深刻理解KSVD字典训练方法

在两个博客的基础上深入理解KSVD算法字典训练过程，包括程序运行的步骤：

https://i-blog.csdnimg.cn/blog_migrate/692deee1418ab65344751be969c6308b.png

http://blog.sina.com.cn/s/blog_9206acb20101crbw.html

一。K-均值算法：（每个信号由一个Ck表达）

    输入参数：

    目标函数： ek为自然向量，除第k个分量为1，其余为0

    输出：（1）求坐标矩阵X（本质上是稀疏编码，每一列非零元只有一个），X=[x1,x2,x3,...,xN]；（2）矩阵C（迭代更新码本），

   理解：本质是通过N个信号，分成K类，每一类的中心点就是码字，是一个迭代过程

  举例：如下,K=2.

   

二。K-SVD算法-广义K-均值算法（放宽了坐标矩阵X（每一列非零元有多个，记为K0个），每个信号yi由多个Ck线性组合而成）

      

    输入参数：

    目标函数： 字典D相当于码本C

    输出：（1）求坐标矩阵X，X=[x1,x2,x3,...,xN]；（2）字典D（迭代更新码本），

    注意：迭代求出目标值的时候，不能立即采用SVD分解来做（否则这样可能使解发散），

    举例：K-SVD最大的不同在字典更新这一步，K-SVD每次更新一个原子（即字典的一列）和其对应的稀疏系数，直到所有的原子更新完毕，重复迭代几次即可得到优化的字典和稀疏系数。如下。

             
           

如上图（左上），现在我们要更新第k个原子，即d_k..那我们需要知道在上一步迭代之后哪些信号使用了该原子，即稀疏系数不为0的部分是哪些？从左上图中很容易看出，x'的第k列T(x_k)，也就是x的第k行中不为0的那部分所对应的T(y_k)即是我们要找的信号，结果见左下图蓝色部分。我们用d_k和稀疏系数x(k)'来重构这部分使用了d(k)的信号，它和T(y_k)的差值即E，右上图中绿色部分，接下来我们要使用右下图这个约束来更新x_k和d_k这两个值…如此反复，直到过完备字典D的所有原子更新完毕为止…求解这个x_k和d_k，直接对E进行SVD分解即可。

matlab代码

function [A,x]= KSVD(y,codebook_size,errGoal) 
%============================== 
%input parameter 
% y - input signal 
% codebook_size - count of atoms 
%output parameter 
% A - dictionary 
% x - coefficent 

%============================== 
if(size(y,2)<codebook_size) 
   disp('codebook_size is too large or training samples is too small'); 
   return; 
end 
% initialization 
[rows,cols]=size(y);
 r=randperm(cols); 
A=y(:,r(1:codebook_size)); 
A=A./repmat(sqrt(sum(A.^2,1)),rows,1); 
ksvd_iter=10; 
for k=1:ksvd_iter 
 % sparse coding 
        x=OMP(A,y,5.0/6*rows); 
  % update dictionary 
    for m=1:codebook_size 
       mindex=find(x(m,:)); 
       if ~isempty(mindex) 
            mx=x(:,mindex); mx(m,:)=0; my=A*mx; resy=y(:,mindex); 

            mE=resy-my; [u,s,v]=svds(mE,1); A(:,m)=u; x(m,mindex)=s*v';
       end 
   end 
end