基于交替學習和免疫優(yōu)化的壓縮感知圖像重構.pdf

1、隨著信息時代的到來，人們對信息量的需求與日俱增。而傳統(tǒng)的奈奎斯特采樣定理要求信號的采樣率不低于信號帶寬的兩倍，這無疑給信號的處理能力提出了更高的要求。壓縮感知理論(Compressed Sensing，CS)是近幾年來信息處理領域的一大變革。它指出若信號在某個正交基或緊框架下是可壓縮的，那么就可以以遠低于奈奎斯特定理所要求的采樣率進行采樣，并準確重構出所需要的信號。目前，壓縮感知理論在壓縮成像系統(tǒng)、模擬/信息轉換、生物傳感等領域都有著廣

2、闊的前景。本文主要研究的是圖像的壓縮感知重構問題，在免疫優(yōu)化算法框架下，提出一種基于交替學習和免疫優(yōu)化的壓縮感知圖像重構框架。論文創(chuàng)新的內容包括以下幾個方面：
　　1.本文提出了一種稀疏系數的位置和稀疏系數的值交替學習的思想，不僅關注的是如何確定稀疏系數的位置，而且在該位置信息的指導下去求解稀疏系數值，建立了基于濾波算子和交替優(yōu)化的壓縮感知圖像重構框架。該框架能夠較為準確地定位小波域中大系數的位置，并重構其系數值，從而恢復出視覺效

3、果好誤差小的圖像。
　　2.本文把自適應濾波作為一種免疫優(yōu)化算子引入在免疫優(yōu)化框架中。該算子能夠準確地捕獲圖像的細節(jié)部分，尤其是紋理和邊緣區(qū)域，從而改善了圖像的重構質量。
　　3.本文把凸集投影的思想應用在小波域中，并將其作為一種算子引入免疫優(yōu)化算法中，使得每一代進化的結果都是問題的解集附近的解，提高了算法的求解性能。
　　最后，在Matlab軟件中對本文提出的重構算法進行了仿真。仿真實驗證明了算法的有效性，為后續(xù)的壓