http://blog.csdn.net/zouxy09

上一回粗略的引入了压缩感知。

http://blog.csdn.net/zouxy09/article/details/8118313

下面就针对自己的了解，具体总结下压缩感知理论。由于自己也是这几天看到那个《Real-Time Compressive Tracking》

http://www4.comp.polyu.edu.hk/~cslzhang/CT/CT.htm

其涉及到的理论就是压缩感知（或者稀疏表达）。然后感觉不错，了解了解（后面会对这个跟踪算法做介绍，具体见博客更新）。所以接触时间有限，理解未免出错，望各位不吝指正。

简单地说，压缩感知理论指出： 只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。

在该理论框架下，采样速率不再取决于信号的带宽，而在很大程度上取决于两个基本准则： 稀疏性和非相关性，或者稀疏性和等距约束性。

压缩感知理论主要包括三部分：

（1）信号的稀疏表示；

（2）设计测量矩阵，要在降低维数的同时保证原始信号x的信息损失最小；

（3）设计信号恢复算法，利用M个观测值无失真地恢复出长度为N的原始信号。

理论依据：

（1）设长度为N的信号 X 在某个正交基Ψ上是K-稀疏的（即含有k个非零值）；

压缩感知（Compressive Sensing）学习之（二）zouxy09@qq.comhttp://blog.csdn.net/zouxy09       上一回粗略的引入了压缩感知。        http://blog.csdn.net/zouxy09/article/details/8118313       下面就针对自己的了解，具体总结下压缩感知理论。由于自己也是 2.理论内容 2.1 压缩感知 压缩感知 （ Compress ed Sensing ，CS）指出只要信号是可压缩的或在某个变换域是稀疏的,那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上,然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号。它包含两个特性，即不相关性和欠定性， 压缩感知 的压缩和重构正是靠这两个性质实现的。 压缩感知 ( compress ive sensing )有两部分组成 感知( sensing ):所谓感知就是站在计算机角度上，我们作为计算机感知一种信号（图片），也就是计算机去理解这种信号的一种拟人化的描述，比如100100的图像输入进来，计算机去给他开辟了100100的存储空间，这里的获取信号（图像）就是一种感知。 压缩( compress ive )：所谓压缩就是说将信号压缩，不管是图像...