包含一个matlab源文件，共有CoSaMP, BP, OMP三种压缩感知重构算法。对应本人博客《压缩感知重构算法之压缩采样匹配追踪(CoSaMP)》中的参考文献[6]，原链接已失效。

关于该资源的详细描述，请参考博主的博客文章：https://blog.csdn.net/qq_36584460/article/details/123979166

与压缩感知（CS）相类似的矩阵填充（MC）理论中的SVT重构算法。能够重构低秩、相关性较低的矩阵。

学习压缩感知过程中找到的论文及参考代码，很多，希望给初学压缩感知的朋友作参考

1. slope_x.mat 2. slope_y.mat 3. 传统有限差分的最小二乘积分波前重构算法.m

1. slope_x.mat 2. slope_y.mat 3. 基于有限差分的高阶迭代最小二乘积分的波前重构算法.m

无线传感器网络中数据具有较强联合稀疏特性，应用压缩感知理论，通过联合编码压缩数据，再使用联合解码进行还原，可实现低采样代价收集传感数据。提出了一种基于联合稀疏模型与压缩感知理论的同步子空间追踪算法，以稀疏特性为先验知识，通过回溯迭代方式，判断并选取合适的联合子空间，用更少量观测值实现原始传感数据的精确重构。与SCoSaMP算法、SP算法在不同稀疏特性和不同采样率下相比较，同步子空间追踪算法具有较好的恢复性能。

二维二进小波的快速分解与重构算法matlab实现-ex7-4.rar 使用matlab来实现非正交二次样条二维二进小波的快速分解和重构 编程实现例7.4中可分离二维二进小波的快速分解与重构算法 算法实现 使用matlab来实现非正交二次样条二维二进小波的快速分解和重构，实现的函数说明如下 l function [a, d1, d2] = swt1_decomp 函数功能：      二维二进小波分解 输入参数： x – 待分解的二维数组 n – 分解的级数 h – 分解低通滤波器系数 g – 分解高通滤波器系数 输出参数： a – 逼近矩阵 d1 – 水平细节信息矩阵 d2 – 竖直细节信息矩阵 l function x = swt1_recon 函数功能：      二维二进小波重构 输入参数： a – 逼近矩阵 d1 – 水平细节信息矩阵 d2 – 竖直细节信息矩阵 n – 重构的级数 h – 重构低通滤波器系数 g – 重构高通滤波器系数 l – 重构滤波器系数 输出参数： x – 重构的二维数组 在实现以上函数时主要用到了以下wavelet toolbox中的函数: l wconv函数对二维数组和滤波器进行卷积运算 l wextend函数在卷积前对二维图像进行周期延拓 l wkeep函数对卷积结果进行截断 还用到了dyadup和dyaddown对滤波器进行上抽样和下抽样。 测试结果 以下是使用所实现的算法对二维图片的测试结果 图片大小为256*256，使用4级二进小波进行分解 matlab6.gif

如何根据XY方向的波前斜率信息重构出波前相位？ 目前常用的方法有区域重构法，Zernike模式法重构，傅里叶变换法等，对比于区域波前重构算法和Zemike多项式拟合波前重构算法，基于傅里叶变换的波前重构方法在保证高重构精度的同时，具有运算速度快，所需运算空间小的特点，在大釆样数据或大口径波前检测情况下，可发挥其特有的优势。 资源共包括一下内容 X方向斜率.mat Y方向斜率.mat XY斜率-傅里叶变换重构.m

目前哈特曼波前传感器波前重建的算法主要有两种，即区域波前重建法和模式波前重建法。 而区域法重构按求解方法又可分为快速傅里叶变换法，迭代求解法，矩阵向量法等。 本资源给出了区域法重构算法实际例子， 资源具体内有以下资源： Slope_X.mat； Slope_Y.mat； 区域法重构.m 可直接运行！