就目前而言，这个问题不适合我们的问答形式。我们希望答案得到事实、引用或专业知识的支持，但这个问题可能会引起辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开，visit the help center为指导。
8年前关闭。
Compressed sensing非常适合捕获数据成本高昂(无论是能源还是时间)的情况。它的工作原理是采用较少数量的样本并使用线性或凸编程来重建远离传感器的原始引用信号。
然而，在图像压缩等情况下，鉴于数据已经在计算机上——压缩感知能提供什么吗？例如，它会提供更好的数据压缩吗？它会导致更好的图像搜索吗？...
最佳答案
关于你的问题
“......鉴于数据已经在计算机上——压缩感知能提供什么吗？例如，它会提供更好的数据压缩吗？它会导致更好的图像搜索吗？......”
一般来说，您的问题的答案是否定的，至少最初不会提供更好的数据压缩!对于像 jpeg 这样的非线性方案在 4 到 5 的常数上比压缩感知更好的图像就是这种情况，并且来自不同论文的不同理论结果中发现的 klog(N/K) 常数。
我说最初是因为现在压缩感知主要集中在稀疏性的概念上，但现在有新的工作出现，试图使用额外的信息，例如小波分解成团的事实，可以改善压缩。这项工作和其他工作可能会提供额外的改进，可能会接近非线性变换，例如 jpeg。
您必须记住的另一件事是 jpeg 是整个行业集中努力和多年研究的结果。因此，确实很难做得比这更好，但压缩感知确实提供了一些压缩其他数据集的方法，而无需多年的经验和人力。
最后，在压缩感知中发现的压缩中有一些非常令人敬畏的东西。它是通用的，这意味着现在您可以将图像“解码”到一定程度的细节，然后在十年后，使用相同的数据，您实际上可能“解码”更好的图像/数据集(需要注意的是信息首先就在那里)，因为您的求解器会更好。你不能用 jpeg 或 jpeg2000 来做到这一点，因为被压缩的数据本质上与解码方案有关。
(披露:我写了一篇关于压缩感知的小博客)
关于compression - 压缩感知是否为数据压缩带来了新的东西？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/2329465/