这是目前一种比较流行的压缩感知算法，原理上基于消息传递算法推导而来，最近出现与18年郁炜教授团队发表的论文中，是一个研究的热点。

无线传感器网络（Wireless Sensor Networks，WSN）负责感知、采集、处理和监控环境数据，但是容易受限于资源。压缩感知（Compressed Sensing，CS）理论表明，利用最优化理论，稀疏信号可以从少量的非自适应线性投影中高概率精确恢复。根据CS理论设计WSN的数据压缩方法只依赖于信号内在的结构和内容，而不是信号的带宽，弥补了WSN的不足；提出了基于稀疏随机投影的编码方法；仿真结果表明系统在满足误差要求条件下构造的数据包减少至结点数目的30%，提高了WSN通信效率，降低了系统能耗。

压缩感知应用于图像降噪，具体方法有快速梯度投影重建等等的降噪算法和matlab代码。

该文提出了一种基于压缩感知和活动轮廓的多焦点图像融合方法。首先对源图像进行SBHE（scrambled block hadamard ensemble）采样获得压缩感知测量值，然后通过活动轮廓对源图像进行区域划分，再将区域划分结果合并形成联合区域划分。通过联合区域划分和互信息计算融合权重，得到融合后的系数，再通过压缩感知系数重构算法得到融合后的图像。为了验证算法的有效性，进行了2组多焦点图像融合实验。实验表明：该方法相比传统的压缩感知图像融合方法，在主观视觉和客观评价指标方面都能得到更好的融合结果。

ISTA（Iterative shrinkage-thresholding algorithm），即迭代阈值收缩算法。

sparse_sensing12 - 是函数代码sparse_sensing_example - 展示如何使用它。 x = sparse_sensing12(A,y,epsE) 由 Yoash Levron 教授撰写， 电气工程，以色列理工学院，2014 年 9 月。 此函数使用行数少于列数的矩阵 A 求解欠定方程组 Ax=y。 该函数定位“最稀疏”的解向量 x，即具有最少数量的非零元素的解向量。 如果存在稀疏解决方案，则该函数可以保证找到它。 功能输入： A - 传感矩阵（尺寸 M x N，其中 M<N） y - 已知输出向量（已知测量值的向量，（尺寸 M x 1） epsE - 解决方案的可容忍误差。 如果解向量 x 产生第二个范数大于 epsE 的错误，则该函数会抛出错误消息。 函数输出： x - 估计的稀疏向量（维度 N x 1）。 假设 x 最多有 2 个非零元素。 此

MATLAB：压缩感知（内含完整代码）

压缩感知l1重建算法matlab代码[用于压缩感知恢复的贝叶斯卷积神经网络]。 介绍 贝叶斯卷积神经网络（BCNN）是一种新的压缩感知（CS）恢复算法，它结合了卷积神经网络（CNN）和贝叶斯推理方法。 在本文中，我们显示出在重建结果方面的显着改进，优于传统的结构化压缩传感（SCS）算法和基于ReconNet，DR2Net和LDAMP等神经网络的恢复方法。 此处提供的代码有助于重现本文中介绍的某些结果。 引文（BibTex）： 如果您正在使用此代码，请引用以下论文。 @artical{BCNNs, author = {Xinjie Lan and Xin Guo and Kenneth E. Barner}, title = {Bayesian Convolutional Neural Networks for Compressed Sensing Restoration}, booktitle = {arVix:1811.04356}, month = {Nov.}, year = {2018} } 系统要求： 该软件已经在Matlab R2018a上进行了测试。 使用BCNN从CS测

信号处理 压缩感测 该项目是GSU数值分析研究小组的一部分，该研究小组在叶晓静博士的建议下进行。 该项目的重点是创建一个正态分布的玩具数据集，以执行近距离渐变方法的规则和加速变化，以实现压缩感测。 玩具数据集因原始问题而稀疏创建； 对于非稀疏信号，使用小波变换首先对数据进行稀疏处理，然后执行加速的压缩感测，然后使用逆变换将其带回到信号的原始域，从而解决了该问题的变体。 鼓励读者阅读以了解设置，数学和结果 需要什么工作？ 虽然大多数数学软件都经过了优化，但是代码本身需要一些巧妙的优化，以加快采样过程。

肯定可以直接运行，我用的2018a运行的，所以应该兼容所有版本的matlab