离散控制Matlab代码Shearlet增强快照压缩成像（SeSCI） 这是，，，和Guihai Chen撰写的IEEE图像处理事务（TIP）中常规论文Shearlet增强快照压缩成像的资料库。 快照压缩成像 开发了快照压缩成像（SCI）系统，以使用低尺寸的现成传感器捕获高尺寸（$ \ geqslant3 $）信号。 多个帧被压缩为单个测量帧，从而节省了内存，带宽和其他资源。 采样过程中的简洁性使其难以重建原始帧。 在此存储库中，我们实现了一种称为“剪切波增强快照压缩成像”（SeSCI）的重建算法，该算法可确保在短时间内进行准确的重建。 SeSCI的性能源自先于频率域和小波域的联合稀疏性。 我们在两个名为编码Kong径压缩时间成像（CACTI）和编码Kong径镜头频谱成像（CASSI）的SCI系统上进行了重建实验。 我们将提出的SeSCI与其他算法进行比较，并进行SeSCI的消融实验。 我们还揭示了SeSCI在幻像成像（GI）系统上的泛化能力。 相关代码在“ experiments文件夹下列出。 这是重建图像的示例。 图1：重建示例。 剪毛 剪切波是多尺度图像变换域，其提供图像信号的方

亲自翻译几天的成果，不是谷歌百度直接翻译那种哦，阅读起来流畅无障碍，公式也是自己用公式编辑器敲得。本来是自己要用的。Introduction to compressive sensing in acoustics声学压缩感知概述。

称QR迭代matlab代码在C / C ++和MATLAB中实现的三种著名的稀疏恢复算法： I. Orthogonal Matching Pursuit ( OMP ), II. Iterative Hard Thresholding ( IHT ), III. Approximage Message Passing ( AMP ) 此外，C代码包含所有子例程，包括：QR分解，高斯消除，冒泡排序，反替换等。矩阵乘法，相关计算SNR，MSE 介绍 摘自我们的论文[1]。 OMP is a greedy algorithm introduced as an extension to the well-established Matching Pursuit algorithm. The OMP algorithm iteratively finds the best matrix columns that correspond to the non-zero coefficients of the sparse signal, and then performs a least squar

当前信号处理领域的热点之一——压缩感知的数学著作。尽管称为introduction，但还是有相当难度的。学好此书，对于发压缩感知方面的文章大有裨益。

用Compressive Sensing方法利用估计MIMO信号的DOA 入门程序

我们提出了一种简单有效的迭代加权算法通过压缩感测提高图像重建的恢复性能（CS）。 数值实验结果表明，所提出的新方法与标准相比，在图像质量和计算复杂度方面均胜过最小化1 l以及其他迭代加权的1 l算法CS中的图像重建。

压缩感知的入门级教程，深入浅出。只不过是英文的，英语好的人可以看一下。

压缩感知图像matlab代码可重现的深度压缩感测 基于深度学习的压缩感知（DCS）的源代码集合。 提供源代码，pdf，doi的链接。 根据采样矩阵类型（基于帧/基于块），采样比例（单比例，多比例）和深度学习平台对相关作品进行分类。 其他部分中提供了除采样，图像/视频重建以外的代码。 P / s：如果您知道任何源代码，请告诉我。 基于块的DCS 单刻度感应 AMPD-Net：[PyTorch] Z. Zhang，Y。Liu，J。Liu，F。Wen，C。Zhu，“ AMP-Net：基于降噪的深度展开以进行压缩图像感测”，IEEE图像处理事务，2021年。 DRCS-SR H. Kasem，M。Selim，E。Mohamed和A. Hussein，“ DRCS-SR-深度鲁棒压缩感知为单图像超分辨率”，IEEE Access，2020年。 OPINE-Net [Pytorch] 张健，陈钊，高文“优化启发的紧凑型深度压缩感测”，IEEE信号处理选定主题期刊（JSTSP），第1卷。 14号2020年5月，第4页，第765-774页。[pdf] DUF-WL1： J. Zhang，Y. Li，Z

Bayesian 压缩感知 代码 是Bayesian Compressive Sensing 论文里的代码，对于学习Bayesian Compressive Sensing 很有帮助

压缩感知（CS）包含一个事实，即它可以从比传统方法少得多的测量中恢复某些信号和图像，从而为基于相控阵材料表征的大量数据收集提供了解决方案。 本文介绍了如何利用CS框架在时域和频域中有效压缩超声相控阵图像。 通过将图像投影到其离散余弦变换域，实现了一种新颖的方案，以验证CS用于数据缩减的潜力，并探索其重构精度。 CIVA仿真的结果表明，时域和频域CS都可以使用小于Nyquist定理的最低要求的样本来准确地重建阵列图像。 对于三种类型的人工缺陷的实验验证，尽管在保留明显缺陷的情况下可以实现可观的数据缩减，但目前尚无法打破时域的奈奎斯特限制。 幸运的是，频域中的合格恢复使其成为现实，这意味着相控阵图像重建的真正突破。 作为一个案例研究，将所提出的CS程序应用于检查具有不同凹坑缺陷的发动机汽缸腔，结果表明基于正交匹配追踪（OMP）的CS保证了实际应用的性能。