图像的压缩感知的MATLAB实现（第3种方案）

前面介绍了两种不同的压缩感知实现：
图像压缩感知的MATLAB实现（OMP）
压缩感知的图像仿真（MATLAB源代码）

上述两种方法还存在着“速度慢、精度低”等不足。
本篇介绍一种新的方法。

压缩感知（Compressed Sensing）是一种信号处理技术，旨在通过取样和重构过程中的稀疏性或低维性的先验知识，从少量的测量数据中恢复原始信号。与传统的信号采样方式相比，压缩感知可以以更低的采样率获取信号，并在一定程度上保持较高的重构质量。

以下是压缩感知的一些重要知识点：

1. 稀疏性：压缩感知假设信号在某个表示域下是稀疏的，即信号能够用较少的非零系数表示。这意味着信号的大部分能量集中在少数几个基函数上，而其他系数很接近于零。

2. 测量矩阵：压缩感知使用一个测量矩阵来计算信号的投影测量。测量矩阵可以是随机矩阵或基于不同的测量方法生成的。测量矩阵的选择对于压缩感知的性能具有重要影响。

3. 重构算法：压缩感知利用稀疏表示的先验知识，通过最小化正则化函数来恢复原始信号。常用的重构算法包括基于L1范数的贪婪迭代算法（如OMP、CoSaMP）、基于迭代阈值的算法（如IST、FISTA）和基于凸优化的算法（如基于内点法的L1优化）。</