Théorie et ensemble de méthodes pour acquérir et reconstruire des signaux qui sont rares ou compressibles dans une base connue : à partir de mesures linéaires y=Φx (Φ matrice d'observation m×N) avec m ≪ N, le signal x peut être reconstruit (exactement ou approximativement) en exploitant la parcimonie dans un domaine transformé, typiquement via optimisation convexe (minimisation ℓ1), algorithmes gloutons ou approches bayésiennes, sous des conditions telles que l'incohérence ou la propriété de restricted isometry (RIP) entre Φ et la base de parcimonie.

Principe

Une structure parcimonieuse combinée à des mesures suffisamment incohérentes ou satisfaisant la RIP permet une reconstruction précise à partir de bien moins d'échantillons linéaires que l'échantillonnage de Nyquist ; la reconstruction s'obtient en résolvant un problème inverse favorisant la parcimonie (p. ex. minimiser ℓ1 sous contraintes de mesure) avec garanties sous conditions données.

Démonstration

Scénario illustratif → un signal x de longueur N possède s coefficients non nuls dans une base orthonormée connue ; on construit Φ comme matrice aléatoire gaussienne m×N avec m ≈ C·s·log(N/s). Reconnaissance → on observe y=Φx. Action → résoudre le programme convexe (minimiser ‖z‖1 sous Φz=y) ou appliquer OMP. Conséquence → sous RIP/incohérence et bornes de bruit, le solveur reconstruit x (ou une bonne approximation). (Exemple construit.)

Mauvaise application

Appliquer le sensage compressé à un signal qui n'est pas parcimonieux ni compressible dans la base supposée, ou utiliser des mesures structurées violant l'incohérence (p. ex. sous‑échantillonnage déterministe pour une base où le signal est aussi parcimonieux) conduit à l'échec de la reconstruction malgré un sous‑échantillonnage apparent.

Conséquence

Permet de réduire les ressources de mesure et d'acquisition, en transférant le coût vers la reconstruction computationnelle et la spécification du modèle ; conséquences pratiques : sensibilité aux mismatches de modèle, complexité algorithmique et amplification du bruit si les hypothèses sont violées.

Inversion

Si la parcimonie est seulement approximative (signal compressible), les garanties s'affaiblissent et l'erreur de reconstruction suit la queue non parcimonieuse ; si les matrices de mesure ne satisfont pas RIP ou bornes de cohérence, les garanties théoriques ne s'appliquent pas et la performance empirique peut échouer. Dans certains contextes pratiques, un échantillonnage Nyquist classique suivi d'une compression peut être préférable.

Limite

Clairement dans → signaux exactement s‑sparse ou fortement compressibles dans une base connue avec Φ satisfaisant RIP/incohérence et m choisi selon la théorie. Cas limite → signaux compressibles ou mesures partiellement cohérentes (reconstruction approximative avec erreur plus grande). Clairement hors → signaux denses sans représentation parcimonieuse ou mesures adverses à la reconstruction.

Tension sémantique

Réduction des ressources d'acquisition versus complexité de reconstruction et risque de modèle — les économies d'observation s'équilibrent par un coût algorithmique et un besoin strict de conception de mesures adaptées.

Synthèse

Le sensage compressé reconçoit l'échantillonnage comme un problème inverse inférentiel : il échange débit d'échantillonnage contre hypothèses structurelles (parcimonie, incohérence) et calcul, offrant des gains démontrables seulement quand ces conditions de modèle et de mesure sont satisfaites.