Experience Seamless Full Ebook Downloads for Every Genre at textbookfull.

com

Compressed sensing for engineers First Edition

Majumdar Angshul

https://textbookfull.com/product/compressed-sensing-for-
engineers-first-edition-majumdar-angshul/

OR CLICK BUTTON

DOWNLOAD NOW

Explore and download more ebook at https://textbookfull.com

 Recommended digital products (PDF, EPUB, MOBI) that
you can download immediately if you are interested.

Compressed Sensing for Privacy Preserving Data Processing

Matteo Testa

https://textbookfull.com/product/compressed-sensing-for-privacy-
preserving-data-processing-matteo-testa/

textboxfull.com

Power Devices for Efficient Energy Conversion 1st Edition

Gourab Majumdar

https://textbookfull.com/product/power-devices-for-efficient-energy-
conversion-1st-edition-gourab-majumdar/

textboxfull.com

Novel Sensors and Sensing First Edition Jackson

https://textbookfull.com/product/novel-sensors-and-sensing-first-
edition-jackson/

textboxfull.com

Multisensor Image Fusion and Data Mining for Environmental

Remote Sensing First Edition Bai

https://textbookfull.com/product/multisensor-image-fusion-and-data-
mining-for-environmental-remote-sensing-first-edition-bai/

textboxfull.com
Statistics for Process Control Engineers A Practical
Approach First Edition Myke King

https://textbookfull.com/product/statistics-for-process-control-
engineers-a-practical-approach-first-edition-myke-king/

textboxfull.com

The Bayesian way: introductory statistics for economists

and engineers First Edition Nyberg

https://textbookfull.com/product/the-bayesian-way-introductory-
statistics-for-economists-and-engineers-first-edition-nyberg/

textboxfull.com

Lean problem solving and QC tools for industrial engineers

First Edition Samanta

https://textbookfull.com/product/lean-problem-solving-and-qc-tools-
for-industrial-engineers-first-edition-samanta/

textboxfull.com

Physical chemistry for chemists and chemical engineers

multidisciplinary research perspectives First Edition
Haghi
https://textbookfull.com/product/physical-chemistry-for-chemists-and-
chemical-engineers-multidisciplinary-research-perspectives-first-
edition-haghi/
textboxfull.com

Remote Sensing of Hydrometeorological Hazards First

Edition George P. Petropoulos

https://textbookfull.com/product/remote-sensing-of-
hydrometeorological-hazards-first-edition-george-p-petropoulos/

textboxfull.com
Compressed Sensing for
Engineers
 Devices, Circuits, and Systems

Series Editor
Krzysztof Iniewski
Emerging Technologies CMOS Inc.
Vancouver, British Columbia, Canada

PUBLISHED TITLES:
3D Integration in VLSI Circuits:
Implementation Technologies and Applications
Katsuyuki Sakuma
Advances in Imaging and Sensing
Shuo Tang and Daryoosh Saeedkia
Analog Electronics for Radiation Detection
Renato Turchetta
Atomic Nanoscale Technology in the Nuclear Industry
Taeho Woo
Biological and Medical Sensor Technologies
Krzysztof Iniewski
Biomaterials and Immune Response:
Complications, Mechanisms and Immunomodulation
Nihal Engin Vrana
Building Sensor Networks: From Design to Applications
Ioanis Nikolaidis and Krzysztof Iniewski
Cell and Material Interface: Advances in Tissue Engineering,
Biosensor, Implant, and Imaging Technologies
Nihal Engin Vrana
Circuits and Systems for Security and Privacy
Farhana Sheikh and Leonel Sousa
Circuits at the Nanoscale: Communications, Imaging, and Sensing
Krzysztof Iniewski
CMOS: Front-End Electronics for Radiation Sensors
Angelo Rivetti
CMOS Time-Mode Circuits and Systems: Fundamentals
and Applications
Fei Yuan
Design of 3D Integrated Circuits and Systems
Rohit Sharma
 PUBLISHED TITLES:

Diagnostic Devices with Microfluidics

Francesco Piraino and Šeila Selimović
Electrical Solitons: Theory, Design, and Applications
David Ricketts and Donhee Ham
Electronics for Radiation Detection
Krzysztof Iniewski
Electrostatic Discharge Protection: Advances and Applications
Juin J. Liou
Embedded and Networking Systems:
Design, Software, and Implementation
Gul N. Khan and Krzysztof Iniewski
Energy Harvesting with Functional Materials and Microsystems
Madhu Bhaskaran, Sharath Sriram, and Krzysztof Iniewski
Gallium Nitride (GaN): Physics, Devices, and Technology
Farid Medjdoub
Graphene, Carbon Nanotubes, and Nanostuctures:
Techniques and Applications
James E. Morris and Krzysztof Iniewski
High-Speed and Lower Power Technologies: Electronics and Photonics
Jung Han Choi and Krzysztof Iniewski
High-Speed Devices and Circuits with THz Applications
Jung Han Choi
High-Speed Photonics Interconnects
Lukas Chrostowski and Krzysztof Iniewski
High Frequency Communication and Sensing:
Traveling-Wave Techniques
Ahmet Tekin and Ahmed Emira
High Performance CMOS Range Imaging:
Device Technology and Systems Considerations
Andreas Süss
Integrated Microsystems: Electronics, Photonics, and Biotechnology
Krzysztof Iniewski
Integrated Power Devices and TCAD Simulation
Yue Fu, Zhanming Li, Wai Tung Ng, and Johnny K.O. Sin
Internet Networks: Wired, Wireless, and Optical Technologies
Krzysztof Iniewski
Introduction to Smart eHealth and eCare Technologies
Sari Merilampi, Krzysztof Iniewski, and Andrew Sirkka
 PUBLISHED TITLES:
Ionizing Radiation Effects in Electronics: From Memories to Imagers
Marta Bagatin and Simone Gerardin
IoT and Low-Power Wireless: Circuits, Architectures, and Techniques
Christopher Siu
Labs on Chip: Principles, Design, and Technology
Eugenio Iannone
Laser-Based Optical Detection of Explosives
Paul M. Pellegrino, Ellen L. Holthoff, and Mikella E. Farrell
Low Power Emerging Wireless Technologies
Reza Mahmoudi and Krzysztof Iniewski
Low Power Semiconductor Devices and Processes for Emerging
Applications in Communications, Computing, and Sensing
Sumeet Walia
Magnetic Sensors and Devices: Technologies and Applications
Kirill Poletkin and Laurent A. Francis
Medical Imaging: Technology and Applications
Troy Farncombe and Krzysztof Iniewski
Metallic Spintronic Devices
Xiaobin Wang
MEMS: Fundamental Technology and Applications
Vikas Choudhary and Krzysztof Iniewski
Micro- and Nanoelectronics: Emerging Device Challenges and Solutions
Tomasz Brozek
Microfluidics and Nanotechnology: Biosensing to the Single Molecule Limit
Eric Lagally
MIMO Power Line Communications: Narrow and Broadband Standards,
EMC, and Advanced Processing
Lars Torsten Berger, Andreas Schwager, Pascal Pagani, and Daniel Schneider
Mixed-Signal Circuits
Thomas Noulis
Mobile Point-of-Care Monitors and Diagnostic Device Design
Walter Karlen
Multisensor Attitude Estimation: Fundamental Concepts and Applications
Hassen Fourati and Djamel Eddine Chouaib Belkhiat
Multisensor Data Fusion: From Algorithm and Architecture Design
to Applications
Hassen Fourati
 PUBLISHED TITLES:

MRI: Physics, Image Reconstruction, and Analysis

Angshul Majumdar and Rabab Ward
Nano-Semiconductors: Devices and Technology
Krzysztof Iniewski
Nanoelectronic Device Applications Handbook
James E. Morris and Krzysztof Iniewski
Nanomaterials: A Guide to Fabrication and Applications
Sivashankar Krishnamoorthy
Nanopatterning and Nanoscale Devices for Biological Applications
Šeila Selimovic´
Nanoplasmonics: Advanced Device Applications
James W. M. Chon and Krzysztof Iniewski
Nanoscale Semiconductor Memories: Technology and Applications
Santosh K. Kurinec and Krzysztof Iniewski
Noise Coupling in System-on-Chip
Thomas Noulis
Novel Advances in Microsystems Technologies and Their Applications
Laurent A. Francis and Krzysztof Iniewski

Optical, Acoustic, Magnetic, and Mechanical Sensor Technologies

Krzysztof Iniewski
Optical Fiber Sensors: Advanced Techniques and Applications
Ginu Rajan
Optical Imaging Devices: New Technologies and Applications
Ajit Khosla and Dongsoo Kim
Organic Solar Cells: Materials, Devices, Interfaces, and Modeling
Qiquan Qiao
Physical Design for 3D Integrated Circuits
Aida Todri-Sanial and Chuan Seng Tan
Power Management Integrated Circuits and Technologies
Mona M. Hella and Patrick Mercier
Radiation Detectors for Medical Imaging
Jan S. Iwanczyk
Radiation Effects in Semiconductors
Krzysztof Iniewski
Reconfigurable Logic: Architecture, Tools, and Applications
Pierre-Emmanuel Gaillardon
Semiconductor Devices in Harsh Conditions
Kirsten Weide-Zaage and Malgorzata Chrzanowska-Jeske
 PUBLISHED TITLES:

Semiconductor Radiation Detection Systems

Krzysztof Iniewski
Semiconductor Radiation Detectors, Technology, and Applications
Salim Reza
Semiconductors: Integrated Circuit Design for Manufacturability
Artur Balasinski
Sensors for Diagnostics and Monitoring
Kevin Yallup and Laura Basiricò
Smart Grids: Clouds, Communications, Open Source, and Automation
David Bakken
Smart Sensors for Industrial Applications
Krzysztof Iniewski
Soft Errors: From Particles to Circuits
Jean-Luc Autran and Daniela Munteanu
Solid-State Radiation Detectors: Technology and Applications
Salah Awadalla
Structural Health Monitoring of Composite Structures Using Fiber
Optic Methods
Ginu Rajan and Gangadhara Prusty
Technologies for Smart Sensors and Sensor Fusion
Kevin Yallup and Krzysztof Iniewski
Telecommunication Networks
Eugenio Iannone
Testing for Small-Delay Defects in Nanoscale CMOS Integrated Circuits
Sandeep K. Goel and Krishnendu Chakrabarty
Tunable RF Components and Circuits: Applications in Mobile Handsets
Jeffrey L. Hilbert
VLSI: Circuits for Emerging Applications
Tomasz Wojcicki
Wireless Medical Systems and Algorithms: Design and Applications
Pietro Salvo and Miguel Hernandez-Silveira
Wireless Technologies: Circuits, Systems, and Devices
Krzysztof Iniewski
Wireless Transceiver Circuits: System Perspectives and Design Aspects
Woogeun Rhee
 FORTHCOMING TITLES:
Compressed Sensing for Engineers
Angshul Majumdar
Energy Efficient Computing: Devices, Circuits, and Systems
Santosh K. Kurinec and Sumeet Walia
Low Power Circuits for Emerging Applications in Communications,
Computing, and Sensing
Krzysztof Iniewski and Fei Yuan
Radio Frequency Integrated Circuit Design
Sebastian Magierowski
Spectral Computed Tomography: Technology and Applications
Katsuyuki Taguchi, Ira Blevis, and Krzysztof Iniewski
X-Ray Diffraction Imaging: Technology and Applications
Joel Greenberg and Krzysztof Iniewski

For more information about this series, please visit:

https://www.crcpress.com/Devices-Circuits-and-Systems/book-series/
/www.crcpress.com/Ýevices-Circuits-and-Systems/book-series/
CRCDEVCIRSYS
Compressed Sensing for
Engineers

Angshul Majumdar
MATLAB® is a trademark of The MathWorks, Inc. and is used with permission. The MathWorks does
not warrant the accuracy of the text or exercises in this book. This book’s use or discussion of MATLAB®
software or related products does not constitute endorsement or sponsorship by The MathWorks of a
particular pedagogical approach or particular use of the MATLAB® software.

CRC Press
Taylor & Francis Group
6000 Broken Sound Parkway NW, Suite 300
Boca Raton, FL 33487-2742

© 2019 by Taylor & Francis Group, LLC

CRC Press is an imprint of Taylor & Francis Group, an Informa business

No claim to original U.S. Government works

Printed on acid-free paper

International Standard Book Number-13: 978-0-8153-6556-3 (Hardback)

This book contains information obtained from authentic and highly regarded sources. Reasonable efforts
have been made to publish reliable data and information, but the author and publisher cannot assume
responsibility for the validity of all materials or the consequences of their use. The authors and publishers
have attempted to trace the copyright holders of all material reproduced in this publication and apologize to
copyright holders if permission to publish in this form has not been obtained. If any copyright material has
not been acknowledged please write and let us know so we may rectify in any future reprint.

Except as permitted under U.S. Copyright Law, no part of this book may be reprinted, reproduced, transmit-
ted, or utilized in any form by any electronic, mechanical, or other means, now known or hereafter invented,
including photocopying, microfilming, and recording, or in any information storage or retrieval system,
without written permission from the publishers.

For permission to photocopy or use material electronically from this work, please access www.copyright.
com (http://www.copyright.com/) or contact the Copyright Clearance Center, Inc. (CCC), 222 Rosewood
Drive, Danvers, MA 01923, 978-750-8400. CCC is a not-for-profit organization that provides licenses and
registration for a variety of users. For organizations that have been granted a photocopy license by the CCC,
a separate system of payment has been arranged.

Trademark Notice: Product or corporate names may be trademarks or registered trademarks, and are used
only for identification and explanation without intent to infringe.

Library of Congress Cataloging‑in‑Publication Data

Names: Majumdar, Angshul, author.

Title: Compressed sensing for engineers / Angshul Majumdar.
Description: First edition. | Boca Raton, FL : CRC Press/Taylor & Francis,
[2019] | Series: Devices, circuits, and systems
Identifiers: LCCN 2018037706| ISBN 9780815365563 (hardback : alk. paper) |
ISBN 9781351261364 (ebook)
Subjects: LCSH: Compressed sensing (Telecommunication) | Image
processing--Digital techniques. | Image compression. | Signal
processing--Mathematics.
Classification: LCC TA1638 .M35 2019 | DDC 621.36/78--dc23
LC record available at https://lccn.loc.gov/2018037706

Visit the Taylor & Francis Web site at

http://www.taylorandfrancis.com

and the CRC Press Web site at

http://www.crcpress.com
Contents

Foreword ............................................................................................................. xvii

Preface ................................................................................................................... xix
Acknowledgments .............................................................................................. xxi
Author ................................................................................................................. xxiii

1. Introduction .....................................................................................................1
Machine Learning ...........................................................................................1
Signal Processing .............................................................................................4
Low-Rank Recovery ........................................................................................5
Signal Processing ........................................................................................6
Machine Learning .......................................................................................6

2. Greedy Algorithms ........................................................................................9

Oracle Solution .................................................................................................9
(Im)Practical Solution ............................................................................... 10
Intuitive Solution ........................................................................................... 10
Practical Solutions.......................................................................................... 13
Matching Pursuit ........................................................................................... 13
Orthogonal Matching Pursuit...................................................................... 14
Stagewise Orthogonal Matching Pursuit ................................................... 16
CoSamp ........................................................................................................... 20
Stagewise Weak Orthogonal Matching Pursuit ........................................22
Gradient Pursuits ........................................................................................... 24
Suggested Reading ........................................................................................ 25
Appendix: MATLAB® Codes........................................................................ 26

3. Sparse Recovery ............................................................................................ 29

Equivalence of l0-Norm and l1-Norm Minimization ................................30
On Number of Equations.............................................................................. 32
FOCally Underdetermined System Solver ................................................. 32
lp Minimization Using FOCally Underdetermined System Solver.........34
Iterative Re-weighted Least Squares ........................................................... 35
Noisy (Practical) Scenario ............................................................................. 37
Iterative Soft Thresholding Algorithm ....................................................... 38
Majorization Minimization .......................................................................... 39
Solving the Unconstrained Problem ........................................................... 41
Split Bregman Technique ..............................................................................42

xi
xii Contents

Solving l0-Norm Minimization ....................................................................44

Smooth l0-Norm Minimization .................................................................... 45
Iterative Hard Thresholding Algorithm ..................................................... 46
lp -Norm Minimization—Noisy Scenario Iterative Re-weighted
Least Squares .................................................................................................. 48
Modified Iterative Soft Thresholding Algorithm ...................................... 49
Suggested Reading ........................................................................................ 50
Appendix: MATLAB® Codes........................................................................ 51

4. Co-sparse Recovery ...................................................................................... 57

Majorization Minimization .......................................................................... 58
Split Bregman ................................................................................................. 60
Greedy Analysis Pursuit ............................................................................... 62
Suggested Reading ........................................................................................64
Appendix: MATLAB® Codes........................................................................65

5. Group Sparsity .............................................................................................. 69

Synthesis Prior................................................................................................ 69
Solving the Equality-Constrained Problem .......................................... 69
Solving the Unconstrained Problem ...................................................... 72
Smoothed l2,0-Minimization .................................................................... 72
Analysis Prior ................................................................................................. 74
Greedy Algorithms ........................................................................................77
Suggested Reading ........................................................................................ 81
Appendix: MATLAB® Codes........................................................................ 82

6. Joint Sparsity ................................................................................................. 93

Convex Relaxation ......................................................................................... 94
Majorization Minimization ..................................................................... 95
Solving the Synthesis Prior Problem ...................................................... 95
Solving the Analysis Prior Problem ....................................................... 96
Solving the Constrained Problem via Cooling ..................................... 97
Greedy Methods............................................................................................. 98
Appendix: MATLAB® Codes...................................................................... 100

7. Low-Rank Matrix Recovery ..................................................................... 105

Connections with Compressed Sensing ................................................... 107
FOCUSS Algorithm ..................................................................................... 108
Singular Value Shrinkage ........................................................................... 110
Singular Value Hard Thresholding ........................................................... 112
Split Bregman Technique ............................................................................ 114
Matrix Factorization .................................................................................... 115
Appendix: MATLAB® Codes...................................................................... 117
Contents xiii

8. Combined Sparse and Low-Rank Recovery ......................................... 127

Compressive Principal Component Pursuit ............................................ 128
Derivation of Principal Component Pursuit ....................................... 129
Sparse and Low-Rank Model ..................................................................... 130
Solving Synthesis Prior .......................................................................... 131
Solving Analysis Prior............................................................................ 134
Suggested Reading ...................................................................................... 135
Appendix: MATLAB® Codes...................................................................... 136

9. Dictionary Learning................................................................................... 139

Dictionary Learning .................................................................................... 140
Transform Learning .................................................................................... 142
Suggested Reading ...................................................................................... 144
Appendix: MATLAB® Codes...................................................................... 145

10. Medical Imaging ......................................................................................... 151

X-Ray Computed Tomography .................................................................. 151
Compressed Sensing in Static Computed Tomographic
Reconstruction ......................................................................................... 154
Experimental Results ......................................................................... 155
Compressed Sensing in Dynamic Computed Tomography ............. 157
Magnetic Resonance Imaging Reconstruction ........................................ 157
Single-Echo Static Magnetic Resonance Imaging Reconstruction...... 159
Multi-echo Magnetic Resonance Imaging........................................... 161
Physics of Magnetic Resonance Image Contrast ........................... 162
Group-Sparse Reconstruction of Multi-echo Magnetic
Resonance Imaging................................................................................. 165
Group-Sparse Synthesis Prior .......................................................... 168
Group-Sparse Analysis Prior Formulation ..................................... 169
Multi-coil Parallel Magnetic Resonance Imaging ................................... 171
Image Domain Methods ........................................................................ 173
SENSitivity Encoding or SENSE ........................................................... 173
Regularized SENSE ................................................................................ 174
Experimental Evaluation ................................................................... 175
Compressed Sensing SENSE ...................................................................... 176
Iterative SENSE............................................................................................. 177
Experimental Evaluation ....................................................................... 180
Calibration-Less Magnetic Resonance Imaging Reconstruction .......... 181
Experimental Evaluation ....................................................................... 184
Dynamic Magnetic Resonance Imaging Reconstruction ...................... 185
k-t FOCUSS (k-t BLAST).............................................................................. 186
Transform Domain Method .................................................................. 186
Experimental Evaluation ................................................................... 187
xiv Contents

Temporal Total Variation ....................................................................... 188

Experimental Evaluation ................................................................... 188
Spatio-temporal Total Variation ............................................................ 188
Experimental Evaluation ................................................................... 189
Low-Rank Methods in Dynamic Magnetic Resonance Imaging
Reconstruction ......................................................................................... 191
Experimental Evaluation ................................................................... 191
Combined Low-Rank and Sparsity-Based Techniques ..................... 192
Experimental Evaluation ................................................................... 193
Blind Compressive Sensing ................................................................... 194
Experimental Evaluation ................................................................... 194
Sparse + Low-Rank Reconstruction ..................................................... 195
Experimental Evaluation ................................................................... 196
Suggested Reading ...................................................................................... 199

11. Biomedical Signal Reconstruction .......................................................... 201

Sparse Recovery ........................................................................................... 202
Structured Sparse Recovery of Multi-channel Signals .......................... 203
Kronecker Compressed Sensing Formulation ......................................... 204
Low-Rank Recovery .................................................................................... 205
Blind Compressed Sensing......................................................................... 207
Results ........................................................................................................... 208
Suggested Reading ...................................................................................... 209

12. Regression .................................................................................................... 211

Least Angle Selection and Shrinkage Operator ...................................... 211
Elastic Net ..................................................................................................... 213
Group LASSO ............................................................................................... 214
Multi-task Regression.................................................................................. 215
Suggested Reading ...................................................................................... 217

13. Classification ............................................................................................... 219

Sparse Representation-Based Classification ............................................ 220
Elastic Net .....................................................................................................222
Block/Joint Sparse Classification ............................................................... 224
Non-linear Extensions .................................................................................225
Extension to Multiple Measurement Vectors ........................................... 227
Group Sparse Representation-Based Classification ................................ 228
Label-Consistent Dictionary Learning ..................................................... 230
Transform Learning .................................................................................... 232
Suggested Reading ...................................................................................... 232
Appendix: MATLAB® Codes...................................................................... 233
Contents xv

14. Computational Imaging ............................................................................ 243

Introduction .................................................................................................. 243
Compressive Imaging—Single-Pixel Camera.......................................... 243
Compressive Color Imaging ....................................................................... 246
Compressive Hyper-spectral Imaging...................................................... 248
Suggested Reading ...................................................................................... 250

15. Denoising ..................................................................................................... 251

Introduction .................................................................................................. 251
Gaussian Denoising ..................................................................................... 252
Synthesis Formulation ............................................................................ 252
Analysis Formulation .................................................................................. 253
Dictionary Learning ...............................................................................254
Transform Learning................................................................................ 255
Impulse Denoising....................................................................................... 256
Synthesis Prior ......................................................................................... 256
Analysis Prior .......................................................................................... 257
Dictionary Learning ............................................................................... 258
Transform Learning................................................................................ 259
Suggested Reading ...................................................................................... 260

Index ..................................................................................................................... 261

Foreword

This is an appropriately timed book on the topic of compressed sensing:

A subject of interest for slightly more than a decade now and one that has
since demanded a treatise accessible to engineers. Only a few well-known
books exist on the topic of compressed sensing and sparse recovery, and
an understanding of those volumes requires comprehensive knowledge
of advanced mathematics. This publication focuses uniquely on the basic
mathematics engineers study during their undergraduate degree, explain-
ing concepts intuitively and bypassing the esoteric mathematics of com-
pressed sensing.
The book concentrates on the algorithms and applications of compressed
sensing. The discussion begins with greedy-type algorithms for sparse
recovery, followed by optimization-based techniques. Structured com-
pressed sensing algorithms are discussed later on. Although not exactly
classical compressed sensing, low-rank matrix recovery techniques are also
addressed. This first portion of the book on algorithms concludes with a
discussion of the state-of-the-art adaptive sparse representation learning
techniques.
Compressed sensing has found application across various fields, rang-
ing from scientific imaging, to biomedical signal processing, to analog-to-
information hardware chips. It is hard to cover all these fields in a single
volume; this book does a wonderful job of discussing the most prominent
areas to which compressed sensing has been applied. These applications
include computational imaging, medical imaging, biomedical signal pro-
cessing, machine learning, and denoising.
One of the unique aspects of this book is the sheer volume of MATLAB®
algorithms associated with it. Codes for almost all the algorithms discussed
in this book have been made available and will serve as a valuable resource
for practicing engineers.
This book is ideal for senior undergraduate and graduate students
working in the areas of signal processing or machine learning. Course
instructors may also apply it as source material. Today, compressed sens-
ing, as a subject, is only taught in top universities, where both students
and the instructors have the mathematical maturity to understand the topic

xvii
xviii Foreword

from available resources. I am convinced that the publication of this book

will change this engineering landscape, introducing greater understanding
of compressed sensing to engineering masses.

Dr. Rabab K. Ward

Fellow, IEEE
Past President, IEEE Signal Processing Society
Professor Emeritus, Electrical and Computer Engineering
University of British Columbia
Preface

Compressed sensing deals with the topic of solving an under-determined

system of linear equations when the solution is known to be sparse. Although
an apparently esoteric topic, it has touched many practical facets of science of
engineering in slightly over a decade of its being.
The idea of using l1-norm or l0-norm as a sparsity penalty has been known
since the 1970s; however, the thorough theoretical understanding was pos-
sible only with the breakthroughs of Donoho, Candes, and Tao in the mid
and late 2000s. It was during these years that the term compressed sensing/
compressive sampling was coined. The rest, as they say, is history.
Compressed sensing is a fairly theoretical area. A large volume of articles
on this topic revolved around proofs, tighter bounds, stability in the presence
of perturbations, etc. An equally large volume of literature is on the topic of
compressed sensing algorithms. These include various greedy techniques,
orthogonal matching pursuit and its variants, as well as optimization-based
methods such as spectral projected gradient algorithm and Nesterov’s algo-
rithm, to name a few. There are many papers on relations and extensions of
compressed sensing to other areas of signal processing, such as finite rate
of innovation, union of subspace, and model selection. To understand these
papers, one needs at least a graduate-level degree in mathematics.
The success of compressed sensing did not hinge on the solid theoretical
framework; it was because of its widespread applicability. Compressed sens-
ing unleashed a new era of accelerating magnetic resonance scans, especially
at a juncture when it was believed that “whatever could be done has been
done” on this front. It ushered in safer computed tomographic (CT) scans
with lower doses of X-radiation. It was used in analyzing DNA microarrays.
It was used by geosciences to fasten wavefield extrapolation—compressed
sensing was able to reduce the time by an order of magnitude (from weeks to
days). It was used in radar imaging to improve resolution, without increas-
ing any other costs. There are many other areas of applied sciences that
benefit from compressed sensing, but it is not possible to mention all of them.
However, we believe one gets the idea on its range of applicability.
Despite its success, unfortunately, there is no unified resource for under-
standing this topic at the basic level. There are two books on this topic that
are fairly mathematical and well beyond the reach of a graduate or practicing
engineer. The third book is an anthology, which loosely combines a motley
of articles from top researchers in the field. None of them caters to regular
engineers, who might not have a degree in advanced mathematics.

xix
xx Preface

The author of this book felt this lacuna when he started teaching this course
to graduate and senior undergraduate students at his university in 2014. As an
instructor, the author realized that it is almost impossible to teach fundamental
concepts of compressed sensing such as the restricted isometric property or the
null space property to a student who is finishing/has just finished his/her first
degree in engineering. However, making the students understand the topics
intuitively was fairly simple. This led the author to write this book—a concise
treatise on the topic of compressed sensing meant for engineers worldwide.
We assume that the reader of this book will have a basic understanding
of mathematics. He/she would have taken the first courses in linear algebra
and some numerical techniques. This is not too much of an ask, given the
fact that engineers all around the world are mandated to take these courses
in their undergraduate education.
In this book, we have thoughtfully left aside the theory of compressed
sensing. This is largely because there are several books on this topic. The
concentration of this book is on algorithms and applications—topics that
have not been covered adequately by others.
The first portion of the book is on the algorithms. We start with algorithms
for classical compressed sensing and then branch off to its extensions such as
group sparsity and row sparsity. Although not exactly compressed sensing,
we discuss the topic of low-rank matrix recovery, since the two are related.
Finally, we cover the topic of dictionary learning.
The second portion of the book is about applications. Admittedly, we fail
to cover every application of compressed sensing. The book tries to cover
some of the major areas such as computational imaging, medical imaging,
biomedical signal processing, and machine learning.
This is not a textbook for compressed sensing. But we believe that it can
serve as a ready material for developing the first course on the topic. A large
number of MATLAB® examples have been provided to help the reader get a
head start on compressed sensing.

Angshul Majumdar

MATLAB® is a registered trademark of The MathWorks, Inc. For product

information, please contact:

The MathWorks, Inc.

3 Apple Hill Drive
Natick, MA 01760-2098 USA
Tel: 508 647 7000
Fax: 508-647-7001
E-mail: [email protected]
Web: www.mathworks.com
Acknowledgments

I thank my PhD supervisor, Dr. Rabab Ward, for making me what I am

today. She has received numerous accolades in her illustrious career, but
these awards do not capture the life-changing influence she has on her
students. Unlike most good supervisors, she does not stop at defining
the research problem and technically helping them if need arises—she
encouraged us to think out of the box and to explore areas beyond the
convention. I can only try to pass on her virtues to my students.
I am indebted to Dr. Felix Herrmann of UBC for introducing me to the
topic of compressed sensing. It was my first year as a graduate (master’s) stu-
dent in fall 2007. Compressed sensing is a very mathematical topic, but Felix
introduced the subject in a fashion that I could easily grasp with an engi-
neer’s background in mathematics. He interpreted the mathematical results
in a very intuitive and interesting fashion. Throughout the book, I have tried
to follow Felix’s philosophy of explaining the mathematical nuances in an
easy-to-understand way.
Perhaps the biggest source of inspiration for writing this book came from
my students of compressed sensing course, especially the first MTech batch
who I taught in 2014. Over the years, I received constructive comments from
the students which helped me shape the course. The book is largely based on
my course that evolved over the last four years.
I am thankful to Dr. Dipti Prasad Mukherjee, professor at Indian Statistical
Institute (ISI), for hosting me as a visiting faculty every summer for the last
three years. This allowed me to get away from my day-to-day research and
concentrate solely on writing this book. Without ISI’s facilities, this book
would have never been completed.
Finally, I thank Dr. Pankaj Jalote, the founding director of Indraprastha
Institute of Information Technology, Delhi, for allowing me the freedom to
teach such an advanced course. This was one of the first courses in com-
pressed sensing in the country. Without this freedom, I would not have been
able to design the course and thereby the book.

xxi
Author

Angshul Majumdar, PhD, earned a BE in electronics and communication

engineering from the Bengal Engineering and Science University,
Shibpur, India, in 2005, and an MASc and PhD in electrical and computer
engineering from the University of British Columbia, Vancouver, Canada,
in 2009 and 2012, respectively. Since 2012, he is an assistant professor at
Indraprastha Institute of Information Technology, Delhi, India. Prior to his
current position, he worked with PricewaterhouseCoopers India as a senior
consultant in technology advisory. His current research interests include
signal processing and machine learning. Dr. Majumdar has co-authored
more than 150 articles in top-tier journals and for conferences. He has
written a book titled Compressed Sensing Based Magnetic Resonance Imaging
Reconstruction, published by Cambridge University Press (2015). He has
co-edited two books: MRI: Physics, Reconstruction and Analysis (2015) and
Deep Learning in Biometrics (2018), both published by CRC Press.

xxiii
1
Introduction

There is a difference between data and information. We hear about big data.
In most cases, the humongous amount of data contains only concise infor-
mation. For example, when we read a news report, we get the gist from the
title of the article. The actual text has just the details and does not add much
to the information content. Loosely speaking, the text is the data and the title
is its information content.
The fact that data is compressible has been known for ages; that is, the field
of statistics—the art and science of summarizing and modeling data—was
developed. The fact that we can get the essence of millions of samples from
only a few moments or represent it as a distribution with very few param-
eters points to the compressibility of data.
Broadly speaking, compressed sensing deals with this duality—
abundance of data and its relatively sparse information content. Truly
speaking, compressed sensing is concerned with an important sub-class
of such problems—where the sparse information content has a linear rela-
tionship with data. There are many such problems arising in real life. We
will discuss a few of them here so as to motivate you to read through the
rest of the book.

Machine Learning
Consider a health analyst trying to figure out what are the causes of infant
mortality in a developing country. Usually, when an expecting mother comes
to a hospital, she needs to fill up a form. The form asks many questions: for
example, the date of birth of the mother and father (thereby their ages), their
education level, their income level, type of food (vegetarian or otherwise),
number of times the mother has visited the doctor, and the occupation of the
mother (housewife or otherwise). Once the mother delivers the baby, the hos-
pital keeps a record of the baby’s condition. Therefore, there is a one-to-one
correspondence between the filled-up form and the condition of the baby.
From this data, the analyst tries to find out what are the factors that lead to
the outcome (infant mortality).

1
2 Compressed Sensing for Engineers

#1
#2
#3

Husband’s age
Mother’s age

Occupation
#4

Education

Food Type
Income
#5
#6
#7
#8

FIGURE 1.1
Health record and outcome.

For simplicity, the analyst can assume that the relationship between the
factors (age, health, income, etc.) and the outcome (mortality) is linear, so that
it can be expressed as shown in the following (Figure 1.1).
Formally, this can be expressed as follows:

b = Hx + n (1.1)

where b is the outcome, H is the health record (factors along columns and
patients along rows), and x is the (unknown) variable that tells us the relative
importance of the different factors. The model allows for some inconsisten-
cies in the form of noise n.
In the simplest situation, we will solve it by assuming that the noise is nor-
mally distributed; we will minimize the l2-norm.
2
x = min b − Hx 2
(1.2)
x

However, the l2-norm will not give us the desired solution. It will yield an x
that is dense, that is, will have non-zero values in all positions. This would
mean that ALL the factors are somewhat responsible for the outcome. If the
analyst says so, the situation would not be very practical. It is not possible to
control all aspects of the mother (and her husband’s) life. Typically, we can
control only a few factors, not all. But the solution (1.2) does not yield the
desired solution.
Such types of problems fall under the category of regression. The simplest
form of regression, the ridge regression/Tikhonov regularization (1.3), does
not solve the problem either.

2 2
x = min b − Hx 2 + λ x 2
(1.3)
x

This too yields a dense solution, which in our example is ineffective. Such
problems have been studied for long statistics. Initial studies in this area
Introduction 3

proposed greedy solutions, where each of the factors was selected following
some heuristic criterion. In statistics, such techniques were called sequential
forward selection; in signal processing, they were called matching pursuit.
The most comprehensive solution to this problem is from Tibshirani; he
introduced the Least Angle Selection and Shrinkage Operator (LASSO). He
proposed solving,

2
x = min b − Hx 2 + λ x 1 (1.4)
x

The l1-norm penalty promotes a sparse solution (we will learn the reason
later). It means that x will have non-zero values only corresponding to cer-
tain factors, and the rest will be zeroes. This would translate to important
(non-zero) and unimportant (zero) factors. Once we decide on a few impor-
tant factors, we can concentrate on controlling them and improving child
mortality.
However, there is a problem with the LASSO solution. It only selects the
most important factor from the set of related factors. For example, in child’s
health, it is medically well known that the parents’ age is an important
aspect. Therefore, we consider the age of both parents. If LASSO is given a
free run (without any medical expertise in deciding the factors), instead of
pointing out to both parent’s ages, it will select only the most relevant one—
say the mother’s age.
If we are to decide the factors solely based on data analysis (and no medi-
cal knowledge), trying to control the outcomes based on the factors’ output
by LASSO would not always yield the correct/expected results. LASSO will
leave aside related important factors. To combat this issue, the elastic-net
regularization was proposed. It is of the form,

2
x = min b − Hx 2 + λ1 x 1 + λ2 x 2
(1.5)
x

In the elastic-net regularization, the l1-norm and l2-norm have opposing

effect. The l1-norm enforces a sparse solution, whereas the l2-norm promotes
density. Owing to these opposing effects, it is called “elastic” net. The net
effect is that it selects only a few factors, but the grouping effect of l2-norm
selects all the correlated factors as well.
Sometimes, it is known beforehand that some of the factors will always
happen together, for example, mother’s and father’s age. To a large extent,
education and income are also related. Such information cannot be exploited
in the LASSO or elastic-net framework. This requires the group-LASSO for-
mulation, where the factors are grouped and happen simultaneously. The
formulation is,

2
x = min b − Hx 2 + λ x 2 ,1
(1.6)
x
4 Compressed Sensing for Engineers

The x 2 ,1 is defined as the sum of the l2-norm over the groups. The l2-norm within
the group promotes a dense solution within the group; that is, if the group is
selected, all the factors in the group will have non-zero values; but the sum over
the l2-norms acts as an outer l1-norm and enforces sparsity in the selection of
groups. Such problems belong to the category of structured sparse problems.

Signal Processing
Similar problems arise in signal processing. For example, in functional mag-
netic resonance imaging (fMRI), we image section of the brain, usually the
blood-oxygen-level-dependent (BOLD) signal. The part of the brain that
shows activity has more blood oxygen, so that portion lights up in fMRI.
Typically, only a small portion is activated, and hence, the signal is sparse in
spatial domain. MRI is acquired in the Fourier frequency space; for historical
reasons, this is called the K-space.
MRI is a slow imaging modality; it has great spatial resolution but very
poor temporal resolution. Therefore, only 6–10 fMRI frames can be captured
per second. Owing to poor temporal resolution, transient (short-term) effects
cannot be studied by conventional fMRI. Therefore, a significant effort is
ongoing to reduce the scan time. This can be reduced only if we capture the
Fourier frequency space partially. Mathematically, this is expressed as,

y = RFx + n (1.7)

Here, x is the underlying image; F is the Fourier transform; R is the restriction/

masking operator denoting under-sampling; and y is the acquired Fourier
frequency samples. This is an under-determined problem. This is because
Fourier transform is orthogonal, but since it is only partially acquired, the
size of y is much smaller than the size of x, making the inverse problem (1.7)
under-determined.
However, in this particular scenario, we know that x is sparse; this is
because only a portion of the brain is active, which leads to non-zero-valued
pixels, while other areas with no/negligible activity are zeroes or close to
zero. This makes (1.7) an ideal candidate for compressed sensing reconstruc-
tion. The image is recovered as,
2
min y − RFx 2 + λ x 1 (1.8)
x

The acquisition formulation (1.7) is true for MRI scanners having a single
receiver channel. In most cases, multiple receivers are used for parallel
acquisition. In that case, the acquisition is expressed as,
Exploring the Variety of Random
Documents with Different Content
gazdaasszony szitkozódott, Ronda hallotta a közeledő dohogást.
Félelmében – a végső minutumban – sikerült kikapcsolni a láncot, az
ajtó felpattant, Ronda egy perc alatt kinn volt a kis kertben és a
másik percben az utcán. A város kapujáig futólépésben haladt;
onnan kezdve lassitott, de a szive még mindig hevesen vert. Ugy
érezte, mintha tilosban járna. Csak ment-mendegélt egyenes
irányban, hegynek föl, völgynek le az elhagyott uton. Bekukkant a kis
mellékutcákba, megállott minden korcsmaajtó előtt és feszült
gyanakvással bámult fel azokra az ablakokra, amelyeknek
lebocsátott függönyén fénysugár tetszett fel. A sötét oldalon
bandukolt; a másikat elöntötte a telehold ragyogása. Tiszta és
csillagos éjszaka volt, már a szél is elült és Ronda léptei
visszhangoztak a járdán. A városházánál befordult a piactérre és
körül kerülte a középen levő parkot.
Boltivek, tornyok, kutak cirádás árnyékai látszottak az ó-német
holdas éjszakában.
Soha nem érzett izgalom fogta el Rondát; több izben
mondogatott ilyesmit:
– Igy lesz a leghelyesebb… bátorság… előre honfiak!
Amellett külön minden egyes ablakot megvizsgált a posta- és a
csendőrségi épületeken. Miután nem sok valószinüség maradt arra,
hogy Frölich Róza kisasszony ezekben az épületekben rejtőzik, ujra
visszabandukolt abba az utcába, ahonnan az imént jött. Néhány
lépésnyire észrevette egy helyiség nagy fénylő üvegablakát, ahova
esténként tanárkollégái jártak sörözni. A függönyön megjelent
feketére rajzoltan egy kollégájának árnyéka, a szakálla hegyes, a
szája tátong, egy hitvány tanártársa volt ez, egy kiállhatatlan fráter,
akit Ronda kutyába se vett, mert folytonosan hozzájárult az intézeti
fegyelem meglazitásához és Ronda erkölcstelen fia fölött való
megbotránkozásának gyakran adott hangos kifejezést.
Ronda gondolkozva nézte doktor Hübbenettet: nézte, hogy
remeg beszéd közben a szakálla, milyen mohón vedeli a sört és
micsoda ordenáré alak! Rondának sohasem volt semmi köze
ezekhez az emberekhez, soha; elégtételt érzett ennél a gondolatnál.
Itt kuksolnak ezek a »tanférfiak«, egymásra leltek: de az ő élete
kétes, bitang és kietlenül kopár. És többé nem gondolt haraggal
azokra, akik ott benn ültek. Lassan, lenézően legyintett a tanár
árnyéka felé – és tovább ment.
Csakhamar ujra a város végére érkezett. Visszafordult és
bekanyarodott a Fő-utcába.
Breetpoot konzulék, ugy látszik, bált adnak; a nagy épület végtől-
végig ki van világitva és egyre érkeznek a hintók. Az inas és a portás
kiugranak, felrántják az ajtót és kisegitik a vendégeket.
Selyemszoknyák suhognak a küszöbön. Egy hölgy megáll,
mosolyogva, jóindulattal nyujtja a kezét egy fiatal embernek, aki
gyalog jött. Ronda megismerte a csinos cilinderes fiatal embert,
Richter tanár volt. Hallotta, hogy Richter egy nagyon előkelő
familiába készül beházasodni, akik egyébként tanárokhoz nem
ereszkednének le. És Ronda odaát a sötétben busan dörmögött:
– Jó, jó, csak stréberkedj – mondta.
Sárral fröcskölt köpenyében, fumigálta azt a másikat, a
beérkezettet, a nagyjövőjüt, mint valami kaján bandita, aki a sötétből
fenyegető tekintettel nézi a világ örömeit, kezében van a kanóc vége
és tudja, hogy abban a pillanatban robbanthatja fel az egészet,
amikor neki tetszik. Birónak érezte magát mindenek fölött, egész
felvidámult; halkan dörmögni kezdett és maga se tudta miért, ez
szaladt ki a száján:
– Önnek még sok borsot törhetek az orra alá és – jól jegyezzük
meg – nem is fogom elmulasztani.
További utján szörnyen jól mulatott. Valahányszor egy cimtábla
ötlött a szemébe, melyről egy kollégája vagy régi diákja nevét
olvasta, ezt gondolta magában, kezét dörzsölgetve:
– Önt is »megcsipem« még egyszer – közben sunyi
egyetértéssel mosolygott a tekintélyes külsejü tornyos házakra, mert
bizonyos volt benne, hogy egyikben rejtőzik Frölich Róza.
 Ez a szinmüvésznő iszonyuan felizgatta, felpiszkálta és kihozta a
sodrából. Ő és Ronda között – aki mint valami kóbor kutya
lopódzkodott utána az éjszakában – titkos összeköttetés támadt.
Lohmann volt a második vad: ugyszólván egy más törzsből való
indiánus. Ha Ronda majálisokra rándult, gyakran kellett »rabló
pandur«-t játszani a diákjaival. Fölállott egy dombra, öklét ég felé
emelte és vezényelt: – Vigyázz!… Kész!… Rajta!… és csakugyan
felizgatta a kezdődő csatározás. Mert ezt komolyan vette. Iskola és
játék voltak számára az élet. És ma éjjel Ronda maga volt a
»pandur«.
Folyton sóvárabb és izgatottabb lett. A határozatlan körvonalak
az éjszakában félelmet és kéjes bizsergést keltettek benne; minden
utcasarok borzalmas gyönyörrel vonzotta. Szük mellékutcákba
ódalgott, mint valami kalandor, egy ablakból kihangzó suttogás
hallatára szivdobogva lassitotta meg lépteit. Itt-ott egy ajtó nyilt fel
nesztelenül, valahonnan egy rózsaszin fátyolos kar nyult ki Ronda
után. Rémülettel menekült és ujból, ma már másodszor, pedig
azelőtt évekig sem került erre a környékre, a kikötő
tőszomszédságába jutott. Hajók feketéllettek a holdsütésben.
Rondának az jutott eszébe, hátha Frölich kisasszony valamelyik
hajón van, egy kabinban alszik; szürkület előtt megszólal a hajótülök
és Frölich Róza szinmüvésznő elvitorlázik messze tájak felé. Mikor
ezt elképzelte, Ronda cselekedni akart, végére járni a dolognak, vad
szenvedélylyel.
Két munkás toppant elő, egyik jobbról, másik balról. Közvetlenül
Ronda mellett találkoztak össze és az egyik igy szólt:
– Há mégy, Klaas?
A másik sötéten és basszushangból felelt valamit az ottani
tájszóláson.
Ronda elgondolkozott fölötte, hogy hol hallotta ma már egyszer
ezeket a kifejezéseket és mit jelentenek. Mert huszonhat esztendőn
keresztül nem birta megtanulni a környék tájszólását. Követte a két
proletárt és hallgatta tuláradó szókincsüket több csatakos utcán
keresztül. Az egyiken, amely kissé szélesebb volt a többinél,
elkanyarodtak egy távolabbi ház felé, amelyen határtalan nagy
csürajtó tátongott, fölébe egy kék angyal volt pingálva, ez előtt pedig
egy lámpa himbálódzott. Ronda zenét hallott. A munkások eltüntek a
folyóson, az egyik már fujta is a kihallatszó nótát. Ronda a bejáratnál
észrevett valami tarka cédulát és elkezdte olvasni. »Estély« volt
fölébe irva. Ronda tovább olvasta, mikor körülbelül közepéhez ért,
hirtelen kiverte az izzadság és elkezdett fuldokolni, azután pedig
féltében és abban a reményben, hogy tévedett, ujra nekifogott.
Egyszerre csak felpattant és beesett a házba, mint valami
szakadékba.
 IV.

A »szála« határtalanul széles és hosszu volt, egy ódon polgári

ház jólépült tisztes kocsiszine, ahol azonban most »mással«
foglalkoztak. Balról egy félig nyilt ajtó mögül edénycsörömpölés
hallatszott és a takaréktüzhely lángja világitott. A bejárat fölött jobbra
ez volt irva: »Terem«; belül siket zürzavaros lárma zuhogott, néha
egy-egy éles hang rikoltott ki a tömegből. Ronda vonakodott
lenyomni a kilincset; sulyos következésü ezemények előszelét
érezte… Egy nagyon kövér, teljesen tarfejü alacsony emberke,
kezében néhány korsó sörrel, evickélt feléje. Ronda megszólitotta.
– Bocsásson meg kérem, – dadogta – Frölich Róza
szinmüvésznővel óhajtanék néhány szót szólani.
– Mit akar tüle? – kérdezte a kis kövér. – Nem szól a most egy
szót se, mert éneköl, inkább hallgassa.
– Kegyed bizonyára a »Kék angyal«-hoz cimzett vendéglő
tulajdonosa, nemde ugyebár? Nos, ez helyes, helyes. Én ugyanis
Gonda vagyok, tanár az itteni gimnáziumban és egy diákot keresek,
aki állitólag itt tartózkodik. Nem mondhatná meg, vajjon hol találom?
– Hja, kérem, tanár ur, ha diákot keres, akkó csak menjen oda a
hátsó szobába, ahun a szinészek vannak. Ott mindig kuksol néhány
ifiur.
– Látja, – mondta feddőleg Ronda – ezt mindjárt sejtettem. Be
kell látnia, hogy ez nincs rendjén.
– Hja, – és a vendéglős felhuzta sürü szemöldökét – nékem
bizon tutegál, hogy fiatal-e a pali vagy öreg. Összevissza pár
fröccsöt rendöltek egészbe véve, sokat amugy se kivánhatok tőlük.
Mer ha én mellbevágom a kuncsaftokat, akkó azok engem meg
hátbavágnak.
Ronda félbeszakitotta:
– Jó, jó, de most aztán menjen szépen be és hozza ide nekem
azt a fiut.
– Fenét, menjen be az ur magányos!
Csakhogy Ronda kalandos kedve ugyancsak megcsappant, azt
kivánta, bár sohase lelte volna meg Frölich kisasszony tartózkodási
helyét.
– Csak a termen lehet keresztül jutni? – kérdezte szorongva.
– Hja, bizon másképp nem, osztán arra be abba a szobába
menjen, ameliknek az ablaka ide látszik, avval a piros függönnyel.
Néhány lépésre elcipelte Rondát és mutogatta neki a
meglehetősen nagy, pirosfüggönyös ablakot a szála hátsó oldalán.
Ronda szeretett volna kissé körülkémlelődni; közben azonban a
vendéglős visszament a sörökkel a »terem« ajtajához és feltárta.
Ronda kiterjesztett karokkal rohant utána; könyörögve kérte:
– Kedves uram, vezesse ide hozzám azt a diákot.
A vendéglős már odabenn volt és mogorván fordult vissza:
– Melliket mán, az áldóját, három gubbaszt odabe… Jó pipák
azok – mondta még és a faképnél hagyta Rondát.
– Három? – szerette volna Ronda megkérdezni, de már ő is a
teremben volt, bódultan a zajtól és elvakultva a roppant forró gőztől,
amely pápaszemét beharmatozta.
– Az ajtót! Léghuzam van! – orditotta valaki a füle mellett. Ijedten
kapott a kilincs után, de nem lelte és hallotta, hogy kinevetik ezért.
– Tán vak az ur – mondotta ugyanaz a hang a füle mellett.
 Ronda levette a pápaszemét, az ajtót közbe már becsukta valaki,
fogolynak érezte magát és tanácstalanul pislogott maga körül.
– Hé, Hennrik, Laurenz, né mán né, ez az a fura figura, a
délutáni. Nem emlékeztök mán, aki a gazdával ingerködött.
Ronda szót sem értett az egészből, csak érezte, hogy
zajonganak körülötte és hogy ez ellene irányul. Mikor már csaknem
összecsapott a vihar a feje fölött, az utolsó pillanatban felfedezett
egy üres széket maga mellett; csak éppen le kellett hogy üljön.
Levette a kalapját és kérdezte:
– Szabad?
Várt egy kicsit a válaszra, azután letelepedett. Tüstént
látatlannak érezte magát a nagy tömegben, megszabadult
nyomasztó helyzetéből. Ebben a pillanatban senki sem ügyelt rá. A
zene ujból rákezdett; szomszédai daloltak. Ronda megtörülgette
pápaszemét és tájékozódni próbált. A rekkenő pipafüst, a testek és
groggos poharak fülledt páráján keresztül rengeteg fejet látott, akik
valamennyien részegen a fanatikus boldogságtól himbálództak a
zene ütemére. A hajuk és arcuk tüzpiros, sárga, barna, téglavörös
szinekben pompázott, ugy, hogy ez a sok, a zene által mozgásba
kergetett koponya, mint valami óriási tulipánágy a szélben, ugy
lengedezett végig a hatalmas termen, mig azután a háttér
füstfelhőjében elmosódott. Onnan csak valami kis fényesség tört át a
hatalmas bodor füstön, valaki hevesen mozgott, a karját, a vállát, a
lábszárait tornáztatta, éles reflektorral megvilágitott fehér
husdarabok fénylettek és egy száj ürege feketéllett. Amit ez a valaki
énekelt, azt a zongora tulrikoltotta s vele együtt a vendégek énekét
is. Rondának ugy tetszett, hogy ez a fehérszemély olyan, mint
valami szemérmetlen rikoltás. Vékony hang sikongott belőle, de ezt
még a mennydörgés se tudta volna elnémitani.
A vendéglős egy poharat tett Ronda elé és el akart menni. Ronda
megfogta a kabátja csücskét.
– Jól jegyezzük meg! Nemde ugyebár ez itten Frölich Róza
szinmüvésznő.
 – Az, az. Most aztán kinézheti mint a két szemét.
És a vendéglős kereket oldott.
Ronda minden valószinüség ellenére remélte, hogy mégse ő a
táncosnő, hogy Lohmann nevü diákja mégse tette be lábát ebbe a
helyiségbe és csak azért remélte, hogy ne kelljen cselekednie.
Rögtön el is képzelte, hogy az a költemény Lohmann füzetében csak
merő poézis, amely nem felel meg a valóságnak, és hogy Frölich
Róza szinmüvésznő nem is létezik. Ronda belecsimpaszkodott ebbe
a vidám hitbe és csodálkozott, hogy csak most jött rá. Kortyintott a
sörből.
Szomszédja az egészségére kivánta. Öregedő és pocakos
polgár volt, gyapjuingbe, amely fölött a mellény nyitva volt. Ronda
sokáig sanditott rá a sarokból. A polgár megitta a sörét. Becsületes
kezével végigsimitotta nedves, halványsárga bajuszát. Ronda most
már kirukkolt:
– Ez tehát Frölich Róza kisasszony, az, aki most énekel, nemde
ugyebár?
Harsogott a taps, mert a szinésznő éppen befejezett egy dalt.
Ronda várt és még egyszer kérdezte.
– Frölich Róza – mondta a polgár. – Má’ honnan tudjam, hogy
hivják ezeket az izéket, mind afféle, olyan jófajta.
Ronda rosszalóan azt akarta megjegyezni, hogy ott künn a
szinlapon az ő neve van hirdetve; – de a zongora megint kalimpálni
kezdett, most már kissé halkabban és már értett is valamit a dalból:
pár szót, amelyet kimondván a cifra perszóna, fölemelte a
szoknyáját és huncutul és szemérmetlenül az arcához nyomta:
»Mert szüz vagyok, kis gyenge szüz.«
Ronda ezt szamárságnak tartotta és egybevetette azzal a bárgyu
felvilágositással, amit a szomszédja adott, elzápult a kedve: az az
érzés zápitotta el, hogy ilyen világban kell rostokolnia, amely saját
magának megtagadása volt, s az a lelke mélyéből fakadó utálat,
amelyet azokkal szemben érzett, akik a levegőben bámultak és nem
olvastak, hangversenyen voltak és még a müsort se nézték meg.
Furdalta a gondolat, hogy több száz ember ül itt, aki nem »figyel«,
nem követi az előadás »menetét«, csak dinom-dánomozik és
szemérmetlenül és hasztalanul »mással« foglalkozik. Hatalmasat
ivott a poharából.
– Ha tudnák, hogy ki vagyok, – gondolta magában és az
önérzete megpuhult, jóságos és ködös lett, az emberi páráktól, a
véres légfütéstől lángra szitva. Sürü ködbe zsugorodott a világ,
tétova gesztusokkal… Végigsimitotta a homlokát; ugy tetszett, hogy
az a perszóna ott fenn többször énekelte: »Mert szüz vagyok, kis
gyenge szüz«, most befejezte és a terem tapsolt, orditott, ujjongott
és tombolt. Ronda néhányszor összecsattintotta a kezét, közel a
szeméhez és a szeme csodálkozva nézte ezt. Egyszerre csak,
meggondolatlanul és ellenállhatatlanul kedve szottyant, hogy a
lábával is dörömböljön. Elég erős volt, ellenállt a kisértésnek. De
nem haragudott meg a kisértésre. Vidám és filozófikus mosollyal
bámult maga elé és megállapitotta, hogy – jól jegyezzük meg –
esendő az ember.
– Persze, persze, – tette hozzá – esendő mind.
A táncosnő lejött a terembe. A dobogó mellett kinyilt egy ajtó.
Ronda rögtön észrevette, hogy valaki onnan figyeli. Egyetlen egy
ember forditotta feléje az arcát és ez egyenesen állt és nevetett; és
ez senki más nem volt, mint Kieselsack, a semmiházi.
Alig hogy ezt megtudta, Ronda felpattant. Azt érezte, hogy egy
pillanatra megfeledkezett magáról és a diákok mindjárt
helytelenkedni kezdenek. Két katona vállát széttolta, átfurakodott a
tömegen, hanyatthomlok rohant előre. Néhány munkás ellenkezett,
egyik minden teketória nélkül lependeritette a kalapját. Ronda fejére
tette a szutykos kalapot. Kiabálták:
– Ennek ugyan megadták.
Kieselsack hátul kuncogott és a felsőtestével előregörnyedt,
annyira rázta a kacagás. Ronda előre iparkodott; az állkapcsaival
mindig zavartabban csattogott. Hátulról azonban lefülelték. Leverte
egy matróz groggját, meg kell hogy fizesse. Fizetett is mint a köles.
Már csak pár lépést kellett tennie. Száguldott s állandóan a nevető
Kieselsackra nézett, megbotránkozva a határtalan elvetemültségen;
– egyszer csak valami puhába ütközött és egy nagyon kövér, nagyon
hiányosan felöltözött hölgy forditotta felé haragos arcát, kezével
tartva össze szétnyiló estélyi köpenyét. Egy férfi jött oda, aki nem
volt rokonszenvesebb, a frizuráját kinyalta, trikót viselt és egy
kiérdemült kabátot és ő is szitkozódott. Ronda belebotlott a nő
szalvétás tányérjába és a pénzek szerteszét röpültek. Tüvé tettek a
szobát, Ronda is keresgélt zavartan, céltalanul. Feje a padlón
szaglászott s mellette dühös lábak tiportak, vádak hangzottak el,
gunyos megjegyzések, káromkodások, néhány kemény marok kicsit
meg is mángorolta. De Ronda feltápászkodott, vörösen, ujja között
egy kétpfennigest tartott. Szaggatottan lélekzett, vak tekintettel
tapogatódzott körül, azokat nézte, akik ellenségeivé lettek. Ma már
másodszor érezte a forradalom szelét az arcokon. Hegyesen
böködni kezdte a levegőt mindenfelé, mintha végtelen sok lázadó
törne rá. Ebben a pillanatban meglátta Kieselsackot, aki széttárt
karokkal feküdt a zongorán és egész teste vonaglott a röhögéstől.
És most hallotta is, hogy nevet. Most már szédült Ronda, a zsarnok
őrjöngő félelmében, akinek kastélyába betör a csőcselék és mindent
megsemmisit. Ebben a pillanatban minden erőszak jogosultnak
látszott előtte, nem ismert mértéket. Orditott és a hangja hatalmasan
kiöblösödött:
– A dutyiba! A dutyiba!
Kieselsack, aki már látta közeledni, szót fogadott. Kiosont az
ajtón, amely közvetlenül a pódium mellett nyilt ki. Ronda is – egy
szempillantás alatt – a szobában termett. A vörös függöny mögül
egy kar nyulott előre. Felé rohant, erre azonban a függöny mögött
levő diák kiugrott az ablakon. Mire Ronda utána nézett, Kieselsack
már szépen kereket oldott. Ronda tisztán látta, hogy elől a
kapualjából egy másik alak is kimenekült; felismerte: Ertzum grófot.
Ronda lábujjhegyre ágaskodott, de az ablak nagyon magasan volt.
Igyekezett felkapaszkodni. Mig a párkányra könyökölve lebegett,
háta mögött éles hangon szólalt meg valaki:
 – Előre, fiatal ember, előre.
Ronda lepottyant és megfordult: mögötte állott a cifra perszóna.
Végignézte a cifra nőt, az álla hangtalanul mozgott. Végre
kibökte:
– Ön – nemde ugyebár – az a Frölich Róza nevezetü szinésznő?
– Ühüm, hát aztán? – felelte a hölgy.
Ronda jól tudta.
– És ön itt ebben a vendéglőben szórakoztatja a közönséget?
Ezt is jól tudta, de tőle magától akarta hallani.
– Kinek mi köze hozzá – mondta a szinésznő.
Ronda levegő után kapkodott; az ablak felé mutatott, melyen
keresztül Kieselsack és Ertzum megugrottak.
– Mondja csak, – jól jegyezzük meg – helyes cselekedetnek itéli
ön ezt?
– Mi a ménküt?
– Ezek diákok, szegények – mondotta Ronda; és azután
reszketve, a lelke legmélyéből jövő hangon ujra ismételte:
– Ezek diákok, szegények.
– Bánom is én. Nekem ugyan nem sok hasznom van belőlük.
Frölich kisasszony nevetett. Ronda rettenetesen kifakadt:
– És ezeket ön elvonja az iskolától, kötelességük szinhelyétől.
Megmételyezi őket.
Frölich Róza már nem nevetett; mutatóujját a saját mellére
biggyesztette.
– Má’ mint én? Magánál, lelkem, ugy látszik, nincsenek otthon.
 – Még tagadni merészkedik? – kérdezte Ronda harcrakészen.
– Miért tagadjam. Hála Istennek, nincs is rá szükségem.
Szinésznő vagyok. És nem kunyorálok engedélyt magától, hogy
szabad-e az uraknak csokrot küldeni nekem.
A szinésznő egy sarokba mutatott, ahol egy toalett-tükör előtt,
jobbról is, balról is, két nagy csokor állott. Vállát vonta.
– Még ez a kis öröme se legyen az embernek, és aztán kicsoda
az ur?
– Én… Én vagyok a tanárjuk – mondta Ronda, mintha egy
világmegrengető dolgot közölne.
– Hát persze, – engedékenykedett a szinésznő –, hát persze,
akkor magának nem olyan smafu a dolog, mint nekem.
A szinésznő életfelfogásával sehogy sem tudott Ronda
megbarátkozni.
– Tanácsolom önnek, – mondta Ronda – rögtön hagyja el ezt a
várost az egész truppjával együtt, egy-kettő pakoljon innen, mert
különben – Ronda ujra felemelte a hangját – mindent elkövetek,
hogy az ön előmenetelét, ha nem is lehetetlenné, de mindenesetre
kinos-keservessé tegyem. Igenis – jól jegyezzük meg! –
gondoskodni fogok arról, hogy az ön üzelmeiről a rendőrség is
tudomást szerezzen.
E szónál nyomban feltetszett Ronda arcán az a mérhetetlen
megvetés, amit Frölich Róza iránt érzett.
– Ugy látszik, hogy nincs meg mind az öt kereke, nekem
azonban megvan. Fogadja részvétem.
Részvét helyett azonban egyre határozottabb haragot mutatott a
szinésznő.
– Még szcénákat mer csinálni a történtek után? Már előbb is
nevetségessé tette magát. Menjen a rendőrségre. Csak fusson.
Majd magát tartóztatják le. Micsoda egy link ember. Itt, ahol annyi
finom ur forog, nincs helye az ilyen alaknak. Mit szólna ahhoz, ha
egy katonatiszt barátomat magára uszitanám. Egyszerüen
felnégyelné.
Ennél a szónál igazán kaján részvét tükröződött a szinésznő
arcán.
Ronda eleinte még szóhoz akart jutni. Lassacskán azonban az
akarata erejével visszahessegette azokat a kész gondolatokat,
melyek állkapcsai közül ki akartak robbani, visszataszitotta a
mélységbe, ahonnan azután nem is bukkantak fel többé.
Megdermedt: ez a nő nem iskolakerülő diák volt, aki ellenszegült és
egész életén keresztül félt a virgácstól, mint a városban minden
polgár. Nem, ez a nő egész uj tipus volt. Amint a találkozásuk óta
beszélt, abból kiütközött a szelleme és reá fuvallt: valami zavaró
forradalmi szellem ez. A szinésznő idegen hatalom volt és
szemmelláthatóan teljesen egyenrangu vele. Hogyha ez a szinésznő
sokáig kérdezgeti, egyszer csak nem tud felelni neki. Már nem is
nézte le: olyan tiszteletfélét érzett iránta.
– Különben is fütyülök az egészre – mondta a szinésznő
félvállról, egy kukkot se szólt többé és hátat forditott neki.
Már megint verték a zongorát. Kinyilt az ajtó, bejött rajta az a
kövér nő, akivel Ronda összezörrent, a férjével együtt jött a szobába
és azután ujra visszament. A nő a tányért rátette az asztalra és
estélyi köpenye haragos ráncokban hullámzott.
– Még négy márkát se tányéroztunk össze – mondta a férfi. –
Potyafráterek.
Frölich Róza hidegen és haragosan válaszolt:
– Nézzék, ez az ur fel akar bennünket jelenteni a rendőrségen.
Ronda dadogott, a tulerőtől való félelmében. Az asszony egy
lendülettel megfordult és végigmérte. Ronda ugy érezte, hogy a
szinésznő elviselhetetlenül álnok, elpirult, lesütötte a szemét,
tekintete az asszony husszinüre festett lábaszárára esett, mire
összerezzent és elfordult. Közben a férfi hallható erőlködéssel
halkitotta a hangját:
– Skandalumot csinált itten, mi? Na én már régen megmondtam
a Rózának, hogy aki itt félténykedik és mindent csak magának akar
kaparintani, az repül innen. És maga – a fiatal urakra! Afféle jómadár
lehet az ur, biztosan ismerik a rendőrségen is, maga vén steiger.
De a felesége megbökte; ő teljesen más véleményen volt Ronda
felől.
– Ugyan ne ordijj, hisz ez a légynek se vét.
Rondához pedig igy szólt:
– Hát magára rájött, mi? Néha bizon megesik az. Az uram is
olyan, mint a veszett fene, mikor azt hiszi, hogy megcsalom, van is
olyankor hadd-el-hadd. Na csüccsenjen le szépen és igyék egy
kortyot.
Lerámolt egy székről egy csomó tarka szoknyát és nadrágot,
fogott egy poharat és teletöltötte az asztalon álló üveg tartalmával.
Ronda ivott, csakhogy elhallgattassa. Az asszonyság azonban
tovább kérdezősködött:
– Mióta ismeri a Rózát? Még sose láttam magát itten.
Ronda motyogott valamit, de a zongora elnyelte a szavát. Frölich
Róza kisasszony magyarázgatta:
– Ez azoknak a fiatalembereknek a tanárja, akik mindig itt ülnek a
nyakamon.
– Ahá, maga tanár? – mondta az artista. Ivott, csettintett a
nyelvével, régi kedélyességét ujra visszanyerte.
– Ide hozzám! Maga az én emberem. Remélem, legközelebb
maga is a szociáldemokrata pártra fog szavazni. Tudja-e, ha mi nem
vagyunk, maguk várhatnak fizetésjavitásra, mig meg nem
penészednek. A szabad müvészet éppen ilyen mostohagyermeke az
államnak: a rendőrség folytonosan beavatkozik, de pénzt, azt nem
adnak. A tudomány…
Rondára mutatott.
–… és a müvészet.
Itt pedig saját magára mutatott.
–… egyformán nyomorog.
Ronda tiltakozott:
– Lehetséges, kérem, hogy önöknél ugy van, ahogy ön mondja,
de az első feltevésben téved, mivelhogy én nem vagyok néptanitó,
hanem tanár a városi gimnáziumban, nevem doktor Gonda.
– Isten éltesse – felelt az artista. – Mindegy, hogy minek hivják az
embert. Tanárosdit is játszhatik én miattam, ha kedve tartja, hanem
azért nem kell mindjárt nagyképüsködni.
– Hát maga tanár? – mondta barátságosan a kövér asszonyság.
– No magának se lehet valami rózsás sora. Hány éves?
Ronda készségesen felelt, mint egy kis diák:
– Ötvenhét éves.
– Hogy bemocskolódott! Adja ide a kalapját, legalább kicsit
letisztogatom.
Elvette Ronda öléből a kalapot, megtisztogatta, még körül is
simitotta a karimáját és kedveskedve igazitotta Ronda fejére. Utána
megveregette a hátát, közben pedig csintalanul és elégedetten
pislogott Ronda vállán keresztül.
Ronda félszegen mosolygott:
– Ezt ön, – jól jegyezzük meg! – nem tagadom, nagyon ügyesen
csinálta.
 Csakhogy most valami mást érzett, mint a fölebbvaló szokott
fanyalgó elismerését az elvégzett kötelességekkel szemben. Érezte,
hogy olyan emberek közé került, akik között, bár megmondta a nevét
és állását, tökéletes inkognitóban van és amellett meleg szeretettel
veszik körül. Ezeket nem gyanusitotta tiszteletlenséggel.
Megbocsátott nekik; hiányzik bennük »minden erkölcsi érzék«; és
ezzel megbocsátotta azt is, hogy örült és hogy fittyet hányt a
makacskodó világnak, hogy a szokott feszt levetette és – bár csak
egy negyedórácskára – leszerelt.
A kövér artista egy pár alsónadrág alól előkotorászott két német
zászlódarabot, belétüsszögött, közben pedig helyeslően hunyorgott
Ronda felé. A kövér hölgy minden félelme elapadt; Ronda rájött,
hogy a hölgy sanda tekintete leginkább a fekete szemfestéktől
származik. Csupán Frölich kisasszonnyal nem tudott még
összebarátkozni. A müvésznő saját magával volt elfoglalva; feltüzött
szoknyácskájára csináltvirágokból füzért varrt.
A lármás zongora már nem kalimpált. Csöngettek. Az artista igy
szólt:
– Ez a mi számunk, Gusztl.
Rondának pedig egy jóltevő gesztussal ezt mondta:
– Ezt megnézheti, tanár ur, érdemes.
Ledobta ócska és szük kabátját, az asszony pedig levetette
estélyi köpenyét. Menetközben pedig még pajkosan megfenyegette
Rondát az ujjával:
– Aztán maradhasson kicsit. A Róza nem rossz lány. Csak ne
olyan hevesen.
Félig felnyitották az ajtót és Ronda látta, hogy ez a két vaskos
teremtés minden szégyenkezés nélkül beléfog valami hejje-hujja-
táncba, a karjukat hátul összekulcsolják, fejüket a nyakukba
merevitik és öntelt mosollyal várják a tapsot. Ez nem is maradt el.
Alig hogy kiléptek, ujjongó lárma és taps fogadta őket.
 Az ajtót ujra becsukták. Ronda magára maradt Frölich Róza
müvésznővel. Nyugtalanság fogta el és félve jártatta szemét végig a
szobán. Piszkos törülközők hányódtak a földön a felbokrétázott
toalett-tükörtől egész az asztalig vezető uton, ahol Ronda ült. A két
borospalackon kivül az asztal tömve volt még poharakkal és
tégelyekkel, melyek büzlöttek a különböző kenőcsöktől és egyéb
zsiradékoktól. A borospoharak alatt kották voltak. Ronda a magáét
félősen huzta errébb egy füző közeléből, amit a kövér hölgy tett oda.
Az egyik legkalandosabb ruhadarabokkal boritott székhez
támasztotta Frölich kisasszony a lábát, amig varrt. Ronda nem
közvetlenül látta ezt, odáig nem merészkedett volna, hanem a
tükörből, melynek a müvésznő háttal volt. Az első izgatott pillantása
Rondának egy hosszu, nagyon hosszu ibolyakék himzéssel boritott
fekete harisnyára esett. Egy jó ideig szünetelt ezután, nem mert oda
se pislantani. Később arra a félelmetes felfedezésre jutott, hogy a
kisasszony égszinkék, fekete hálóval boritott selyemruhája alig ér a
hónáig, ugy, hogy valahányszor egyet öltött a hosszu cérnával,
mindannyiszor valami szőkeség villogott ki a hónaljából. Erre azután
Ronda nem nézett többé feléje…
A csend fojtogatta. Odakünt se volt már oly nagy a lárma, mint
előbb. Csupán szaggatott, nyögdécselő, kissé rekedt, kissé
elhájasodott hangok szüremlettek be, kövér emberek fáradságának
szuszogó hangjai. Teljes csend; csak holmi fémszerü dolog
csörömpölése hallatszott, valami, amit ki-be hajlitanak. Nehezen
meghatározható zörej, olyasmi, mint egy nagy tömeg lélekzetvétele.
Hirtelen ez a szó csendült ki: »le«, utána pedig rövid egymásutánban
két nehéz puffanás. És a tapsvihar közül ez a két szó: hogyvolt!
hogyvolt!
– Ezt jól csinálták – mondta Frölich kisasszony és levette lábát a
székről. Elkészült.
– Hát magával mi van? Megkukult?
Rondának muszáj volt odanézni; de ujból megzavarodott a
müvésznő tarkaságától. A haja vörhenyes volt, tulajdonképpen
rózsaszinü, csaknem lila és egy csiszolt kövekkel kirakott, elferdült
diadémot viselt a fején. Szemöldjei fakókék szemei fölött tulfeketék
és harciasok voltak. De arcának szép tarka szineit, a vöröst, kékest
és habfehért erősen belepte a por. A frizurája behorpadt és mintha
veszitett volna ragyogásából ebben a füstös vendéglői teremben. A
kék pántlika hervadtan csüggött le nyakáról, a csináltvirágok holtan
bólogattak szoknyája aljáról. Cipőjének lakkja lemállott, harisnyáján
két folt diszelgett és rövid ruhájának kifakult selyme sokféle
árnyalatban játszott a gyürött ráncok között. Enyhén gömbölyödő
karjának megpuhult husa és vállai, dacára a minden gyorsabb
mozdulatnál lepergő fehéritő pornak, kissé elnyüttnek tetszettek. Az
arcát már ismerte Ronda, a fenhéjázó rosszindulatu vonásokat,
amelyek még most voltak kifejlőben és amelyeket Frölich Róza
szinmüvésznőnek mindezideig sikerült elsimitani és elfelejteni.
Féktelenül kacagott a világon, saját magán.
– Az imént pedig ugyancsak ugrándozott – mondta még hozzá.
De Ronda hegyezte a füleit. Azután hirtelen, megfeszitett testtel
egyet ugrott, mint valami öreg kandur. Frölich kisasszony vékony
visitással menekült. Ronda feltépte a vörös ablakot… Nem, a fej,
amelynek körvonalait a függöny mögött észrevette, ismét kámforrá
vált.
Ronda visszament a helyére.
– Hogy megrémiti az embert – mondta a müvésznő.
Ronda anélkül, hogy bocsánatot kérne, rögtön a dologra tért.
– Ön bizonyára ismeri az itteni fiatalságot – nemde ugyebár?
Róza kisasszony könnyedén riszálta a csipejét.
– Én mindenkivel egyformán udvarias vagyok, aki tisztességesen
viselkedik velem szemben.
– Persze, persze. Ezt értem. És a gimnáziumi diákoknak –
nemde ugyebár – gyönyörü erkölcseik vannak, általában?
– Ugyan, hát mit képzel maga? Azt hiszi, hogy én ide engedek
egy egész iskolát? Nem vagyok én kisdedóvónő.
 – Neem… neem…
Utána figyelmeztető hangon segitette a müvésznő
emlékezőtehetségét:
– Többnyire tornasapkát viselnek.
– Ha sapkát viselnek, akkor ismerem őket. Egyébként, hát amugy
is van az embernek némi tapasztalata.
Ronda megragadta ezt a szót.
– Na, azt elhiszem, hogy van tapasztalata.
Róza kisasszony tüstént harcba lépett.
– Hogy érti ezt, kérem?
– Ugy értem, hogy van emberismerete…
Feléje emelte az egyik tenyerét, ijedten és bocsánatkérően.
– Emberismerete. Nagyon sokaknak hiányzik ez, nagyon nehéz
megszerezni és nagyon keserves.
Hogy jóindulatát el ne veszitse, hogy közel férkőzhessen hozzá,
mivel szüksége volt rá és mert félt tőle, kissé jobban megnyilatkozott
előtte, mint általában szokott.
– És nagyon keserves. Mindazonáltal szükséges, hogy
hasznunkra forditsuk és miután megszereztük, éljünk vele.
A leány tökéletesen megértette.
– Ugy-e? Az osztán kunszt, ezektől valamit kipalizni!
A leány széket hozott magának.
Tudja maga, micsoda élet ez itt? Aki csak beteszi a lábát, azt
képzeli, hogy éppen őt várták. Mindegyik akar valamit az embertől.
Utána pedig, el se hinné, majd mindnyájan a rendőrséggel
fenyegetőznek! Maga is…
 És itt megérintette Ronda térdét.
– Azzal jött maga is az imént. Szép dolog, mondhatom.
– Semmi esetre sem szándékoztam ezzel a nőnek tartozó
tiszteletet megsérteni – mondta Ronda.
Kényelmetlenül érezte magát. Ez a cifra fehérszemély olyan
dolgokról beszél itten, amelyekről nem nyilatkozhat szokott
őszinteségével. Azonkivül térdeit is a lába közé nyomta már. Frölich
kisasszony észrevette, hogy kezd nem tetszeni a tanárnak és az
arca hirtelenül szelid és okos lett.
– Akkor már inkább fütyülök az egészre és tisztességes
maradok.
Mivel Ronda ezt nem ellenezte, tovább beszélt:
– Izlett a bor? Ezt a maga diákjai fizették. Ezek ugyancsak hamar
megkergülnek. Egyik máris fülig szerelmes belém.
Ujra tele töltötte Ronda poharát. Hizelegni akart neki.
– Ki fogok pukkadni a röhögéstől, ha mire azok a kölykök
visszajönnek, maga elissza előlük az egész bort. Néha nagyon
kárörvendő vagyok. Bizony, lassacskán elromlik az ember.
– Csakugyan – dadogta Ronda és pohárral kezében, szörnyen
szégyelte magát, hogy Lohmann borából ivott. Mert Lohmann volt az
a diák, aki fizette. Lohmann itt volt, megszökött a többiektől. Nyilván
most is itt rejtőzik valahol a közelben. Ronda az ablak felé
kancsalitott: a függöny állandóan egy arc formátlan árnyékát
mutatta. Ronda azonban tudta, hogy abban a pillanatban, amikor
neki akarna menni, tüstént eltünne. Lohmann volt az az árnyék:
Ronda határozottan érezte, hogy Lohmann a legelvetemültebb, a
legmakacsabb, aki még csak nem is csufolja őt; ő volt az a
láthatatlan kisértet, akivel Ronda hadakozott. A másik kettő nem
kisértet és Ronda érezte, hogy ezeknek bajos lett volna őt ilyen
helyzetbe hozni, ilyen szokatlan tettekre kényszeriteni és odáig vinni,
hogy ebbe a kis öltözőbe kerüljön, Frölich Róza kisasszony
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

textbookfull.com