压缩感知是从稀疏表示理论中发展而来,是对高维稀疏信号降维后进行精确重建的理论。由于压缩感知技术突破了长期以来信号采集速率与带宽的瓶颈,能够同时实现信号的采集与压缩,有效降低硬件资源与采集时间的浪费,因而广泛应用于各领域数据采集系统。又由于其信号稀疏步骤能够很好的表示图像特征,压缩感知理论框架在矩阵填充、信号分离、超分辨率重建、遥感图像融合等应用中具有明显优势。数据采集是压缩感知中最重要的环节之一,对“资源浪费”和信号重建精度起着决定性作用。图像信号在正交基的投影系数系数具有明显的“聚集”现象,然而传统测量过程并未结合这一特征,采用的是固定测量矩阵,因而重建效果并不尽如人意。本文分析了固定测量矩阵带来的不足,在有先验信息的前提下,结合图像空间域与稀疏域系数特征,提出了两种采样次数分配策略。1.提出了一种改进的DCT扇形划分的压缩感知方法。为了进一步提高图像重建质量,降低重建时间,使用扇形划分的形式保留低频带系数,利用不同采样率分别对中/高频带系数进行测量。然后利用正交匹配追踪算法(OMP)对中/高频系数进行恢复,进行DCT反变换重构图像。实验证明,在压缩率较低时,与单层小波等方法相比,该算法的重建效果得到较明显提高。2.在分块压缩感知采样过程中,提出一种基于纹理特征的图像分块自适应采样压缩感知算法。首先使用空间频率提取图像块纹理信息;其次根据纹理信息将图像块分为平滑块或纹理块,并确定各块的基础采样率;再使用基础采样率对平滑块采样,在基础采样率的基础上结合小波域系数统计特征调整纹理块子带系数采样率;最后使用平滑投影Landweber重建图像。实验结果证明,与已有的图像分块压缩感知算法相比,当压缩率适中时,无论是视觉效果还是客观指标方面,该算法均能明显提高图像信号重建质量。