查看完整版本: 挑战采样定律：重建良好的数据并不一定需要2f[1p]

挑战采样定律：重建良好的数据并不一定需要2f[1p]

《连线》报道了叫 “压缩传感（Compressed sensing）”的数学和应用算法研究热门领域，这项研究利用数学中的稀疏概念，从 噪声中重建图像或其它数据集。 压缩传感的发现是一次意外，当时是加州理工学院教授（现在去了斯坦福）的Emmanuel Candès在研究名叫Shepp-Logan Phantom的图像，这种标准图像常被计算机科学家和工程师测试图像算法。

Candès检查的图像质量非常差，充满了噪声，他认为名叫L1- minimization的数学算法能去除掉噪声条纹，结果他按一个键后算法真的起作用了。但在图像变干净的同时，他发现图像的细节出人意料的完美起来。 他随后向当时在UCLA的同事陶哲轩展示了这一奇迹。第二天晚上，陶哲轩就完成了一组札记，它们成为两人合作的压缩传感领域第一篇论文的基础。Emmanuel Candès认为压缩传感（简写CS）技术具有广阔的应用前景，比如MRI，数码相机。数码相机镜头收集了大量的数据，然后再压缩，压缩时丢弃掉90%的 数据。如果有CS，如果你的照相机收集了如此多的数据只是为了随后的删除，那么为什么不一开始就丢弃那90%的数据，直接去除冗余信息不仅可以节省电池电量，还能节省空间。







[img]http://www.51tobe.com/jiazhuang/UploadFiles_9013/200810/2008100513402824.jpg[/img]


解码后的图片由于被封锁的缘故，所以我特提供2个地址，一个国内，一个国外，
[url]http://www.postimage.org/image.php?v=PqgekL0[/url]


[url]http://image.baidu.com/i?ct=503316480&z=0&tn=baiduimagedetail&word=%CE%DE%C2%EB&in=21847&cl=2&cm=1&sc=0&lm=-1&pn=54&rn=1&di=2718670050&ln=1286&fr=&ic=0&s=0[/url]

[[i] 本帖最后由 aisexinsexnet 于 2010-3-7 23:32 编辑 [/i]]

以前学习了奈奎斯特-香农采样定理曾一度让俺感到很悲观，觉得AV去码在理论上是根本不可能的。
但现在凭借俺敏感的科学头脑俺感觉离这一天已经不远了

无损和有损的区别在于，香农定理用于信号无损传播。而图像和声音只要欺骗人就可以了，就像Jpeg和Mp3原理一样