向量范数在图像方面的一点小理解

今天早上读了一篇论文，题目为"Dynamic Imaging:Real-Time Detection of Local Structural Damage with Blind Separation of Low-Rank Background and Sparse Innovation"，实话实说，论文没有什么创新点，感觉完全是套用了一下RPCA模型，因此我读的很快，顶多一个小时就读完了。即使没有太强的创新点，读完文献总还是有些收获的。这篇文献给我的最大的收获是里面对两个常用向量范数的“称呼”，为在机器视觉领域使用这两个范数提供了一种新的视角。

第一个范数是无穷范数。众所周知，向量的无穷范数指的是向量中元素绝对值的最大值，在这篇文献里，作者把无穷范数称为一种"局部"度量，用这个度量指标来判断是否存在缺陷。感觉这个还是很直观的，如果最大值超过了预定义的阈值，则说明当前向量对应的图像帧是有缺陷的。值得注意的是，在这篇文章里一个向量实际上对应着图像的一帧，作者是把一帧图像拉成一个列向量来看的，这种做法在低秩分解的应用中很常见，像高光谱去噪一般也是这么做的，有很多相关文献，博友们可自行google。

第二个范数是2范数，指的是向量的长度，在文中作者将其称作是一种“全局”度量，用这个指标来衡量当前图像帧的损坏程度。可不是嘛，当前图像帧损坏程度越大，其对应拉成的列向量的长度与普通正常的列向量差别越大，同时正是由于其计算长度，因此向量中的每一个元素都会参与运算，因此称之为全局在数学上也能对应起来，实数妙哉！

那既考虑局部又考虑全局该怎么办呢？于是作者就把这两个范数乘起来作为一个新的指标，指导着进一步的研究，这篇文章也就这样了，其他的地方真的没有太多可以分享的内容了。如果说还有，可能就是作者的英文写作了，水平很不错，很多例句值得学习！

这给我什么启发呢？单纯从做paper的角度，如果论文没有太强的创新点，适当考虑定义一些满足自己问题的指标，换一种恰当合理的称呼，也许对文章的接收可能会有一丢丢的帮助。