تصویربرداری تشدید مغناطیسی به صورت ذاتی کند است که از لحاظ سلامت و اقتصادی به صرفه نیست، بنابراین می توان با استفاده از روش هایی از قبیل حسگری فشرده، حسگری فشرده کور، یادگیری دیکشنری و یادگیری تبدیل تنک، سیگنال را به محیطی دیگر نگاشت کرد و در محیط تبدیل شده سیگنال را بازیابی کرد تا از ذخیره حافظه زیاد و اتلاف منابع اقتصادی جلوگیری شود. در این پایان نامه بر روی یادگیری تبدیل تنک تصاویر تشدید مغناطیسی کار شده است یعنی به جای اینکه سیگنال را به محیط های فیکس شده از قبیل فوریه، موجک و... انتقال داد، از آنجا که این محیط ها قسمتی از سیگنال را حذف می کنند سعی کرده ایم محیطی متغییر شده با استفاده از روش یادگیری تبدیل تنک دسته ای شبه آنلاین استفاده کنیم. به این صورت که دسته هایی از سیگنال که به ما می رسند را در محیطی دیگر ضرایب تنک و تبدیلی که این ضرایب تنک را به دست می دهند به صورت قابل تطبیق با دریافت سیگنال به دست می آوریم و با روش تجزیه مقادیر ویژه و معادلات درجه دو(نرمال) تصویر را بازسازی می کنیم. در روش یادگیری تبدیل تنک دسته ای شبه آنلاین، سیگنال را به صورت دسته های 4 تایی و به صورت شبه آنلاین دریافت کردیم و ماسک نمونه برداری اعمال شده به صورت کارتزین انتخاب شده است که برای این حالت میزان PSNR برابر با 2175/33 می باشد. که به نسبت روش یادگیری دیکشنری و روش های قبلی میزان بالاتری از انرژی و وضوح تصویر را به دست آوردیم و با توجه به تابع هزینه سیگنال که در این گونه مسایل غیر محدب هستند به میزان همگرایی بیشتر و معقول تری به نسبت روش های دیگر رسیدیم به دلیل پایین آوردن به روز رسانی و بهبود ماتریس های تنکی.
