本代码是基于压缩感知理论的亚奈奎斯特采样算法

Sparse image and signal processing：Wavelets curvelets morphological diversity书

压缩感知引论 沙威(香港大学电机电子工程学系 高效计算方法研究小组) 2008. 是比较经典的国内关于压缩感知的资料，毕设老师推荐。

cvx是压缩感知工具箱，主要用于对系数信号的精确重构，希望对你们有用。

压缩感知信号新处理方式的一些英文文档总结，比较全面，没有打不开的文档，大家可放心下载

由于压缩感知技术突破了奈奎斯特准则的局限性,文章对压缩感知算法中的关键技术稀疏变换基、观测矩阵和重构算法进行了研究,并在MATLAB中对不同的稀疏变换基和不同观测矩阵及重构算法进行仿真。通过不同的组合,仿真结果表明在其他条件相同下,采用离散小波基、部分傅里叶变换矩阵和子空间匹配追踪具有良好的图像重构效果。

================================================== =============== CS恢复算法================================================== =============== CS恢复算法工具箱v0.1 作者：He Liu和Lin Yan（ https://github.com/aresmiki/CS-Recovery-Algorithms.git ） 介绍-------------- 该工具箱实现了几种CS恢复算法[1,2,3,4,5,6,7,8,9,10,11,12,13,14]中所述的方法。 这些包括： 1.正交匹配追踪2.压缩采样匹配追踪3.快速迭代收缩阈值算法4.用于压缩感测的迭代硬阈值算法5.迭代加权最小二乘6.迭代收缩阈值算法7. Null-space Reweig

压缩感知离散余弦变换基-小波基MATLAB程序

通过非局部正则化改善基于总变化的图像压缩感知恢复（ISCAS 2013） 抽象的 近年来，基于全变分（TV）的最小化算法由于保留了边缘，因此在自然图像的压缩感测（CS）恢复中取得了巨大的成功。 然而，使用电视不能恢复精细的细节和纹理，并且经常遭受不期望的楼梯假象的困扰。 为了减少这些影响，本文通过在CS优化问题中引入新的非局部正则约束条件，提出了一种改进的基于TV的图像CS恢复算法。 非局部正则化建立在众所周知的非局部均值（NLM）过滤的基础上，并利用图像中的自相似性，这有助于抑制阶梯效应并恢复精细细节。 此外，开发了一种有效的基于增强拉格朗日算法，以解决上述组合的电视和非局部正则化约束问题。 实验结果表明，与基于最新电视的算法相比，该算法在PSNR和视觉感知方面均实现了显着的性能提升。 引文 如果您发现我们的代码对您的研究或工作有所帮助，请引用我们的论文。 @inproceeding

为了提高现有块压缩感知重构算法的性能，提出了基于全变分和混合变分模型的块压缩感知（简称BCS-TV和BCS-MV）算法。该方法以块为单位进行图像采样，以自然图像正则项的稀疏性为先验条件，通过变型的增广拉格朗日交替方向乘子法(ALM-ADMM)，在整幅图像范围内逼近目标函数来重构原始图像。与以前基于一致性块采样的压缩感知工作对比，该算法的PSNR约提高1.5 dB,SSIM约提高0.05，运行速度较稳定，特别适合具有固定传输时延的多媒体数据处理场合。