基于Ridgelet冗余字典和遺傳進化的壓縮感知重構.pdf

1、本文首先介紹了壓縮感知理論框架，著重回顧了壓縮感知重構算法的研究和應用現狀，針對其本質是l0范數問題，將對直線邊緣稀疏表示性能好的脊波(Ridgelet)冗余字典和遺傳進化(Genetic Algrithm，GA)算法融入到壓縮感知重構框架中，提出并實驗仿真了基于ridgelet冗余字典和遺傳進化的壓縮感知重構方法。首先，建立了基于分塊的Ridgelet冗余字典的壓縮感知重構框架，其次，針對問題實際情況，詳細設計了GA的編解碼方式、適應

2、度函數和遺傳算子，最后，提出了三種不同形式的遺傳進化的壓縮感知重構方法，分別為單個測量遺傳進化、相似測量共同遺傳進化和兩者結合的重構方法。
　　單個測量遺傳進化重構方法是將遺傳進化算法簡單地融入重構問題，仿真實驗數據證明了遺傳進化算法確實能夠較好解決此類問題，進化到一定代數后，該方法能夠超越正交匹配追蹤方法的重構結果。相似測量共同遺傳進化重構方法是受圖像存在非局部自相似特性的啟發(fā)，實驗數據分析得知經過高斯隨機觀測的向量間也存在相似

3、性，為此，我們借助仿射傳播聚類算法得到相似測量分組，重新定義適應度函數，仿真實驗數據表明，與前一種算法進行對比，本方法由于充分利用了相似子塊之間的約束，因此在進化初期就能有效地抑制子塊學誤的現象，減少了進化代數，同時又提高了重構效果。
　　綜合分析前兩種重構方法的數據和重構效果，結合相似測量共同遺傳進化突出的共性化和單個測量遺傳進化強調的個性化優(yōu)勢，提出了兩者結合的遺傳進化重構方法，且充分利用每一代進化后中間輸出圖像信息，新增加了