基于压缩感知的多算法图像重构仿真系统

资 源 简 介

本项目提供了一套完整的MATLAB工具包，专注于压缩感知（CS）技术在图像处理领域的应用与算法性能评估。其核心功能是实现对图像的高效压缩采样与精确重构。系统集成了多种业界主流的重构算法，包括正交匹配追踪（OMP）、压缩采样匹配追踪（CoSaMP）、迭代硬阈值（IHT）、基追踪（BP）、梯度投影（GBP）以及子空间追踪（SP）。该项目通过调用MATLAB矩阵运算优势，首先利用二维离散小波变换（DWT）对输入图像进行稀疏化映射，随后采用高斯随机矩阵作为测量矩阵对稀疏系数进行降维观测。在重构阶段，各算法通过不同的数学优化策略从少量的观测数据中恢复出原始图像的稀疏系数，最后通过逆变换还原图像。该项目涵盖了从图像预处理、观测矩阵设计、稀疏基选择到重构算法实现及结果评价的全流程。它不仅支持单图重构，还具备批处理对比功能，能够量化分析各算法在不同采样率下的表现，适用于医学成像、遥感探测及信号处理等领域的研究与教学应用。

详 情 说 明

基于压缩感知的多算法图像重构仿真系统

项目介绍

本项目是一个集成的MATLAB仿真平台，旨在演示和评估压缩感知（Compressed Sensing, CS）技术在图像重构中的应用。系统涵盖了从图像稀疏化表示、测量矩阵构造、观测数据获取到多种重构算法实现的全过程。通过对比不同数学优化策略下的重构效果，本项目为信号处理、医学成像和数学优化领域的研究提供了直观和量化的实验参考。

功能特性

• 多算法并行对比：系统集成了贪婪类、阈值类及基于梯度的优化算法，提供一站式性能测试。
• 自主实现稀疏变换：内置纯数学实现的二维Haar小波变换（DWT），不依赖外部图像处理工具箱即可完成信号稀疏化。
• 多维度性能评价：自动计算并输出像素级均方误差（MSE）、峰值信噪比（PSNR）以及各算法的实际运行耗时。
• 可视化展示系统：生成高质量的对比图表，同屏展示原始图像与六种不同算法重构后的结果，便于定性观察。
• 批处理计算能力：采用循环结构自动遍历所有算法，支持灵活调整采样率、稀疏度等核心参数。

系统要求

• MATLAB R2016b 或更高版本。
• 包含基础的图像处理工具箱（用于读取初始测试图像）。
• 硬件建议：由于矩阵运算复杂度较高，建议内存 8GB 以上。

运行逻辑与实现细节

1. 预处理阶段

系统首先将输入图像（默认为cameraman.tif）通过线性插值调整至指定尺寸（如64x64）。接着，通过自定义实现的二维离散小波逆变换函数，将空间域图像映射到小波稀疏基下。在这一步，图像被分解为低频逼近系数和高频细节系数，形成稀疏系数向量。

2. 压缩观测阶段

系统采用高斯随机矩阵作为测量矩阵。对于维度为N的信号，通过一个M×N的随机矩阵进行线性投影，生成长度为M的观测向量（M < N）。实验中采样率通过M/N比例进行动态控制，模拟了原始信号在采集阶段的压缩过程。

3. 重构算法实现逻辑

系统实现了六种核心重构算法，每种算法通过不同的策略寻找下式中的最稀疏解：

• 正交匹配追踪（OMP）：通过迭代选择与残差最相关的测量矩阵列，并利用最小二乘法进行投影重构。
• 压缩采样匹配追踪（CoSaMP）：在每轮迭代中识别并保留多个支撑集原子，通过原子修剪过程提高重构精度。
• 迭代硬阈值（IHT）：基于梯度下降思路，在每次迭代后通过硬阈值算子保留K个最大系数，将解强制投影回稀疏空间。
• 子空间追踪（SP）：通过子空间的选择与精炼，在已知稀疏度的情况下快速收敛至最优解。
• 梯度投影重构（GBP）：利用一阶梯度更新，结合L1范数的符号函数作为梯度偏移，寻找目标函数的极小值。
• 迭代软阈值算法（ISTA/BP）：作为基追踪（Basis Pursuit）的模拟实现，通过软阈值算子进行收缩迭代，解决L1范数正则化问题。

4. 逆变换与评价

重构出的稀疏系数向量被重新排列成二维矩阵，随后调用自定义的二维Haar反小波变换函数。通过行与列的逆加权处理，将信号从变换域还原至像素空间。最后，系统通过计算原始图像与重构图像的残差平方和来确定MSE，并换算为标准DB单位的PSNR。

关键函数与实现细节分析

稀疏化实现细节

系统没有直接调用MATLAB官方的dwt2函数，而是通过手动矩阵运算实现了Haar小波。其逻辑是利用L=[1, 1]/sqrt(2)和H=[1, -1]/sqrt(2)作为低通和高通滤波器，先后对图像进行行分解和列分解，生成包含LL、LH、HL、HH四个子带的系数矩阵。

测量矩阵构造

Phi = randn(M, N) / sqrt(M) 的实现遵循了受限等距性（RIP）原则。通过对矩阵元素进行归一化处理，确保了在大数定律下观测向量y能保持原始信号x的能量分布，这是CS理论能够成功重构的数学前提。

参数敏感性

• 采样率（sample_rate）：直接决定了观测值M的大小，实验表明采样率低于0.3时，大多数贪婪算法的重构质量会迅速下降。
• 目标稀疏度（sparsity_k）：在OMP和CoSaMP等算法中作为终止条件或搜索范围。系统根据每列非零元的估计值进行全局配置。

可视化输出逻辑

结果可视化部分通过 subplot(2, 4, i+1) 将图像排列。第1格始终显示原始图像，后续格位按照算法运行顺序动态填充。每个子图的标题都包含了该算法实时计算出的性能指标，以便于直接进行横向对比研究。