Double Sparsity: Learning Sparse Dictionaries for Sparse Signal Approximation

from:http://rabbit3306.diandian.com/post/2012-06-14/40027417022

12-14是Ron Rubinstein, Student Member, IEEE, Michael Zibulevsky, and Michael Elad, Senior Member, IEEE. 2010.2.10

字典分两种，一种是隐性字典，implicit dictionary，这种主要是由它们的算法表现出来的，而不是矩阵结构，比如wavelet，curvelet，contourlet，等等。另一种是通过机器学习来从样本中获取字典，这种字典表现为一种显性矩阵，explicit matrix，而算法是用来适应矩阵的，比如PCA，GPCA，MOD，K-SVD等等，这种字典的好处在于比前一种灵活，表现也好，坏处就是耗费时间和运算资源，另外复杂的约束限制了字典的大小以及需要处理的信号的维度（所以论文提出的这个算法最后用3D图像去噪来表现优越性）。

本文提出的方法跨越了这两种字典的鸿沟。

之前存在的算法，一种是正交基的归一化组合，这种方法通过块协调松弛（Block-coordinate-relaxation BCR）可以稀疏表发，并且算法简单有效（有效是指的是字典收敛得快？），但是缺点是字典结构太严格了，并且表现不好。一种是半多层次结构算法，硬性地将子字典排列成一种稀疏的形式，本文的方法就是吸收了这种稀疏字典的形式。还有一种是Signature字典，这种字典来源于一个紧致的Signature图像，图像的没一个子块构成了字典的一个原子。这种字典的好处是几乎是translation-invariance，减少过重叠，当用相邻信号块的关系的时候编码很快，但是这种字典的参数很少，每个原子一个系数也导致字典更严格，这篇论文提出的方法就是增加了参数，每个原子的系数1到p之间。

字典的两个主要性质：复杂度和适应性，第一个性质是指操作性，需要多复杂的操作步数，比如OMP等等；第二个性质是指适用性，是否在不同图像上普遍表现好。第二个性质的代表就是小波。

怎样兼顾这两者呢？这就需要一个带参数的字典模型提供足够的自由度。从K-SVD方法提取出来的字典中可以看到，字典本身是有结构的，原子本身是规则的，因此或许可以假设字典本身在某个更基础的字典上是稀疏的。

因此之前的D就可以代换成Fai*A，A是一个稀疏矩阵。Y=Fai*A*X；双稀疏字典的算法就是在已知Y的情况下计算出稀疏矩阵A和稀疏表示X。Fai其实和训练字典一样，随便选个初始化的值，会随着迭代变化，最后变成理想字典，若用最后的Fai做字典，那么稀疏表示是A*X，若用Fai*A做字典，那么稀疏表示是X。

算法解释：大体上就是两次K-SVD的嵌套，如果按照论文的步骤，12-14步是一次K-SVD，只更新了稀疏表示a，没有更新字典的原子；5-15步是一次K-SVD，更新了稀疏表示X，字典的原子更新是通过稀疏表示a的更新实现的。初始化各个值之后，把Fai*A看做一体，用K-SVD求X，然后注意力集中在A的一行上，以及X的对应一列上，计算这一行和这一列的贡献，用K-SVD求这个贡献在Fai上的稀疏表示，求出来的稀疏表示替代了A原来那一行，同时更新X的一列。

clear all

%% 初始化，和前面很多一样的地方，因为我懒，借用了，

if not(exist('w'))

w = 10;

end

n = w*w;

p = 2*n; % 字典中原子的个数

m = 20*p; % 训练用块数的多少

sp1 = 4; % 稀疏表示X的稀疏度

sp2=3; % 稀疏矩阵A的稀疏度

if not(exist('f'))

f = rescale( crop(load_image('barb'),256) ); % 截取原图像的中心区域

end

n0 = size(f,1);

q = 3*m;% Overlapping

x = floor( rand(1,1,q)*(n0-w) )+1; % 随机选取块的中心像素位置，x坐标

y = floor( rand(1,1,q)*(n0-w) )+1; % 随机选取块的中心像素位置，y坐标

[dY,dX] = meshgrid(0:w-1,0:w-1);

Xp = repmat(dX,[1 1 q]) + repmat(x, [w w 1]);

Yp = repmat(dY,[1 1 q]) + repmat(y, [w w 1]);

Y = f(Xp+(Yp-1)*n0);

Y = reshape(Y, [n q]);

Y = Y - repmat( mean(Y), [n 1] );

[tmp,I] = sort(sum(Y.^2), 'descend'); % 按照递减排列

Y = Y(:,I(1:m)); % 取前m个作为训练样本

ProjC = @(D)D ./ repmat( sqrt(sum(D.^2)), [w^2, 1] );% 归一化

sel = randperm(m);

sel = sel(1:p);

D0 = ProjC( Y(:,sel) ); % 取p个归一化后的训练样本作为初始字典

D = D0;

It=15; % 循环次数

A0 = eye(200,200); % 初始化A0，这里有点不懂，论文上关于A也没说太清感觉，是我没看太懂吧还是，反正A是可以随便选的，当然前提是要稀疏，我开始选了ones，明显就不行

A=A0; % 初始化A，

for i=1:It % 总的循环次数

Xs=zeros(p,m);

%% OMP求稀疏表示

D1=D*A; % 固定D和A，把D*A看做字典

F = omp_m(m,Y,p,D1,n,sp1,Xs); % 用OMP的子函数算出稀疏表示X

X=F;

%% 计算稀疏矩阵A

for ite = 1:p

eff = A(ite,:)*X;

A(ite,:)=A0(ite,:)*0; % 抽取A的一行，取一行而非一列的原因和K-SVD一样，

Pos = find(eff); % A的一行被值为零，若eff中有不为零的，即为用到了A的这一行

if ~isempty(Pos) % 有时候A的这一行根本就没用着……

G=X(ite,Pos);

moG = G*G'; % 问题就在这里，有时候2范数为0！！

G = G/moG; % 求出的X的一行的归一化，

Yi=Y(:,Pos); % Y=D*A*X，X的一行当中不为0的数，反映在Y中就是Y的列

z=Yi*G'-D*A*X(:,Pos)*G'; % 计算A的一行和X的一行的贡献，本来A的一行的贡献为(Yi-D*A*X(:,Pos))，这个贡献再乘以G，就是再缩减到X的一行的贡献

Di=1;Xo = zeros(p,1);

a = omp_m(Di,z,p,D,sp2,Xo); % 用OMP的子函数计算出稀疏表示a，

auni=D*a;

auni=auni'*auni;

a=a/auni;

A(ite,:)=a; % 更新稀疏表示，这里用这种方法替代了SVD

Y2 = D*A*X(:,Pos);

X2 = Yi'*D*a-Y2'*D*a;

X(ite,Pos) = X2'; % 这里更新了外面一层的稀疏表示

end

end

end