光学成像机制的改变，需要与之匹配的信息重构理论的提出和计算机处理能力的提升。
压缩成像理论是一种新的数据获取理论，该理论提出了即便以远低于奈奎斯特采样频率的方式获取信号，仍然能够有机会精确地恢复原始信号，因此可以在数据采集端突破奈奎斯特采样定律的制约，为硬件系统的采集、存储、传输和处理带来了极大便利。
经典的香农采样定理给出了一个从采样得到的数字信号中无失真恢复出模拟信号的充分条件，即信号的采样频率应大于或等于其带宽的两倍。但是压缩成像理论通过对采样方式的重新设计，可以从M 个离散采样值中重构N 个信号值（M<N），而不会增加成像系统的物理带宽。
只要测量模型满足限制等距性质（restricted isometry property，RIP），被测量的低维数据能够保留原始信号的大部分信息，有效消除无关和冗余的信息，降低数据的处理量，这为压缩感知模型的提出奠定了理论基础。同时，信号的稀疏表达理论也飞速发展，人们开始越来越多地认识到，现实世界中的大部分信号都具有多种复杂的结构特征，利用单一固定的正交变换，如离散余弦变换、离散小波变换，都很难将信号最稀疏表达出来。因此，针对多种结构特征的自然信号，信号稀疏表达的最好方法是使用过完备字典基的方法，自适应地根据信号的结构特征选择尽可能少的特征向量来表达信号。
2006 年，Candes、Donoho和Tao等建立了“通过对信号的高度不完备线性测量重建高维信号”的理论，并取名为压缩感知理论，该理论表明，对于稀疏可压缩的信号，利用测量矩阵将高维信号投影到一个低维空间进行观测，基于少量的观测值，通过优化问题求解可实现原始信号的稀疏精确重构。压缩感知的测量值并非信号本身，而是信号从高维到低维的投影值，每个测量值是所有样本信号的组合函数，即一个测量值已经包含了所有样本信号的少量信息。信号恢复过程不是编码的简单逆过程，而是利用信号稀疏特点在概率意义上实现信号的精确重构，因此解码所需测量值的数目可以远小于传统理论下的样本数。压缩感知理论的提出，进一步促进了稀疏重建模型在成像领域的应用和理论发展。
为了明确压缩感知技术在成像领域中的现实应用价值，首先要回答在哪些成像领域，压缩感知技术更容易获得青睐。在那些探测信号的边际成本特别高的成像领域，压缩感知理技术由于其低信号采集量，更容易发挥应用价值。一般成像系统的成本主要集中在探测器、光学元件和信号传输组件，不同电磁谱波段的探测器价格差异很大，表1示出不同电磁谱波段上探测器元件单个像素价格，可以看出，探测器在近红外、可见光、近紫外和中紫外波段的单个像素价格便宜，成本很低，而电磁谱波段超出该波段范围的单一像素价格都会显著提高。
综合考虑不同波段器件价格和压缩感知技术的应用潜力，可以得到3点结论：1）在近红外、可见光、近紫外的波段，由于单个像素价格极低，大规模像素阵列器件很容易被加工，成像采集的数据量都很大，压缩感知技术的应用往往受限于数据重构的计算成本。因此，压缩感知模型的设计需要着重考虑重构算法的速度和对于超大数据量的处理能力。2）对于毫米波、太赫兹波、远红外、极紫外波段，由于器件成本过高，探测器采集数据量不大，压缩感知模型的设计可以考虑更加复杂高效的压缩编码方式，以充分利用有限的像素采集量，恢复尽可能多的图像信息。3）而中紫外、短波红外和中红外波段则处于上述二者之间。总之，为了满足工业应用需求，压缩成像技术的使用需要在器件成本和计算成本之间达成一个平衡。除了考虑器件成本和计算成本以外，在现实压缩成像模型的设计和搭建过程中还需要考虑不同波段光场调制元件的特性、价格、功耗等因素。
传统成像系统获取高维信号的方式时，都是惯性地将不同维度的信号进行分离后采集，造成数据采集的规模过大，对硬件采集端的能力提出了极高的要求。过去计算机的计算能力有限，高维信号获取依赖于硬件端的采集能力。但是硬件采集能力的发展强烈依赖于材料科学和基础物理科学的发展，很难在短时间获得提高。根据摩尔定律，芯片的计算能力将在很长时间内能够保持指数级的增长。计算能力的增长速度远高于探测器采集能力的增长速度，促使得越来越多的科学家寻求通过硬件编码的方式将高维信息投影到低维的采集器件上，再利用强大的计算能力对高维信息进行重构。
信号的稀疏表示
压缩感知解决信号采集中的欠定问题。只有信号能够很好地表示成稀疏的形式，才能够保持从少量低维的测量信号中恢复出原始信号。
结 论
压缩感知是一种信号获取的方式，它在经典的香农采样定理之外，为解决图像采集过程中的高维数据重构提供一个很好的视角。压缩感知理论是对传统成像方式的重要补充，在恢复高通量、高维图片数据中具有很强的优势。