壓縮感知理論的工程應用方法

定　價：￥35.00

作　者：	石光明，林杰，高大化，董偉生等著
出版社：	西安電子科技大學出版社
叢編項：
標　簽：	計算機/網(wǎng)絡軟件工程/開發(fā)項目管理

購買這本書可以去

ISBN：	9787560643595	出版時間：	2017-03-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　在傳輸帶寬有限和數(shù)據(jù)量激增的數(shù)字化時代，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應用的結合，針對壓縮感知理論在工程應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(shù)學推導，同時通過圖文并茂的方式，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。

作者簡介

暫缺《壓縮感知理論的工程應用方法》作者簡介

圖書目錄

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(nèi)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(shù)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 基于原子庫樹狀結構劃分的誘導式分解算法 46
3.3.4 迭代閾值算法 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 基于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 基于AR模型的自適應正則 68
4.3.2 基于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 圖像超分辨率實驗結果 73
本章小結 78
本章參考文獻 79

第五章基于壓縮感知的一維回波信號獲取與檢測 82
5.1 引言 82
5.2 基于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 基于加權范數(shù)理論的高分辨一維距離像 93
5.3.1 加權范數(shù)重構模型簡介 93
5.3.2 基于加權范數(shù)理論的高分辨一維距離像 95
5.4 超聲高分辨率探測 100
5.4.1 基于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分辨率探測方法 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

第六章基于壓縮感知的計算成像 114
6.1 引言 114
6.2 高分辨率可見光計算成像 115
6.2.1 基于運動隨機曝光的高分辨率可見光計算成像方法 115
6.2.2 基于CCD-TDI模式的高分辨率遙感光譜成像 125
6.3 高分辨率光譜計算成像 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 基于低秩張量逼近的高維圖像恢復 156
6.4.1 基于低秩張量逼近的拉普拉斯尺度混合(LSM)模型 156
6.4.2 基于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

第七章基于稀疏理論的高分辨率雷達成像 168
7.1 引言 168
7.2 基于加權l(xiāng)1范數(shù)理論的二維成像 169
7.2.1 聚束SAR信號模型 169
7.2.2 基于CS的聚束SAR模型 171
7.2.3 運算復雜度分析 174
7.2.4 實驗設計 175
7.3 基于稀疏理論的高分辨率ISAR成像研究 181
7.3.1 ISAR成像的轉臺模型 181
7.3.2 ISAR的RD成像 183
7.3.3 LCS-ISAR模型 185
7.3.4 基于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
第八章基于稀疏表示重構的多視目標識別 204
8.1 引言 204
8.2 基于重構的目標識別方法 205
8.2.1 基于稀疏表示重構的目標識別 205
8.2.2 基于協(xié)同表示重構的目標識別 206
8.2.3 基于線性回歸重構的目標識別 206
8.3 基于融合重構的多視目標識別 207
8.4 目標識別結果 208
8.4.1 人臉識別數(shù)據(jù)庫介紹 208
8.4.2 基于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

第九章基于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 灰度守恒假設 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(shù)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(shù)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 光流算法評估數(shù)據(jù)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

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(nèi)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(shù)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 基于原子庫樹狀結構劃分的誘導式分解算法 46
3.3.4 迭代閾值算法 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 基于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 基于AR模型的自適應正則 68
4.3.2 基于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 圖像超分辨率實驗結果 73
本章小結 78
本章參考文獻 79

第五章基于壓縮感知的一維回波信號獲取與檢測 82
5.1 引言 82
5.2 基于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 基于加權范數(shù)理論的高分辨一維距離像 93
5.3.1 加權范數(shù)重構模型簡介 93
5.3.2 基于加權范數(shù)理論的高分辨一維距離像 95
5.4 超聲高分辨率探測 100
5.4.1 基于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分辨率探測方法 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

第六章基于壓縮感知的計算成像 114
6.1 引言 114
6.2 高分辨率可見光計算成像 115
6.2.1 基于運動隨機曝光的高分辨率可見光計算成像方法 115
6.2.2 基于CCD-TDI模式的高分辨率遙感光譜成像 125
6.3 高分辨率光譜計算成像 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 基于低秩張量逼近的高維圖像恢復 156
6.4.1 基于低秩張量逼近的拉普拉斯尺度混合(LSM)模型 156
6.4.2 基于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

第七章基于稀疏理論的高分辨率雷達成像 168
7.1 引言 168
7.2 基于加權l(xiāng)1范數(shù)理論的二維成像 169
7.2.1 聚束SAR信號模型 169
7.2.2 基于CS的聚束SAR模型 171
7.2.3 運算復雜度分析 174
7.2.4 實驗設計 175
7.3 基于稀疏理論的高分辨率ISAR成像研究 181
7.3.1 ISAR成像的轉臺模型 181
7.3.2 ISAR的RD成像 183
7.3.3 LCS-ISAR模型 185
7.3.4 基于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
第八章基于稀疏表示重構的多視目標識別 204
8.1 引言 204
8.2 基于重構的目標識別方法 205
8.2.1 基于稀疏表示重構的目標識別 205
8.2.2 基于協(xié)同表示重構的目標識別 206
8.2.3 基于線性回歸重構的目標識別 206
8.3 基于融合重構的多視目標識別 207
8.4 目標識別結果 208
8.4.1 人臉識別數(shù)據(jù)庫介紹 208
8.4.2 基于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

第九章基于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 灰度守恒假設 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(shù)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(shù)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 光流算法評估數(shù)據(jù)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