OPTIMASI PENGINDERAAN KOMPRESIF

Penginderaan kompresif merupakan teknik baru dalam akuisisi sinyal di mana proses akuisisi dan pemampatan sinyal dilakukan secara bersamaan. Penginderaan kompresif mensyaratkan sinyal sparse atau termampatkan di dalam suatu basis yang tepat dan nilai koherensi yang kecil antara matriks pengukuran dan basis tersebut. Matriks pengukuran yang banyak digunakan pada penginderaan kompresif adalah matriks acak Gaussian yang memiliki koherensi cukup kecil dengan basis yang sering digunakan seperti Fourier dan wavelet. Namun demikian nilai koherensi tersebut dapat diperkecil lagi dengan mengoptimasi matriks pengukuran. Pada tulisan ini, untuk kasus sinyal satu dimensi, matriks acak Gaussian dan matriks acak parsial-Fourier dioptimasi menggunakan metode gradient-descent, di mana kedua matriks hasil optimasi tersebut akan dibandingkan kinerjanya berdasarkan sinyal rekonstruksi yang dihasilkan. Hasil simulasi menunjukkan bahwa optimasi kedua matriks pengukuran tersebut akan meningkatkan kualitas sinyal rekonstruksi dan keduanya memberikan hasil rekonstruksi yang hampir sama, sehingga matriks acak parsial-Fourier dapat digunakan sebagai alternatif matriks pengukuran pada penginderaan kompresif. Untuk kasus sinyal dua dimensi (citra) optimasi matriks pengukuran juga dilakukan dengan mengurangi nilai mutual coherence dari dictionary ekivalen, yaitu hasil perkalian antara matriks pengukuran dan basis yang digunakan. Matriks yang teroptimasi tersebut kemudian digunakan untuk proyeksi citra-warna yang menghasilkan pengukuran kompresif. Hasil simulasi percobaan menunjukan bahwa optimasi matriks pengukuran dapat meningkatkan kualitas rekonstruksi citra dengan kenaikan nilai PSNR (Peak Signal to Noise Ratio) mencapai 175 % dibandingkan tanpa melakukan optimasi