基于压缩感知的期望最大化贝努利非对称高斯近似信息传递算法

？期望最大化贝努利高斯(bg)近似信息传递(em-bg-amp)算法中的bg模型因为具有对称性,在逼近实际信号先验分布时会受到限制;而期望最大化高斯混合近似信息传递(em-gm-amp)算法中的gm模型是bg模型的高阶形式,复杂度较高。为了解决以上问题,提出贝努利不对称高斯模型(bag),进而推导得到期望最大化贝努利不对称高斯近似信息传递(em-bag-amp)算法。该算法的主要思路是假设输入信号服从bag模型,然后使用广义近似信息传递(gamp)重构信号并在算法迭代中同时更新模型参数。实验证明,在处理不同图像数据时,em-bag-amp和em-bg-amp相比,时间增加了1.2%,峰值信噪比(psnr)值提升了0.1~0.5db,尤其在处理纹理较少以及色差变化明显的图像时峰值信噪比(psnr)值提升了0.4~0.5db。em-bag-amp是对em-bg-amp算法的扩展和延伸,更适合实际信号的处理。