陆吾生教授最优化与压缩感知算法工具箱

资 源 简 介

本项目基于加拿大维多利亚大学陆吾生教授的短期精品课程课件开发，旨在深度解析并实现最优化问题求解及其在压缩感知（Compressed Sensing, CS）领域的应用。项目首先构建了最优化理论的基础框架，实现了针对凸优化与非凸优化问题的标准求解器接口，涵盖线性规划、二次规划及半定规划等数值解法。在压缩感知核心板块，项目详细复现了稀疏信号处理的关键算法，包括但不限于利用L1范数最小化进行稀疏重构的基追踪（Basis Pursuit, BP）算法，以及贪婪迭代类算法如匹配追踪（MP）和正交匹配追踪（OMP）。应用层面重点聚焦于一维信号和二维图像处理：针对一维信号，实现了在低采样率下的高精度波形重构；针对图像处理，开发了基于CS的图像压缩采样与重建模块，以及利用全变分（Total Variation, TV）正则化模型进行的图像降噪与去模糊算法。此外，项目还包含对图像缺失像素进行补全（Inpainting）的案例演示，通过稀疏表示理论显著提升了图像复原的质量。代码逻辑严密，配套验证脚本，直观展示了从数学模型到工程应用的完整流程。

详 情 说 明

陆吾生教授最优化与压缩感知应用工具箱

项目简介

本项目基于加拿大维多利亚大学陆吾生教授（Prof. Wu-Sheng Lu）的短期精品课程课件理念开发，旨在深度解析并实现最优化理论在压缩感知（Compressed Sensing, CS）及图像处理领域的实际应用。项目代码提供了一套完整的数值实验流程，从最基础的一维稀疏信号重构，进阶到二维图像的压缩采样修复（Inpainting），最后延伸至基于变分方法的图像去噪。

代码完全基于MATLAB原生语言编写，不依赖复杂的第三方库，通过自包含的函数实现了多种经典的最优化算法和稀疏求解器。

功能特性

本项目在单一脚本中集成了以下三大核心功能模块：

1. 一维信号压缩感知重构

* 实现了低采样率下（$M < N$）对稀疏信号的精确感知与重建。 * 对比了贪婪算法（OMP）与凸优化松弛算法（BP/Lasso）的重构性能。 * 可视化展示了原始信号、观测过程及重构误差。

1. 图像缺失补全 (Image Inpainting)

* 通过压缩感知理论解决图像修复问题，模拟50%随机像素丢失的场景。 * 利用全图离散余弦变换（DCT）作为稀疏基。 * 使用算子形式的快速迭代收缩阈值算法（FISTA）进行图像复原。 * 包含PSNR（峰值信噪比）和SSIM（结构相似性）客观评价指标。

1. 全变分 (Total Variation) 图像去噪

* 针对高斯噪声污染的图像，构建ROF（Rudin-Osher-Fatemi）变分模型。 * 实现Chambolle投影对偶算法求解TV最小化问题，有效去除噪声并保持图像边缘。

系统要求与使用方法

系统要求

• MATLAB R2016b 或更高版本。
• Image Processing Toolbox（用于基础图像变换与显示）。

使用方法

1. 下载本项目代码。
2. 在MATLAB环境中打开脚本文件。
3. 直接运行主函数 main。
4. 程序将自动执行以下操作：

* 生成合成数据（避免外部文件依赖）。 * 依次运行一维CS、图像Inpainting、TV去噪实验。 * 弹出三个图形窗口展示实验曲线、对比图像及评价指标。 * 并在命令行窗口输出各阶段的处理状态和量化误差结果。

详细实现逻辑与算法解析

本项目的核心逻辑严密遵循最优化理论，以下是对代码具体实现流程的详细剖析：

1. 一维信号压缩感知与稀疏重构

此模块展示了压缩感知的基本原理：$y = Ax + n$。

• 信号生成：构造长度为256的信号，随机选取12个位置赋予高斯随机值，其余为零，形成严格稀疏信号。
• 测量过程：构建64x256的高斯随机测量矩阵 $A$，并对列向量进行归一化处理。叠加高斯白噪声模拟真实观测环境。
• 求解策略：

* 正交匹配追踪 (OMP)：通过计算观测残差与测量矩阵列向量的相关性，贪婪地迭代选择支撑集，并利用最小二乘法更新系数。 * 基追踪/Lasso (FISTA)：构建L1正则化最小二乘模型 $min 0.5|Ax-y|_2^2 + lambda|x|_1$，利用加速近端梯度法（FISTA）求解，实现了Nesterov动量加速，确保收敛速度为 $O(1/k^2)$。

2. 图像压缩感知与Inpainting

此模块模拟受损图像的修复过程。

• 数据合成：内置合成图像生成函数，通过正弦波、圆形和矩形叠加构造具有纹理和平滑区域的测试图，无需读取外部图片。
• 退化模型：生成随机掩模（Mask），丢失约50%的像素点。
• 重构模型：建立基于DCT域稀疏性的优化模型。问题被建模为寻找DCT系数 $theta$，使得 $0.5|M cdot text{IDCT}(theta) - y|_2^2 + lambda|theta|_1$ 最小化。
• 算子优化实现：为了处理二维图像数据并节省内存，算法实现未显式构造巨大的测量矩阵，而是通过函数句柄（Function Handle）传递线性算子 $A(cdot)$ 和其伴随算子 $A^T(cdot)$。其中 $A$ 操作包含IDCT变换和掩模采样，$A^T$ 包含掩模操作和DCT变换。

3. 全变分 (TV) 图像去噪

此模块专注于消除图像中的加性噪声同时保留边缘特征。

• 噪声模型：向原始合成图像添加高斯白噪声，并截断至 $[0, 1]$ 范围。
• 数学模型：求解各向同性全变分模型 $min |u-g|_2^2 + lambda text{TV}(u)$。
• 对偶算法 (Chambolle Projections)：代码没有直接求解非平滑的原问题，而是采用Chambolle提出的半隐式梯度下降法的对偶形式。

* 通过迭代更新对偶变量 $p = (p_x, p_y)$。 * 利用离散梯度算子和离散散度算子。 * 每步迭代包含梯度上升及投影到单位球的操作，最终通过 $u = g - lambda text{div}(p)$ 恢复去噪后的图像。

关键代码与函数说明

为了保证逻辑清晰，主程序调用了以下专门封装的子函数：

• solve_omp

实现标准的正交匹配追踪算法。核心步骤包括：计算相关性向量、更新索引集（Support Set）、求解子集上的最小二乘解（使用左除运算）以及更新残差。

• solve_fista

针对矩阵形式的 Lasso 问题设计的标准求解器。自动计算 Lipschitz 常数（通过矩阵范数），包含软阈值算子（Soft Thresholding）用于处理 L1 范数，并引入 Nesterov 动量项 $t_{new} = (1 + sqrt{1 + 4t^2}) / 2$ 加速收敛。

• solve_fista_operator

solve_fista 的变体，专为大规模图像问题设计。它接受函数句柄作为输入，避免了显式存储 $MN times MN$ 大小的矩阵，直接对图像矩阵进行变换域操作。

• solve_tv_chambolle

实现 Chambolle 的对偶投影算法。函数内部实现了图像的二维差分（离散梯度）和伴随的离散散度计算，通过迭代更新对偶场来逼近全变分最小解。

• 辅助工具函数

* soft_threshold: 实现软阈值收缩算子。 * create_synthetic_image: 生成包含周期纹理、平滑区域和边缘的测试图像。 * calculate_psnr: 标准峰值信噪比计算。 * calculate_ssim: 一个简化的结构相似性计算实现，基于图像的全局均值和方差统计量（注：此为教学演示用的简化版本，非MATLAB内置函数）。