基于聚类与稀疏字典学习的近似消息传递

基于传统字典学习的近似消息传递(approximate message passing, AMP)算法对训练样本数量的需求较高，且运算成本较高。本文引入双稀疏模型，构建基于稀疏字典学习的AMP框架，降低迭代过程中字典学习对训练样本数量的需求，提高压缩感知图像重建的质量与效率。进一步，提出基于聚类与稀疏字典学习的AMP算法，在迭代过程中依据图像块特征进行分类，并为各类图像块分别学习稀疏字典，实现自适应去噪。与基于传统字典学习的AMP算法相比，基于聚类与稀疏字典学习的AMP算法能够将重建图像的峰值信噪比提高0.20～1.75 dB,并且能够将运算效率平均提高89%。