壓縮傳感

Image processing 流行的研究 - Compressed Sensing <轉載>

壓縮傳感（Compressed sensing）”是數學和應用演算法研究熱門領域，這項研究利用數學中的稀疏概念，從雜訊中重建圖像或其它資料集。 壓縮傳感的發現是一次意外，當時是加州理工學院教授（現在去了斯坦福）的Emmanuel Candès在研究名叫Shepp-Logan Phantom的 圖像，這種標準圖像常被電腦科學家和工程師測試圖像演算法。Candès檢查的圖像品質非常差，充滿了雜訊，他認為名叫L1-minimization的 數學演算法能去除掉雜訊條紋，結果他按一個鍵後演算法真的起作用了。但在圖像變乾淨的同時，他發現圖像的細節出人意料的完美起來。他隨後向當時在UCLA的同 事陶哲軒展示了這一奇跡。第二天晚上，陶哲軒就完成了一組扎記，它們成為兩人合作的壓縮傳感領域第一篇論文的 基礎 (http://arxiv.org/abs/math.CA/0410542)。Emmanuel Candès認為壓縮傳感（簡寫CS）技術具有廣闊的應用前景，比如MRI，數碼相機。數碼相機鏡頭收集了大量的資料，然後再壓縮，壓縮時丟棄掉90%的 資料。如果有CS，如果你的照相機收集了如此多的資料只是為了隨後的刪除，那麼為什麼不一開始就丟棄那90%的資料，直接去除冗餘資訊不僅可以節省電池電 量，還能節省空間。

Compressive Sensing (matlab code using DCT)

clc;clear
load DCTq;  %讀量化表格
% Read the input image;           
xtatal = double(imread('lena512.bmp')); %讀圖檔 目前應該是黑白
figure(1);
imshow(uint8(xtatal));  %秀出原始圖檔

% keep an original copy of the input signal

for i=0:size(xtatal,1)/8-1                  %每格寬8像素 總共 (寬/8) 格 需整除
    for j=0:size(xtatal,1)/8-1              %每格高8像素 總共 (高/8) 格 需整除
        x0 = xtatal(1+i*8:8+i*8,1+j*8:8+j*8);       %一個block 處理

%         xmean = mean(x0(:));

%         x0=x0-xmean;

        % figure(1);

        % imshow(uint8(x0));

        f=floor((dct2(x0)+floor(Q/2))./Q);      %一個block作DCT和量化後的 係數(稀疏)
        f = f(:);                               %拉成一維 (n*1)
        n= size(x0,1)*size(x0,1);               %總點數 n

        s=length(find(floor((dct2(x0)+floor(Q/2))./Q)~=0)); %不等於0的有s個
       
        M=32;                                           %設定M大小 每個block 都用一樣

%         M=s*log(n/s)+1;                               %需大於s*log(n/s) 公式?

%         if (M&lt;32)                                     %補不足的點(自己設定的)

%             M=32;

%         end

        A = get_A_random(n,M);          %sensing matrix (M*n)
        Psi=dctmtx(n);                  %DCT基底 (n*n)
        y = A*Psi*f;                    %measurment (壓縮後大小 y(M*1)) (編碼)

        %用(l1 magic)tool 求l1 最佳稀疏解 (解碼)

%         % S o l v e u s ing l 1 magic .

%         path(path ,'./Optimization') ;

%         xinit = pinv(A)*y; % i n i t i a l g u e s s = min ene r g y

%         tic

%         xp = l1eq_pd ( xinit , A, [ ] , y , 1e-3);

%         toc

        %用CVX tool 求l1 最佳稀疏解 (解碼)
        cvx_begin
            variable xp(n);
            minimize (norm( xp , 1 ) ) ;
            subject to
                A*Psi*xp == y ;
        cvx_end
       
        %norm(f-xp)/norm(f);        %計算誤差??
        hat_x=reshape(round(xp),8,8);       %(n*1)一維轉換成8*8
        xhatall(1+i*8:8+i*8,1+j*8:8+j*8)=(idct2(floor(hat_x.*Q)));  %反量化&amp;反DCT 還原圖檔
       
        %調整超過的像素值
        [r1,c1]=(find(xhatall&gt;255));
        for l=1:length(r1)
            xhatall(r1(l),c1(l))=255;
        end
        [r2,c2]=(find(xhatall&lt;0));
        for l=1:length(r2)
            xhatall(r2(l),c2(l))=0;
        end

        %不確定對不對的方式

%         xhatall(1+i*8:8+i*8,1+j*8:8+j*8)=reshape(Psi*reshape(hat_x.*Q,64,1),8,8);

    end
end

figure(2);
imshow(uint8(xhatall));     %秀出還原的圖檔