稀疏与低秩表示总结与论文书籍推荐

最新推荐文章于 2021-01-12 18:02:09 发布

L一抹阳光

最新推荐文章于 2021-01-12 18:02:09 发布

阅读量2.2k

点赞数 10

分类专栏：稀疏表示与字典学习文章标签：字典学习稀疏表示图像去噪论文算法源码 matlab 数学

本文链接：https://blog.csdn.net/ldm_666/article/details/107093491

版权

稀疏表示与字典学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

1.稀疏性的度量
对于特定的稀疏表示方法，其优劣一般采用表示系数的稀疏程度来度量。图像的稀疏性一般采用L0范数来定义，即不为零的系数数量越少，越稀疏。然而，在图像处理的实际应用中，通常受到噪声干扰，采用L0范数来度量稀疏性的效果会变差，且度量的导数不包含任何信息，因此L0不能用于优化问题。在数学分析理论中，Lp范数常被用来度量稀疏性，其能较好地度量非零系数的个数与系数误差。而且，当0<p<1时，Lp与L0存在一定的关系，当p→0时，Lp范数越接近x中非零的个数。这篇文献（Comparing Measures of Sparsity）详细比较了不同的稀疏性度量，有兴趣的可以认真阅读一下。
在这里插入图片描述

2.稀疏表示
稀疏表示理论可以从不同的角度进行分类。由于不同的方法有各自的动机、思想和关注，所以从分类的角度来看，有各种策略可以将现有的稀疏表示方法划分为不同的类别。一般可以根据使用的正则化将稀疏表示总结为不同的类别，不同的正则化也有相应的优化算法。通常优化策略包括贪心算法（MP、OMP、ROMP），迭代收缩阈值算法（ISTA）和梯度投影稀疏重建（GPSR）等等，对于稀疏表示的算法以及应用的调查可以阅读这篇文文献（A Survey of Sparse Representation: Algorithms and Applications），该文献将现有的稀疏表示方法按照解析解和优化观点分为四类:贪心策略逼近法、约束优化法、基于邻近算法的优化法、基于同伦算法的稀疏表示法。
3.字典学习
字典学习方法对含有冗余信息的过完备字典采用稀疏表示，字典的选择时稀疏表示技术成功的关键，通过从稀疏表示出发，学习一个有效的字典来大致近似或模拟特定的数据。字典学习方法有基于L0范数正则化方法（如MOD最优方向法）、基于聚类的学习方法（KSVD）和这个文献提出的方法（Simultaneous Codeword Optimization (SimCO) for Dictionary Update and Learning）当考虑SimCO仅更新一个码字（原子）和相应的稀疏系数，产生的目标函数与K-SVD相同，但其在学习速度和字典性能两方面都优于K-SVD算法。从同一点开始，MOD，K-SVD，原始SimCO和正则化SimCO的收敛性是不一样的，见下图。该方面的详细内容有很多文献可以参考，有兴趣的可以阅读原文献，原汁原味。在这里插入图片描述
4.图像去噪
目前，稀疏表示技术已经逐渐发展起来并应用在图像处理中，比如图像超分辨、图像去噪和恢复等。通过KSVD算法去噪可以参考这篇文献（Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries）。这篇文献（Sparse and Redundant Modeling of Image Content Using an Image-Signature-Dictionary）提出了一种新的图像内容表示模型结构。新的字典本身是一个小图像，因此其中的每个补丁(在不同的位置和大小)都可能是表示中的一个原子。作者将其称为图像签名字典(ISD)，文章还介绍了使用签名字典进行图像去噪，详细内容可以阅读原文献。还有Elad&Aharon发表的文章（Image denoising via sparse and redundant represen- tations over learned dictionaries）提出了使用稀疏表示进行图像去噪最具代表性的工作，值得认真阅读。
5.低秩表示
根据定义，矩阵中的最大的不相关的向量的个数就叫秩。由矩阵秩的定义知道，若将图像看成一个矩阵，那么它的基的数量越少，基对应的线性无关向量数量就越少，矩阵的秩就越小。当它远远小于矩阵的大小的时候，图像就是低秩的。对于低秩的理解可以参考这篇博客，里面的摘录了一些知乎用户的回答，十分通俗易懂。

最后对于想学习研究稀疏表示字典学习的理论知识与应用，这里强烈安利Elad的书（Sparse and Redundant Representations：From Theory to Applications in Signal and Image Processing）该书中的各种算法有详细的描述，还有与之配套的源码，有需要的这里获取（链接：https://pan.baidu.com/s/1qxqfgdnNLav5hqVFRr18Yw 提取码：cayd），大家也可以去Elad的主页（https://elad.cs.technion.ac.il/），一定会有许多收获。在这里插入图片描述
还有Rish & Grabarnk写的一本（Sparse Modeling：Theory, Algorithms, and Applications ）

以及Bogdan Dumitrescu • Paul Irofti的书（Dictionary Learning Algorithms and Applications）
对于稀疏表示与低秩表示的内容远远不止于此，与其密切相关的有压缩感知，这个研究也是如今比较热的方向之一，对于更多的知识和内容，还有待学习和挖掘！上述的三本书有需要的可以购买，也可以看电子档的，这里分享给大家希望能帮助到你，有需要的请自取。
（链接：https://pan.baidu.com/s/12EVTceULJH2j2xnej58wkw 提取码：uz6k ）