实际图像的尺寸都很大,在庞大的图像信息获取和传输过程中硬件系统面临极大的压力。传统图像压缩方法以奈奎斯特原理为准则,只有满足采样速率不低于图像信号带宽的两倍的条件,才能在重构端准确地重构出原始图像。虽然传统的图像压缩方法可以获得很高的压缩比,但是这种先采样再压缩的信号采样模式造成了大量的资源浪费,且过高的采样速率还对采样设备造成巨大的压力。压缩感知理论打破了奈奎斯特理论的局限性,能以较低的速率对图像信号进行采样同时完成压缩过程,为图像压缩方法带来了新思路。因此,根据实际需求对图像压缩感知进行深入研究具有重要的意义。本文结合实际需求,对结构化观测矩阵和贪婪类重构算法作了针对性的研究,做了如下工作:1.实际图像压缩中,不仅要求观测矩阵具有较低的复杂度,还要具有较高的感知性能。本文首先以常用的正交矩阵为基础构造了具有块循环结构的正交块循环矩阵,再结合结构化随机矩阵的组成形式,构造了结构化随机正交块循环矩阵。该矩阵具有较低的复杂度并且能高概率满足观测矩阵的约束条件,实现对大尺寸图像的快速采样。仿真实验结果表明,通过该矩阵获得重构图像的质量较高,验证了该矩阵具有较高的感知性能。本文提出的结构化随机正交块循环矩阵对于图像压缩感知的发展具有一定的推动作用。2.贪婪类算法运行速度快、复杂度较低,因此更加适合用于图像重构,但是重构准确度还不能满足实际需求。本文结合广义正交匹配追踪算法,使用性能更加优异的Dice系数选择最匹配的原子,并且使用正则化方法对原子进行二次选择,剔除部分错误原子,设计了基于Dice系数的正则化广义正交匹配追踪算法。该算法能够保证每次运算用于信号估计的原子更加准确,因此迭代次数变少和重构精度增加。仿真实验表明,该算法相对于广义正交匹配追踪算法具有较高的重构性能。