海量数据处理是现代信号处理的挑战之一,已成为当下的研究热点。本文基于压缩感知理论和光场成像,较详细的总结归纳了目前在该领域的研究成果,并分析存在的难点与问题,改进了基于K-SVD字典的压缩光场重构与强噪声图像去噪。本文主要工作成果如下:1.研究了压缩感知理论的基本数学框架,即稀疏表示、测量矩阵和重构算法,并利用数值仿真详细分析了稀疏表示和重构算法的数学模型,归纳了各类模型的适用条件。2.改进了K-SVD字典去噪算法,给出了基于K-SVD字典的梯度重权非局部平均算法。考虑到强噪声图像的情况下,利用改进算法对强噪声图像去噪。改进算法基于K-SVD字典学习的数学模型,对原信号叠加了结构约束,利用全变分算法求得图像的结构梯度,对边缘信息赋予更高权重,结合了图像结构的稀疏先验性和相似性,以求解优化的逆问题。利用数值仿真,对比了改进算法和传统的K-SVD字典去噪性能,当噪声标准差高达50时,输入噪声信噪比为7.954dB,改进算法去噪效果最好,且峰值信噪比优于传统去噪算法0.2dB、结构相似度改善了0.02;当噪声标准差达到100时,输入噪声信噪比为1.961dB,改进算法仍优于传统算法,验证了改进算法在输入噪声信噪比为7.954dB到1.961dB范围内去噪效果优势最明显。同时,对比了不同类图像的实验结果,验证了改进算法能更好保留原图像的轮廓细节,更适用于处理涵盖少量纹理信息而大量轮廓信息的图像。3.改进了套索回归重构算法,推导、分析了优化阈值估计,利用优化阈值的套索回归算法来重构光场。研究了光场成像的数学框架:光场信息的函数化、编码光场的采集、压缩光场重构。重点研究压缩光场重构,利用K-SVD字典获得光场原子,并采用改进的优化阈值的套索回归算法,实现了光场的重构。分析讨论了改进算法与传统的求解l1范数问题的算法的差异,对5′5的原光场信息重构,在灰度图像处理和彩色图像处理的不同结果中,证明了改进算法更适用于高维信号,与传统的求解l₁范数算法比较,具备较高重构精度和较快收敛速度,然而,改进算法却缩小了重构图像的景深。