基于压缩感知的多场景信号采样与重构系统仿真

资 源 简 介

本项目旨在实现压缩感知（Compressive Sensing, CS）的完整理论框架及其在不同领域的非传统采样应用实例。核心功能包括信号的稀疏表示、测量矩阵的设计、以及高效重构算法的实现。首先，项目通过离散余弦变换（DCT）或离散小波变换（DWT）将非稀疏信号转换为稀疏域。其次，利用高斯随机矩阵、伯努利矩阵或部分傅里叶矩阵作为测量矩阵，实现远低于奈奎斯特频率的亚采样采集。在重构阶段，实现了包括正交匹配追踪（OMP）、迭代加权最小二乘法（IRLS）和全变分（TV）正则化等主流算法。应用场景涵盖了一维稀疏信

详 情 说 明

基于压缩感知理论的多场景非传统采样与重构MATLAB仿真系统

本项目提供了一个完整的压缩感知（Compressive Sensing, CS）模拟框架，系统地演示了如何利用信号的稀疏性，通过远低于奈奎斯特采样率的测量值实现高精度信号恢复。该仿真系统涵盖了从基础理论验证到实际应用场景（音频、图像、医学影像）的全流程实现。

项目功能特性

• 多维度场景覆盖：支持从一维人工合成稀疏信号到二维图像以及医学MRI影像的完整仿真流程。
• 多样化测量矩阵：内置了高斯随机矩阵、伯努利矩阵以及部分傅里叶矩阵，用于模拟不同的物理采样过程。
• 主流重构算法集成：实现了贪婪算法（OMP）、数值优化算法（IRLS）、迭代阈值算法（ISTA）以及基于全变分（TV）理论的迭代优化。
• 稀疏表示理论应用：通过离散余弦变换（DCT）等正交变换，展示了非稀疏信号在变换域的稀疏处理方法。
• 性能量化评估：系统自动计算并输出均方误差（MSE）、信噪比（SNR）以及峰值信噪比（PSNR）等关键指标，辅助分析重构质量。

使用方法

1. 在本地计算机上安装并配置好具有图像处理工具箱的MATLAB环境。
2. 将系统所有函数代码置于同一路径下。
3. 运行主入口函数，系统将自动依次执行四个不同场景的仿真实验。
4. 程序运行结束后，将自动弹出四个独立的窗口，对比显示原始信号、采样状态以及不同算法的重构结果。
5. 控制命令行窗口将实时输出各场景的运行耗时、重构精度等性能指标。

系统要求

• 软件环境：MATLAB R2016b 或更高版本。
• 必要工具箱：Image Processing Toolbox（用于图像读取与评估）。
• 硬件建议：建议配置 8GB 以上内存以保证图像分块处理与矩阵运算的效率。

系统实现逻辑细节

系统通过一个统一的入口点驱动，按场景顺序执行以下逻辑：

场景一：一维人工稀疏信号恢复 系统生成一个长度为256、随机分布20个非零值的K-稀疏信号。利用高斯随机矩阵作为测量矩阵，将信号映射到低维空间。随后使用正交匹配追踪（OMP）算法和迭代加权最小二乘法（IRLS）进行恢复，横向对比了贪婪算法与权重优化算法在纯稀疏信号上的恢复精度和计算时间。

场景二：音频信号压缩采样 模拟了一段由多个不同频率正弦波组合而成的音频序列。由于音频在时间域不稀疏，系统通过离散余弦变换（DCT）将其投影到频率域。测量阶段采用部分傅里叶矩阵模拟亚采样过程。在重构端，系统针对训练出的DCT系数进行求解，最后通过逆DCT变换还原时间域波形，并计算重构前后的SNR。

场景三：二维图像低码率压缩成像 针对二维图像数据，系统采用分块压缩感知的思路。将图像划分为16x16的像素块，对每一块使用高斯矩阵进行独立采集。重构过程使用迭代软阈值算法（ISTA），该算法通过梯度下降与L1范数软阈值收缩的交替迭代，在离散余弦变换域寻找最稀疏解。最终将各块拼接还原，通过PSNR评估图像的保真度。

场景四：医学MRI加速采集仿真 系统以Shepp-Logan模型模拟人体组织。在频率域（K空间）进行采样，设计了径向采样掩码结合随机采样的非传统采样策略。重构阶段模拟了全变分（TV）正则化思想，采用了一种结合数据保真项（K空间替换）与图像平滑项（各向同性扩散近似）的迭代优化方法。该场景直观展示了压缩感知如何通过欠采样大幅减少医疗设备扫描时间并保持影像清晰度。

关键算法与工具函数说明

测量矩阵生成 系统提供了一个灵活的工具函数，能够根据输入参数生成不同类型的矩阵：

• 高斯矩阵：元素服从标准正态分布，具有良好的不相关性。
• 伯努利矩阵：元素仅包含1和-1，便于硬件实现。
• 部分傅里叶矩阵：通过随机抽取傅里叶矩阵的行实现，常用于模拟MRI等物理成像系统。

正交匹配追踪 (OMP) 这是一种贪婪算法，通过迭代方式寻找信号的支撑集。在每一步迭代中，计算测量矩阵每一列与当前残差的相关性，将最相关的列加入支撑集，并通过最小二乘法更新残差。

迭代加权最小二乘 (IRLS) 该算法通过引入权重矩阵来近似L1范数最小化问题。在迭代过程中，根据前一次解的幅度动态调整权重，较小的系数分配较大的权重，从而促使非零系数向零收敛，实现稀疏恢复。

迭代软阈值算法 (ISTA) 专门用于求解L1范数正则化的凸优化问题。该方法将目标函数分为保真项和正则项，通过计算保真项的梯度进行下降，再利用软阈值算子对结果进行收缩，实现稀疏解的快速逼近。

全变分 (TV) 迭代优化 在MRI重构中，利用图像梯度的稀疏性。算法在迭代中不断强制K空间已知数据保持不变，同时通过差分运算对图像的梯度进行约束，从而在消除欠采样造成的伪影的同时保留边缘细节。

变换基矩阵实现 系统内置了手动实现的离散余弦变换（DCT）矩阵生成函数，不仅可以直接对一维信号进行变换，还能配合Block处理实现二维图像的稀疏化表示。