正交匹配追踪(gOMP)
浅谈压缩感知(二十八):压缩感知重构算法之广义正交匹配追踪(gOMP) 主要内容: gOMP的算法流程 gOMP的MATLAB实现 一维信号的实验与结果 稀疏度K与重构成功概率关系的实验与结果 一.g ...
- 浅谈压缩感知(九):正交匹配追踪算法OMP
浅谈压缩感知(九):正交匹配追踪算法OMP 主要内容: OMP算法介绍 OMP的MATLAB实现 OMP中的数学知识 一.OMP算法介绍 来源:http://blog.csdn.net/scucj/a ...
- 浅谈性能优化之图片压缩、加载和格式选择
原文链接:浅谈性能优化之图片压缩.加载和格式选择 在认识图片优化前,我们先了解下 [二进制位数]与[色彩呈现]的关系. 二进制位数与色彩 在计算机中,一般用二进制数来表示像素.在不同的图片格式中,像素 ...
- catia三维轴承_浅谈基于CATIA二次开发的单排四点接触球轴承三维设计论文
浅谈基于CATIA二次开发的单排四点接触球轴承三维设计论文 一.概述 单排四点接触球转盘轴承是一种能够同时承受较大轴向负荷.径向负荷和倾覆力矩等综合载荷,集支承.旋转.传动.固定等多种功能于一身的特殊 ...
最新文章
- MySQL之模糊查询
- 《Ansible权威指南 》一 第一篇 Part 1 基础入门篇
- 青龙羊毛——悦读(搬运)
- python 语言-python是一门什么样的语言?
- Android Studio目录结构和Gradle构建Android项目
- Python的itertools.product 方法
- Android 第十四课 使用LitePal添加数据(更新数据)
- Nature Communications | 白凡研究组揭示结直肠癌近端淋巴结与远端器官的转移路径...
- hbase 命令_HBase原理与实践 | 生产环境上线前真的优化过吗?
- 支付宝退款接口及反回参数
- python俄罗斯方块代码34行_Python:游戏:300行代码实现俄罗斯方块
- 小学三年级英语听力测试软件,小学三年级英语听力练习题及参考答案
- 【关键词排名点击软件】网站关键词挖掘常用的五个工具
- 连点器---鼠标连续点击(c语言)
- html 毛笔书写效果,canvas 手写毛笔字效果
- 环境资源与相关词汇中英文对照
- 不同手机型号图文预览_微信编辑器预览一般以多大的手机尺寸为准?
- 硅二极管温度传感器的特点
- nand flash基础时序
- 推荐系统架构与算法流程详解
热门文章
- Data Structures with C++ Using STL Chapter 3算法概述---笔记
- 高考成绩查询2021艺术类6,2021年高考成绩6月26日左右可查!
- uitableviw 自适应高度
- 使用驱动器f:中的光盘之前需要将其格式化_mac虚拟光驱Daemon Tools高级功能详解—光盘刻录...
- AppleWatch开发教程之Watch应用对象新增内容介绍以及编写运行代码
- java arraylist comparable_Java 两种ArrayList集合自定义对象属性排序,Comparator接口 或 Comparable接口...
- 继承redis spring_实例讲解Springboot以Repository方式整合Redis
- Xcode模拟器相关操作
- TensorFlow官方文档中的sub 和mul中的函数已经在API中改名了
- 【基于深度学习的脑电图识别】数据集篇:脑电信号自动判读的大数据