课程导入：压缩感知光学的基本概念、发展背景、核心优势、学习目标与课程整体框架

压缩感知光学（Compressive Sensing Optics）是近年来光学成像与信号处理交叉领域中最具变革性的方向之一。它打破了传统成像系统“先采样、后压缩”的固有范式，将数据采集与压缩编码融合在物理光学过程中，使得以远低于奈奎斯特采样率的测量数量重建高质量图像成为可能。本课程面向具备基础光学与信号处理知识、希望在工程实践中落地压缩感知技术的工程师与研究人员，系统讲解从数学原理到硬件实现、从算法设计到系统标定的完整知识链路。本章作为课程导入，将厘清压缩感知光学的核心概念、发展脉络、工程优势，并给出课程的整体学习框架与目标。

1.1 压缩感知光学的基本概念

压缩感知（Compressed Sensing, CS）理论由Donoho、Candès、Tao等人在2006年前后奠基，其核心思想是：如果信号在某个变换域（如小波域、DCT域、梯度域）具有稀疏性或可压缩性，那么可以通过远少于奈奎斯特采样定理要求的测量数量，以高概率精确重建原始信号。将这一数学理论应用于光学成像系统，便形成了压缩感知光学——它不再遵循“高分辨率采样→数据压缩→传输/存储”的传统路径，而是直接在光学前端完成信息的压缩编码，用低维测量值承载高维场景的关键信息。

在传统成像系统中，传感器阵列的像素数量决定了图像分辨率，采样率必须满足奈奎斯特条件（即采样频率≥信号最高频率的两倍）。然而，对于自然图像而言，其信息在特定变换域中往往高度集中——例如，一张512×512像素的图像在小波变换后，仅有少量大系数承载了绝大部分能量。压缩感知光学正是利用这一先验特性，通过精心设计的测量矩阵（在光学上表现为编码孔径、随机调制、散射介质等物理结构），将高维场景投影到低维测量空间，再通过求解稀疏优化问题从测量值中恢复原始图像。

1.2 发展背景与演进脉络

压缩感知光学的发展并非一蹴而就，其背后有多条技术线索的汇聚。从数学理论看，压缩感知的严格数学框架（包括受限等距性质RIP、相干性条件、稀疏恢复算法收敛性证明）为工程实现提供了理论保障。从硬件基础看，数字微镜器件（DMD）的成熟使得高速空间光调制成为可能，单像素相机的出现（2008年，Rice大学）是压缩感知光学的标志性里程碑——它用一个没有空间分辨能力的单点探测器配合DMD编码图案，实现了对二维场景的成像。

此后十余年，压缩感知光学沿着多个方向快速演进：一是成像维度扩展，从二维灰度成像扩展到高光谱成像、三维深度成像、偏振成像、视频成像等；二是编码方式多样化，从DMD反射式编码扩展到LCoS透射式调制、散射介质编码、超表面编码等；三是重建算法迭代，从早期的凸优化（如TV最小化）发展到深度展开网络、生成式先验、即插即用ADMM等；四是系统集成度提升，从实验室光学平台走向芯片级、模块化、实时化系统。

当前，压缩感知光学正与计算成像、端到端光学设计、机器学习深度融合。例如，将光学编码图案与重建网络联合优化（端到端学习），可以显著提升系统在特定任务（如分类、检测）上的性能；将散射介质与深度学习结合，可以实现透过散射介质的成像。这些进展使得压缩感知光学从理论验证走向了实际工程部署。

1.3 核心优势与工程价值

压缩感知光学之所以受到工业界与学术界的高度关注，是因为它在多个维度上提供了传统成像无法比拟的优势。首先，探测器阵列的简化是最直接的好处——单像素相机用低成本、高灵敏度的单元探测器替代昂贵的面阵传感器，尤其在短波红外、太赫兹等面阵探测器价格高昂的波段，这一优势尤为突出。其次，数据量的显著降低使得传输带宽、存储空间和功耗大幅下降，这对于星载遥感、无线传输、嵌入式视觉等场景至关重要。

第三，成像能力的扩展是压缩感知光学的深层价值——它可以在不增加探测器像素的前提下，通过编码复用获取更多维度的信息（光谱、相位、深度等）。例如，编码孔径快照光谱成像仪（CASSI）能够在一帧测量中捕获三维光谱数据立方体，而传统方式需要逐波长扫描。第四，抗散射与鲁棒性——由于测量过程本身就是一种随机投影，压缩感知光学对局部探测器失效、噪声干扰等具有一定的天然鲁棒性。

然而，压缩感知光学也面临显著的工程挑战：重建算法的计算复杂度较高，实时性难以保证；测量矩阵的物理实现精度受限于器件特性（如DMD的翻转速度、衍射效应）；系统标定误差会直接影响重建质量；压缩比与重建质量之间存在权衡，需要根据应用场景精心设计。这些挑战正是本课程后续章节要逐一攻克的核心问题。

1.4 学习目标与课程整体框架

本课程的目标是培养学员“看得懂原理、算得出指标、搭得起系统、调得通算法”的实战能力。具体而言，完成本课程后，学员应能够：

• 理解核心数学理论：掌握稀疏表示、测量矩阵设计、RIP条件、常见重建算法的原理与适用条件，能够为给定场景选择合适的算法框架。
• 掌握光学实现方法：熟悉DMD、LCoS、散射介质、编码孔径等物理编码器件的特性、驱动方式与局限性，能够根据系统指标选择编码方案。
• 具备系统建模能力：能够建立从场景到测量值的正向模型，包括光学传递函数、探测器响应、噪声模型，并据此进行系统仿真。
• 熟练算法调优：掌握TV、ADMM、ISTA、深度展开等算法的实现与调参技巧，能够针对具体问题优化重建质量与速度。
• 完成工程集成：能够完成压缩感知光学系统的标定、同步、数据采集、实时重建与性能评估，并具备排障能力。

课程共30章，分为四大模块。第一模块（第2-5章）为数学基础，涵盖稀疏表示理论、测量矩阵设计、凸优化与贪婪算法、深度重建网络；第二模块（第6-12章）为光学系统实现，包括DMD与LCoS驱动、单像素成像系统、编码孔径与CASSI、散射介质成像、太赫兹与红外CS系统；第三模块（第13-20章）为重建算法实战，包括TV最小化、ADMM与ISTA实现、字典学习、深度展开网络、自监督重建、实时加速技术；第四模块（第21-30章）为工程案例与综合实战，涵盖系统标定流程、多维度CS成像、视频CS、端到端光学设计、以及三个完整项目实战（高光谱成像仪、单像素激光雷达、透过散射介质成像系统）。

每一章均按照“原理讲解→方法推导→案例拆解→常见误区”的结构组织，并配有可运行的代码示例、仿真数据和硬件调试指南。建议学员在理论学习的同时，同步进行仿真实验与硬件搭建，以“做中学”的方式巩固知识。