周四望+劉龍康

摘 要：稀疏性是壓縮感知的前提，然而，自然圖像通常不是稀疏的，因此對(duì)圖像直接應(yīng)用壓縮感知算法很難取得高壓縮效率.針對(duì)圖像信號(hào)，將編碼思想融入壓縮感知理論，提出一種簡單有效的零樹壓縮感知方法.該方法先利用零樹思想輔助壓縮感知測量，在得到測量值的同時(shí)編碼重要系數(shù)的位置；然后提出零樹追蹤重構(gòu)算法，通過精確解碼重要系數(shù)位置來重構(gòu)原始圖像小波系數(shù)，提高重構(gòu)精度.實(shí)驗(yàn)結(jié)果表明，相比于現(xiàn)有匹配追蹤算法和EZW算法，本文方法有更高的壓縮比和更好的圖像重構(gòu)質(zhì)量.

關(guān)鍵詞：小波變換；圖像處理；壓縮感知；編碼

中圖分類號(hào)：TP37 文獻(xiàn)標(biāo)志碼：A

Image Zerotree Compressed Sensing

Based on Wavelet Transform

ZHOU Siwang，LIU Longkang

（College of Information Science and Engineering，Hunan University， Changsha 410082，China）

Abstract：The basic principle of Compressed Sensing （CS） theory is that if a signal is sparse， CS promises to deliver a full recovery of this signal with high probability from far fewer measurements than the original signal. Unfortunately， image signals usually are not sparse， and thus it is difficult to obtain high compression performance for image compressed sensing.This paper proposed a simple and efficient zerotree compressed sensing method for images. In the proposed scheme， the classical zerotree coding is integrated into the process of measure to encode the precise locations of significant elements， which is used to restore the original image by the proposed pursuit reconstruction algorithm to improve the quality of the reconstructed image. The experimental results show that， compared with the existing matching pursuit algorithms and Embedded Zerotree Wavelet （EZW） coding algorithm， the proposed algorithm achieves much higher compression ratio and better image quality.

Key words：wavelet transform；image processing； compressed sensing； encoding

小波變換是圖像壓縮的重要方法[1].當(dāng)圖像信號(hào)經(jīng)由小波變換轉(zhuǎn)換到小波域后，其小波域系數(shù)隱含多分辨的樹結(jié)構(gòu)，存在相關(guān)性.在圖像的小波域系數(shù)中，如果父系數(shù)小于給定的閾值，則其子系數(shù)也很大概率小于此閾值，利用此相關(guān)性對(duì)小波系數(shù)做進(jìn)一步的編碼，可顯著增加圖像壓縮性能.嵌入式小波零樹編碼（EZW）[2]是最經(jīng)典的一種圖像編碼方法，通過設(shè)計(jì)正重要系數(shù)、負(fù)重要系數(shù)、孤立零和零樹根，將小于閾值的父子小波系數(shù)組織成樹結(jié)構(gòu)，提高了圖像壓縮比.

Donoho等[3-5]認(rèn)為，上述傳統(tǒng)變換壓縮方法魯棒性差，而且壓縮效率存在“自適應(yīng)”的特點(diǎn)并且依賴信號(hào)本身的結(jié)構(gòu)，進(jìn)而提出了一種稱為“壓縮感知”的新理論，近年來吸引了越來越多研究人員的關(guān)注.設(shè)長度為N的信號(hào)x滿足K-sparse特性，即x中僅有K（KN）個(gè)元素為非零，則可由M×N（MN）大小的測量矩陣φ將信號(hào)x投影到低維空間，得到測量值y：y=φx.通過求解最優(yōu)化問題：min ‖x‖0s. t . φx=y 即可以由φ和投影測量值y高概率地重構(gòu)出原始信號(hào)，其中‖x‖0表示信號(hào)x的0范數(shù).因?yàn)镸遠(yuǎn)小于N，信號(hào)無需編碼即被壓縮.研究表明，上述最優(yōu)化問題的求解可以轉(zhuǎn)化為線性規(guī)劃問題.Tropp等人[6]提出利用正交匹配追蹤（OMP） 算法來重構(gòu)信號(hào)，大大提高了計(jì)算的速度，且易于實(shí)現(xiàn).OMP算法的本質(zhì)是在K-sparse信號(hào)x中尋找關(guān)鍵的K個(gè)分量.其基本思想是比較測量矩陣φ的每一個(gè)列向量與測量值y的內(nèi)積，每次追蹤時(shí)確定1個(gè)關(guān)鍵分量的位置，并用最小二乘法求解此分量的值，直至找到K個(gè)關(guān)鍵的分量，從而重構(gòu)出原始信號(hào).Donoho等人[7-8]進(jìn)一步提出了分段正交匹配追蹤（StOMP）算法和壓縮采樣匹配追蹤 （CoSaMP）算法，加快了圖像重構(gòu)的速度.

信號(hào)的稀疏性是實(shí)現(xiàn)OMP等壓縮感知算法的前提.不幸的是，一般來說圖像是非稀疏的二維信號(hào)，通常的做法是將圖像轉(zhuǎn)換為某種變換域，例如小波域，然后再做壓縮感知測量[9-10].當(dāng)圖像轉(zhuǎn)換為小波域后，幅值大的小波系數(shù)主要聚集在低頻子帶，而高頻子帶的小波系數(shù)幅值大多接近于零，具有近似稀疏的特點(diǎn).圖像經(jīng)多級(jí)小波變換后，各子帶的小波系數(shù)形成層次結(jié)構(gòu)，呈現(xiàn)出父子對(duì)應(yīng)關(guān)系.每個(gè)父系數(shù)有4個(gè)子系數(shù)；每個(gè)子系數(shù)像他們的父系數(shù)一樣，又有4個(gè)子系數(shù)，依次類推.父子小波系數(shù)之間存在時(shí)空相關(guān)性，一般來說，如果父系數(shù)的幅值小，則子系數(shù)有很大概率也是小系數(shù).Donoho等人[11]提出多尺度壓縮感知 （MCS）算法，對(duì)圖像小波域的低頻子帶采用線性傳遞，而對(duì)高頻子帶則按不同的變換級(jí)分別進(jìn)行壓縮感知測量，再利用OMP等算法重構(gòu)原始圖像.MCS算法不拘泥于經(jīng)典壓縮感知理論，它根據(jù)圖像小波域子帶的特征融合壓縮感知和線性測量兩種方法，獲得了好的圖像重構(gòu)質(zhì)量.值得注意的是，Baraniuk等人[12]的研究表明，如果能利用圖像小波域系數(shù)層次結(jié)構(gòu)所展示的相關(guān)性來設(shè)計(jì)重構(gòu)算法，則能進(jìn)一步提高重構(gòu)精度.壓縮感知重構(gòu)的效率依賴于信號(hào)的稀疏性特征，然而，即使將圖像變換到小波域，也僅是近似稀疏的.對(duì)OMP等現(xiàn)有壓縮感知算法來說，若想獲得高的圖像重構(gòu)精度，只能大幅度增加測量次數(shù)，從而造成壓縮比下降.針對(duì)此問題，我們認(rèn)為僅僅對(duì)圖像進(jìn)行壓縮感知是不夠的.

據(jù)此，本文將傳統(tǒng)數(shù)據(jù)壓縮的編碼思想融入壓縮感知的測量步和重構(gòu)步，提出一種基于圖像小波變換的零樹壓縮感知方法，利用小波系數(shù)的相關(guān)性來提高圖像重構(gòu)質(zhì)量和壓縮比.

1 基于小波變換的零樹壓縮感知方法

本節(jié)首先介紹零樹的定義，然后將零樹的思想融入壓縮感知理論，提出基于圖像小波變換的零樹壓縮感知方法，包括基于小波零樹的測量算法和零樹匹配追蹤重構(gòu)算法兩部分.測量算法在測量步運(yùn)行，圖像被壓縮；重構(gòu)算法在重構(gòu)步運(yùn)行，圖像被恢復(fù).

1.1 零樹和零樹根

文獻(xiàn)[2]中定義了零樹根和零樹的概念.

定義1（零樹根） 在圖像小波域中，對(duì)于一個(gè)值為零的小波系數(shù)，如果它的父系數(shù)是重要系數(shù)，而子孫系數(shù)均為零，則稱之為零樹根.

定義2（零樹） 零樹根和它的子孫系數(shù)稱為零樹.

零樹體現(xiàn)了小波系數(shù)的相關(guān)性.已知初始閾值，若小波系數(shù)的絕對(duì)值大于該閾值，則稱之為重要系數(shù)，反之則是不重要系數(shù).在對(duì)圖像進(jìn)行多級(jí)小波變換后，小波系數(shù)呈現(xiàn)出相互關(guān)聯(lián)的統(tǒng)計(jì)特性.若父系數(shù)是不重要系數(shù)，則其子孫有很大概率也是不重要系數(shù).零樹即是利用這種特性定義的一種數(shù)據(jù)結(jié)構(gòu).文獻(xiàn)[2]基于零樹設(shè)計(jì)一種稱為EZW的編碼算法，實(shí)現(xiàn)了圖像壓縮.

本文將對(duì)零樹編碼加以改造，使之與壓縮感知理論相融合，進(jìn)而提出一種新的零樹壓縮感知方法.

1.2 基于小波零樹的測量算法

測量算法的核心是兩符號(hào)零樹編碼子算法和測量子算法.在兩符號(hào)零樹編碼子算法中，我們?cè)O(shè)計(jì)兩個(gè)符號(hào)T和P來編碼小波系數(shù)，基于零樹挖掘多級(jí)小波系數(shù)之間的相關(guān)性.同時(shí)基于此編碼子算法的結(jié)果來設(shè)計(jì)測量子算法.設(shè)掃描遍i的初值為1，圖像掃描總次數(shù)為L.測量算法總體流程如圖1所示.

測量子算法對(duì)小波系數(shù)矩陣ci進(jìn)行投影，得到測量值.設(shè)測量矩陣為φi，測量子算法敘述如圖4所示.在測量子算法的第2）步中，φi的維數(shù)由零樹編碼子算法和向量xi共同確定.其中由xi的維數(shù)來確定φi的列數(shù)，而編碼子算法中符號(hào)P的個(gè)數(shù)來確定φi的行數(shù).在本文中，測量矩陣中的數(shù)值為高斯隨機(jī)數(shù).

1.3 零樹追蹤重構(gòu)算法

重構(gòu)算法首先利用L次掃描得到的零樹編碼符號(hào)表追蹤“重要系數(shù)”的位置，然后利用測量值來還原“重要系數(shù)”的值，從而重構(gòu)小波系數(shù)矩陣.再經(jīng)過小波逆變換重構(gòu)原始圖像.零樹追蹤算法的輸入是包括L個(gè)編碼符號(hào)表和L組測量值.由圖3和圖4不難看出，這正是測量算法的輸出.

設(shè)原始圖像的大小為M×N，算法描述如圖5所示.

從圖5所示的算法描述來看，零樹追蹤重構(gòu)算法分為2個(gè)階段，第1個(gè)階段是追蹤重要系數(shù)的位置，即符號(hào)P的位置，并依據(jù)P的位置確定測量

矩陣φi用于重構(gòu)的支撐集合，即φP.第2個(gè)階段是用最小二乘法還原小波系數(shù)x′i，即使用公式x′i=（φTPiφPi）-1φTPiyi求解x′i.

性質(zhì) 零樹追蹤重構(gòu)算法具有嵌入式特征.

從圖5所述零樹追蹤算法的第（2）步（for循環(huán)步）可以看出，我們提出的重構(gòu)算法分為L小步，每一步重構(gòu)出一部分小波系數(shù)xi'.隨著重構(gòu)步數(shù)向L步逼近，矩陣C與原始圖像小波系數(shù)矩陣的距離越來越小.也就是說，對(duì)C做小波逆變換，得到重構(gòu)圖像的誤差越來越小，即具有嵌入式重構(gòu)的特征.

具有嵌入式特征的零樹追蹤算法魯棒性強(qiáng)，在此L小步循環(huán)中的任意步退出循環(huán)，算法依然能夠正常重構(gòu)，得到相應(yīng)精度的重構(gòu)圖像，循環(huán)的次數(shù)越多，圖像重構(gòu)的精度就越高.

1.4 復(fù)雜度分析與示例

本小節(jié)先從計(jì)算復(fù)雜度的角度對(duì)小波零樹壓縮感知方法做簡要分析，然后以一個(gè)8×8的數(shù)據(jù)矩陣為例，給出算法運(yùn)行的示例.

我們提出的零樹壓縮感知方法包括測量算法和重構(gòu)算法.測量算法的核心是兩符號(hào)零樹編碼子算法和測量子算法.編碼子算法需要對(duì)圖像的小波變換系數(shù)進(jìn)行遍歷，設(shè)圖像的大小為n（n=M×N），則第i次掃描時(shí)編碼子算法的計(jì)算復(fù)雜度為O（n）；設(shè)第i次掃描時(shí)得到符號(hào)P的個(gè)數(shù)為pi，L遍掃描得到的大系數(shù)總數(shù)為p，即p=∑Li=1pi.這樣，測量子算法的計(jì)算復(fù)雜度為O（pin），則總的測量復(fù)雜度為O（Ln）+O（pn）.因?yàn)長為預(yù)先設(shè)定的常數(shù)，所以，測量算法的復(fù)雜度可以控制在O（pn）以內(nèi).重構(gòu)算法包括還原大系數(shù)位置和計(jì)算大系數(shù)的值.其中，還原大系數(shù)位置所需復(fù)雜度為O（Ln）；每遍掃描計(jì)算大系數(shù)值需要O（p2in）次操作，共需計(jì)算L遍，復(fù)雜度為O（Ln+∑Li=1p2in）.因此，重構(gòu)算法的總重構(gòu)復(fù)雜度為O（p2n）.考慮到所有壓縮感知算法均需測量矩陣，因而在上述分析中，我們沒有考慮生成測量矩陣φ的復(fù)雜度.

接下來，針對(duì)一幅8×8的圖像經(jīng)過3級(jí)分解后得到的小波系數(shù)矩陣（如圖6所示），以一次Z型掃描為例（即L=1），給出一個(gè)算法實(shí)現(xiàn)的示例.

然后運(yùn)行重構(gòu)算法.重構(gòu)算法的輸入是測量算法的輸出，也就是說，輸入是Clist1和y1.先由Clist1恢復(fù)出大系數(shù)的位置，得到矩陣C1，如圖8所示.

依據(jù)C1中符號(hào)P的位置和矩陣φ1確定矩陣φp1，再由公式x′1=（φTP1φP1）-1φTP1y1計(jì)算出重構(gòu)向量x′1，并按Z型掃描順序回寫入矩陣C.從圖9可以看出，矩陣C和圖7所示結(jié)果一致，表明完全重構(gòu)了第1次掃描結(jié)果.隨著掃描級(jí)數(shù)的增加，矩陣C中的空白元素逐漸被填滿，最終還原出如圖8所示的小波系數(shù)矩陣.

1.5 討 論

在OMP，StoMP和CosaMP等經(jīng)典壓縮感知重構(gòu)算法中，追蹤重要系數(shù)的位置帶來了很大的計(jì)算復(fù)雜度，而且因此引起的位置誤差造成重構(gòu)精度嚴(yán)重下降.本文的基本思路是利用編碼思想來精確追蹤重要系數(shù)的位置，然后再基于最小二乘重構(gòu)重要系數(shù)的值，從而提高重構(gòu)精度.

在測量算法中，編碼的目的是追蹤重要系數(shù)的位置，而無需如EZW算法一樣編碼重要系數(shù)的值，因此我們只簡潔地設(shè)計(jì)了兩個(gè)符號(hào)P和T，既能充分利用小波系數(shù)相關(guān)性，又能提高壓縮比.然而在該子算法中，除零樹根和相應(yīng)的零樹元素外的其他系數(shù)均被編碼成P.這造成我們將孤立的零系數(shù)也看成了重要系數(shù)，帶來了額外的計(jì)算開銷.但因?yàn)樾〔ㄏ嚓P(guān)性的緣故，這樣的思路不會(huì)影響到算法的效率，我們將在實(shí)驗(yàn)部分加以驗(yàn)證.

多遍掃描提高了稀疏度，也使得我們的方法具有魯棒性.圖像的小波域系數(shù)不是嚴(yán)格的稀疏信號(hào)，通過多遍掃描，不僅提高了每一次參與壓縮感知的子信號(hào)稀疏度，而且，多遍掃描具有嵌入式特點(diǎn)，即便是算法意外終止，也會(huì)獲得相應(yīng)精度的重構(gòu)圖像，具有魯棒性.

2 實(shí)驗(yàn)與分析

本節(jié)測試小波圖像零樹壓縮感知方法的性能，并與OMP，StOMP和CoSaMP等壓縮感知算法以及EZW等編碼壓縮算法進(jìn)行對(duì)比.實(shí)驗(yàn)的硬件環(huán)境是配置Intel（R） Xeon（r） E4028 四核 2.0 GHz CPU和4 G內(nèi)存的PC機(jī)，軟件環(huán)境是Windows7和Matlab 7.0.選取128×128大小的Lena，Shepp-Logan Phantom和Mondrian圖像進(jìn)行測試.這3個(gè)圖像具有很好的代表性，標(biāo)準(zhǔn)測試圖像Lena是平滑的自然圖像，Mondrian屬于簡單圖像，而Shepp-Logan Phantom則是介于兩者之間的醫(yī)學(xué)圖像.在實(shí)驗(yàn)中，對(duì)上述3種圖像信號(hào)采用Daubechies 9/7進(jìn)行3層小波分解.

本實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)是運(yùn)行時(shí)間t，壓縮比CR和峰值信噪比PSNR.運(yùn)行時(shí)間t用于評(píng)估算法的計(jì)算復(fù)雜度.圖像壓縮比CR用于評(píng)價(jià)測量與編碼算法的壓縮效率，定義為原始圖像的數(shù)據(jù)量Data_image與傳輸數(shù)據(jù)量Data_trans的比值.傳輸數(shù)據(jù)量即測量算法輸出到重構(gòu)算法的數(shù)據(jù)量.CR用公式表示如下：

CR=Data_imageData_trans （3）

PSNR則用于評(píng)價(jià)重構(gòu)算法恢復(fù)圖像的精度.對(duì)于大小為M×N的圖像，PSNR定義為：

PSNR=10log 25521M×N∑M-1m=0∑N-1n=0（Xmn-mn）2 （4）

式中：mn為重構(gòu)圖像第m行n列的灰度值；Xmn為原始圖像第m行n列的灰度值；M×N為圖像像素個(gè)數(shù).

圖10給出了在傳輸數(shù)據(jù)量相同的情況下，Lena，Shepp-Logan Phantom和Mondrian等 3類圖像信號(hào)在不同方法下重構(gòu)的視覺效果.其中Lena圖像，Shepp-Logan Phantom圖像和Mondrian圖像的數(shù)據(jù)傳輸量分別為9 060字節(jié)，6 460字節(jié)和5 020字節(jié)，相應(yīng)的壓縮比分別為1.8，2.5和3.3.從視覺效果看，本文提出的小波圖像零樹壓縮感知方法遠(yuǎn)優(yōu)于OMP算法，同時(shí)也好于EZW算法.然而，和原始圖像相比，Lena圖像的視覺效果還不能滿足人們對(duì)圖像質(zhì)量的需求.壓縮感知理論將采樣和壓縮結(jié)合起來，提高了壓縮成像的速度，但要將其應(yīng)用于自然圖像壓縮，還需更加深入的研究.

在相同的傳輸數(shù)據(jù)量下，圖11和圖12分別比較了各算法的圖像重構(gòu)質(zhì)量和運(yùn)行時(shí)間.在本實(shí)驗(yàn)中，我們用運(yùn)行時(shí)間來評(píng)估算法的計(jì)算復(fù)雜度.從圖11可以看出，在重構(gòu)質(zhì)量方面，小波零樹壓縮感知方法優(yōu)于OMP，StOMP，CoSaMP以及EZW算法，究其原因，是因?yàn)槲覀兲岢龅闹貥?gòu)算法通過解碼可以精確恢復(fù)出大系數(shù)的位置，而且，只要采樣次數(shù)等于符號(hào)P的個(gè)數(shù)，就能完全重構(gòu)出大系數(shù)的值.從圖12可以看出，我們提出的重構(gòu)算法運(yùn)行時(shí)間少于OMP算法；對(duì)于Shepp-Logan Phantom圖像，本文方法的運(yùn)行時(shí)間與StOMP，CoSaMP以及EZW算法相當(dāng)，而對(duì)于Mondrian和Lena圖像，則要花費(fèi)更長的運(yùn)行時(shí)間.這是因?yàn)橄啾扔贠MP算法，本文方法無需逐個(gè)追蹤重要系數(shù)，因而降低了復(fù)雜度，節(jié)省了運(yùn)行時(shí)間.然而，本文方法需要解碼和重構(gòu)兩個(gè)過程，相應(yīng)地帶來了額外的時(shí)間開銷.

圖13比較了各種方法的壓縮效率.可以看出，我們提出的小波零樹壓縮感知方法比其他方法有更高的壓縮比.和EZW算法相比，本文方法采用簡潔的兩字符零樹編碼，這樣，后續(xù)的算術(shù)熵編碼有更高的效率，因而有更高的壓縮比.和OMP，StOMP和CoSaMP等算法相比，本文方法編碼了大系數(shù)的位置，因而測量次數(shù)顯著減少.特別是在低重構(gòu)精度的前提下，本文方法的壓縮比遠(yuǎn)大于其他算法.

圖14給出了在圖像重構(gòu)質(zhì)量相同的情況下，各壓縮感知測量算法消耗緩存的對(duì)比結(jié)果.可以看出，相對(duì)于OMP，StOMP和CoSaMP等壓縮感知匹配追蹤算法，本文方法有最少的緩存數(shù)據(jù)量.這是因?yàn)樵谖覀兲岢龅臏y量算法中，零樹編碼子算法精確編碼了重要系數(shù)的位置，因此重構(gòu)算法可以據(jù)此重構(gòu)重要系數(shù)的值.這樣，測量矩陣φi的行數(shù)就會(huì)大大減少，因此比其他算法節(jié)省了更多的緩存.

3 結(jié) 論

圖像的小波域系數(shù)不是嚴(yán)格稀疏的，因此匹配追蹤等壓縮感知重構(gòu)算法很難正確追蹤重要系數(shù)的位置，從而降低了圖像壓縮感知的效率.鑒于此，本文將編碼思想融入壓縮感知的測量步與重構(gòu)步，提出了一種基于圖像小波變換的零樹壓縮感知方法，包括兩符號(hào)零樹編碼子算法、測量子算法和零樹追蹤重構(gòu)算法等.針對(duì)Lena，Shepp-Logan Phantom和Mondrian等3類測試圖像的實(shí)驗(yàn)結(jié)果表明，在重構(gòu)時(shí)間方面，本文方法的運(yùn)行時(shí)間優(yōu)于OMP算法；在壓縮效率方面，本文方法的壓縮比遠(yuǎn)高于OMP，StOMP和CoSaMP等匹配追蹤算法以及EZW編碼壓縮算法；在重構(gòu)質(zhì)量方面，本文方法也有最好的圖像恢復(fù)精度；同時(shí)，本文方法也比OMP，StOMP，CoSaMP等算法消耗更少的緩存.

本文提出的零樹壓縮感知方法具有嵌入式特征，如何利用它來提高順序壓縮感知算法[13]的效率是我們將要進(jìn)行的下一步工作.

參考文獻(xiàn)

[1] DAUBECHIES I. Ten lectures on wavelets [M]. Philadelphia： SLAM，1992： 105-108.

[2] SHAPIRO J M.Embedded image coding using zero trees of wavelet coefficients[J]. IEEE Transaction on Signal Processing， 1993， 41（12）： 3446-3462.

[3] DONOHO D. Compressing sensing [J]. IEEE Transactions on Information Theory， 2006， 52（4）： 1289-1306.

[4] 羅琦，魏倩，繆昕杰.基于壓縮感知思想的圖像分塊壓縮與重構(gòu)方法[J].中國科學(xué)：信息科學(xué)， 2014， 44（8）： 1036-1047.

LUO Qi，WEI Qian，MIAO Xinjie. Blocked image compression and reconstruction algorithm based on compressed sensing[J]. Science China： Information Science， 2014， 44（8）： 1036-1047.（In Chinese）

[5] 吳光文，張愛軍，王昌明.一種用于壓縮感知理論的投影矩陣優(yōu)化算法[J].電子與信息學(xué)報(bào)，2015，37（7）：1681-1687.

WU Guangwen，ZHANG Aijun，WANG Changming.Novel optimization method for projection matrix in compress sensing theory[J].Journal of Electronics & Information Technology，2015，37（7）：1681-1687.（In Chinese）

[6] TROPP J，GILBERT A.Signal recovery from random measurements via orthogonal matching pursuit[J]. IEEE Transaction on Information Theory， 2007， 53（12）： 4655-4666.

[7] DONOHO D L，TSAIG Y，DRORI I，et al.Sparse solution of underdetermined systems of linear equations by stagewise orthogonal matching pursuit[J]. IEEE Transaction on Information Theory， 2012， 58（2）： 1094-1121.

[8] NEEDELL D，VERSHYNIN R.Signal recovery from incomplete and inaccurate measurements via regularized orthogonal matching pursuit[J]. IEEE Journal of Selected Topics in Signal Processing， 2010， 4（2）： 310-316.

[9] 周四望，羅夢(mèng)儒.順序小波包圖像壓縮感知方法[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，42（4）：130-135.

ZHOU Siwang，LUO Mengru.Sequential image compressed sensing based on wavelet packet[J].Journal of Hunan University： Natural Sciences， 2015， 42（4）： 130-135.（In Chinese）

[10]HOU Y，ZHANG Y. Effective image block compressed sensing with quantized measurement[C]//IEEE Data Compression Conference.Snowbird： IEEE Computer Society，2014： 407-411.

[11]DONOHO D L，TSAIG Y.Extensions of compressed sensing[J].Signal Processing， 2006， 86（3）： 533-548.

[12]BARANIUK R，CEVHER V，DUARTEM ，et al.Model-based compressive sensing[J].IEEE Transactions on Information Theory， 2010， 56（4）： 1982-2001.

[13]WEI D，HERO A O.Multistage adaptive estimation of sparse signals[J]. IEEE Journal of Selected Topics in Signal Processing， 2013， 7（5）：783-796.