基于双迭代聚能量字典学习的数据压缩算法

针对基于稀疏表示（Sparse representation，SR）的数据压缩压缩率低、重构精度低等问题，本文提出一种基于双迭代的聚能量字典学习算法，把高维信号映射到低维特征空间，当低维特征空间保留高维原始信号越多的特征时，高维信号从低维特征空间中恢复出来的精度越高。为了使低维字典保留高维字典更多的主成分，本文提出了一个新的变换，被命名为?变换，能提升高维字典的能量集中性。除此之外，针对高维字典与低维字典的耦合关系，建立了双循环迭代训练，增加字典的能量集中性与字典的表达能力。实验表明，相比于传统算法，本文提出算法字典学习收敛速度提升了3倍以上。此外，该方法可以得到较高的压缩比和更高质量的重构信号。