基于稀疏感知频谱估计的有效运动目标检测算法

基于稀疏感知频谱估计的有效运动目标检测算法

压缩感知信道估计算法（Matlab 代码）

基于压缩感知信道估计算法，为IEEE已发文章代码，调试正确，可供大家参考！主要包括以下代码： channel.m LS_MSE_calc.m MMSE_MSE_calc.m MSE_com.m omp.m seqnum_compare.m

论文研究-基于低秩稀疏分解的自适应运动目标检测算法.pdf

传统的低秩稀疏分解方法使用[l1]范数把场景中的运动目标建模为稀疏离群值，分离出低秩的背景成分与稀疏的运动目标成分。然而，在许多实际场景中往往会有动态背景的情形（例如水面波纹、树木摇动），[l1]范数并不能区分出这些干扰与真实目标，从而大大影响检测效果。实际上，运动目标区域中的像素不仅仅具有稀疏性，还具有空间分布上的连续性。通过引入空间融合稀疏约束，在空间连续性和稀疏性两方面对运动目标进行建模，使模型更符合目标像素的分布规律。同时，设计了一种自适应的参数更新方法，使算法的鲁棒性进一步提升。在公共数据集上的大量实验表明，相比于传统方法，该算法在准确率和鲁棒性方法有很大提高。

论文研究-基于超像素和判别稀疏的运动目标跟踪算法.pdf

针对目标遮挡、非刚性变换、光照变换等因素干扰产生的漂移问题，提出基于超像素和判别稀疏的运动目标跟踪算法。算法首先利用SLIC方法对运动目标的观测区域进行超像素分割，然后通过K-Means算法构建包含目标和背景的超像素字典，再基于判别稀疏表示和[?1]范数最小化框架求解候选目标的稀疏系数，同时结合粒子滤波框架和在线字典更新策略完成目标跟踪。实验结果表明，该算法在多种因素干扰的环境中具有较强的鲁棒性，能够准确稳定地进行在线目标跟踪。

论文研究-基于块稀疏度估计的压缩感知自适应重构算法.pdf

块稀疏信号是一类具有特殊结构的稀疏信号。针对块稀疏信号块稀疏度未知的情况，提出了一种基于块稀疏度估计的自适应重构算法，并将其应用于压缩感知。首先对信号的块稀疏度进行初步估计，计算得到一个支撑块索引集合的估计值，利用得到的估计值对残差进行初始化；然后对测量矩阵的子块和当前残差进行相关性匹配操作，以选取信号的支撑块集合，依据正则化原则再次对由相关性匹配操作得到的信号支撑块集合进行筛选；最后通过迭代过程获得信号最终的支撑块集合。仿真实验结果表明，提出的算法与现有的块稀疏信号自适应重构算法相比，具有较好的重构成功概率且算法的平均运行时间更短。

基于压缩感知的信道估计

使用压缩感知进行信道估计的仿真代码，压缩感知+信道估计，matlab

论文研究-基于稀疏表示模型的SAR图像目标检测算法 .pdf

基于稀疏表示模型的SAR图像目标检测算法，田元荣，许悦雷，针对合成孔径雷达（SAR）图像可视性差、目标区域小以及特征不明显等特点对目标检测造成的困难，将稀疏表示模型应用于SAR图像目标检

论文研究-基于贝叶斯预测密度的弱匹配追踪频谱检测.pdf

针对在低信噪比、观测点数较少情况下稀疏度的欠估计问题，提出了一种基于贝叶斯预测密度的弱匹配追踪频谱检测算法。该算法利用贝叶斯预测密度理论推导出罚函数，然后引入弱匹配策略于CoSaMP算法，提高频谱支撑集估计性能，且减弱受稀疏度估计准确度的影响。仿真结果表明，当信噪比高于3 dB时，利用400个观测样本该算法就能获得90%以上的频谱检测概率，宽带频谱感知性能优于已有算法。

论文研究-基于稀疏贝叶斯估计的单图像超分辨率算法.pdf

针对现有超分辨率方法对不同低分辨率图像的超分辨率效果差异较大的问题，提出了一种基于稀疏贝叶斯估计的单图像超分辨率方法。该方法将单图像超分辨率问题看做是回归问题，采用Kronecker脉冲函数作为回归基函数，综合利用图像的局部信息和全局信息寻找特定预测的最优稀疏解决方案，采用贝叶斯方法估计权重，据此重构超分辨率图像。实验结果表明，采用该方法对14幅测试图像运行单图像超分辨率算法，得到的平均峰值信噪比高、方差小、耗时少，证实了该方法的超分辨率效果好、适应性强，且运算效率高。

基于压缩感知的OFDM稀疏信道估计导频图案设计

基于压缩感知的OFDM稀疏信道估计导频图案设计

基于稀疏表示的图像去噪算法研究

基于稀疏表示的图像去噪算法研究，是一篇很不错的论文

K-SVD算法，基于稀疏表示的设计过完备字典算法

K-SVD算法，英文版 K-SVD算法，基于稀疏表示的设计过完备字典算法

基于OMP算法的压缩感知信号重建MATLAB实现

压缩感知 (Compressed Sensing) 是一种利用信号普遍存在低维结构的先验知识，只需极少的采样点，就能以极大概率恢复出原始信号的采样方法。 Orthogonal Matching Pursuit (OMP) 算法是一种贪婪算法，可用于压缩感知中稀疏原始信号的重建。 本实验主要涉及两部分代码，一部分为压缩感知的信号采样与重建（见test.m），另一部分为OMP算法（见OMP.m）。

常用的块稀疏压缩感知恢复算法（BOMP）

常用的块稀疏压缩感知恢复算法，主要以omp算法为主，包括BOMP

论文研究-联合稀疏频谱检测算法研究.pdf

为了提高联合稀疏频谱环境下未知稀疏度信号的检测精度和速度，提出了一种联合稀疏可变步长的匹配追踪感知算法。算法根据信号内部及信号之间的相关性，利用一种原子匹配测试得到稀疏度的粗估计，采用变步长思想逼近全局最优支撑集，初始阶段利用大步长快速匹配以提高收敛速度，根据恢复情况减小步长以实现精确逼近。实验结果表明：改进的算法在检测概率和收敛速度上均优于SOMP和SSAMP算法。

基于稀疏表示的图像去噪算法

基于学习方法构造的冗余字典可更加准确地提取信号的结构特征，也是近几年的研究热点。论文在研究了基于KSVD字典学习的图像去噪算法的基础上，将相关系数匹配准则和字典裁剪方法相结合，提出一种改进的字典学习算法，进一步，为了利用图像的非局部自相似性信息，提出将自相似性作为一个约束正则项融入到图像去噪模型，提出基于改进字典学习和非局部自相似性的图像去噪算法。大量实验验证，与传统KSVD去噪方法相比，该方法在提高同质区域平滑性的同时还能保留更多的纹理、边缘等细节特征。

压缩感知稀疏贝叶斯算法

压缩感知稀疏贝叶斯算法，包含SBL,TSBL和TMSBL算法。亲自测试能够使用

论文研究-一种基于小波稀疏基的压缩感知图像融合算法.pdf

随着压缩感知技术的发展, 基于压缩感知的图像融合技术研究逐渐受到越来越多的重视。针对图像小波分解系数特点, 提出了一种基于双放射状采样模式的压缩传感域图像融合算法。该算法首先通过双放射状采样模式获得待融合图像的小波稀疏域线性测量值; 然后利用一种简单的绝对值最大融合规则直接在压缩感知域进行融合, 最后通过最小全变分的方法重构融合图像。主客观实验结果表明, 该算法具有良好的融合效果。