21、压缩感知：原理、应用与数值方法

压缩感知：原理、应用与数值方法

1. 压缩感知基础与应用

压缩感知在从线性测量中重建信号或图像的任务中具有潜在的广泛应用。当获取大量测量值，尤其是完整的测量集，是一项成本高、耗时长、困难、危险、不可能或不期望的过程时，压缩感知就有了用武之地。同时，信号需要在合适的基（或框架）下具有稀疏性，而实际上大多数类型的信号都满足这一特性。

以下是压缩感知的一些具体应用：
- 计算机断层扫描（CT） ：在CT中，人们希望通过从不同角度拍摄X射线图像来获取人体内部的图像。获取近乎完整的图像集会使患者暴露在大量危险的辐射中，因此测量量应尽可能小，同时还要保证足够好的图像质量。这类图像通常近乎分段常数，在梯度上近乎稀疏，所以压缩感知非常适用。
- 雷达成像 ：雷达成像通常只监测少量目标，稀疏性是一个非常现实的假设。标准的雷达成像方法实际上也使用了稀疏性假设，但只是在信号处理过程的最后用于清理结果图像中的噪声。从一开始就系统地利用压缩感知方法来利用稀疏性是一种自然的方法，相关的首次数值实验结果非常有前景。
- 其他潜在应用 ：还包括无线通信、天文信号和图像处理、模数转换、相机设计和成像等。

2. 数值方法概述

前面的内容表明，ℓ₁ - 最小化在从欠采样测量中恢复稀疏或近似稀疏向量方面表现出色。在实际应用中，拥有快速解决ℓ₁ - 最小化问题的方法非常重要。下面将详细介绍两种方法：同伦方法和迭代重加权最小二乘法（IRLS）。

2.1 ℓ₁ - 最小化问题的等价形式

ℓ₁ - 最小化问题：