压缩感知之迭代硬阈值法IHT可直接运行

%%二维迭代硬阈值法（IHT）
% function Demo_CS_IHT（）
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% the DCT basis is selected as the sparse representation dictionary
% instead of seting the whole image as a vector I process the image in the
% fashion of column-by-column so as to reduce the complexity.
 
% Author: Chengfu Huo roy@mail.ustc.edu.cn http://home.ustc.edu.cn/~roy
% Reference: T. Blumensath and M. Davies “Iterative Hard Thresholding for
% Compressed Sensing” 2008.
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
%------------ 读入图像 --------------
load C:\Users\zkdn\Desktop\MATLABdata\I1\I1.mat
X=I1;
background=imopen（Xstrel（‘disk‘15））;%获取背景信息
X=imsubtract（Xbackground）;%利用函数去除背景

X=double（X）;
[heightwidth]=size（X）;
 
 
%------------ 形成测量矩阵和基本矩阵---------------
Phi=randn（floor（height/2）width）;  % only keep one third of the original data 
Phi = Phi./repmat（sqrt（sum（Phi.^21））[floor（height/2）1]）; % normalize each column
 
mat_dct_1d=zeros（512512）;  % building the DCT basis （corresponding to each column）
for k=0:1:511
    dct_1d=cos（[0:1:511]‘*k*pi/512）;
    if k>0
        dct_1d=dct_1d-mean（dct_1d）;
    end;
    mat_dct_1d（:k+1）=dct_1d/norm（dct_1d）;
end
 
 
%--------- 投影 ---------
X_cs_1d=Phi*X;          % treat each column as a independent signal
 
 
%-------- 恢复使用iht ------------
sparse_rec_1d=zeros（heightwidth）;           
Theta_1d=Phi*mat_dct_1d;
s_ratio = 0.2;
for i=1:width
    column_rec=cs_iht（X_cs_1