RPCA的一些理解

文章大意：

PCA方法鲁棒性不佳是由于矩阵的噪声并不完全是高斯噪声。对应到视频序列中就是，长时间的静止视频中每帧的图片相关性极高，而在有物体运动时，往往是部分像素有极大的变化，但是变化的像素较少。这也就是说，视频中图像可以分成相关性极高的背景以及少量像素的前景图像。即低秩部分以及稀疏部分。这是优于PCA的部分，即前景图像对矩阵的分解影响较小。（虽然论文中提到了，矩阵不是特别稀疏时也有很好的性能）

直接提应用方式：

将视频中的一张图片以行的方式依次存入到一个行向量中，而视频包含的图片数作为其矩阵的行数。由此将视频存成一个矩阵，对该矩阵进行分解，然后将两部分恢复成单张图片即可。

我们希望矩阵分解后产生一个低秩的矩阵和一个稀疏的矩阵，即最小化rank(A) + E的0范，因为问题的复杂性，将其放宽到：

即最小化特征值与稀疏矩阵非零元素的和。

有关RPCA方法的结果显示：

inexact_alm结果显示：

这段视频两种方法的差异并没有论文中的明显。

没有查找到PCP方法的代码部分，代码根据下列迭代方式编写

有关公式的理解

不关注k，k+1该部分只是迭代的固有格式，3,4反过来做也可以，4中的L上的k+1改为k应该也行，不过上述写的方式收敛比较快。

有关各部的参数问题

u的取值并没有明确的证明，只有一个最小值的证明。

u存在其最小值，u非常小时会导致迭代时，所有量都会像误差项集中；u非常大时，将导致低秩部分中会混杂入稀疏部分，不过误差项仍会向零向量移动。也就是这时仍是收敛的

u较大时，收敛速度会提高，不过过大会造成混杂，最终效果会变差。u小时，收敛速度较低，不过效果比较好（太小导致不收敛）

lambda的取值一般设定为矩阵行列中值较大的值进行开方后的倒数值。

有关迭代部分的理解：

3式右边的矩阵为低秩的部分，我们希望它的秩更加低，将矩阵进行svd分解后，去除过小奇异值后，将矩阵还原（实际上这常用于图片的压缩）。

4式右边的矩阵为稀疏部分，我们当然希望它更稀疏，也就是将小值的元素部分去除

5式则是误差项的更新。

而结束条件如下：

这里u的取值也提到了。

F范数代表矩阵的能量。 

一般形式的图像：加上噪声项的部分，之前看到一篇文章的名字（有关该部分的）：

Stable Principle Component Pursuit (SPCP)/ Noisy Robust PCA

最后有关代码编写中的一些备忘：

在分解出的稀疏矩阵中，该矩阵元素为正负均有，最终的显示将图片取绝对值，然后在0-255的范围中显示。