低秩矩阵完备_高光谱影像去噪总结（一）：低秩学习方法

即将结束三年的研究生生涯，在此真诚地感谢关心和帮助过我的所有老师，同学和朋友们，以及关注该公众号的学友们，祝你们前程似锦，学习进步！

利用在学校的最后一点时间，我将硕士期间的学习收获分享给大家，希望能够有所帮助，主要分享的内容分为三部分，前面两部分，分别是目前使用低秩学习和子空间表示方法对高光谱影像去噪的研究现状总结，特别是如何一步步改进的，了解其中的创新思路。第三部分我会介绍这三年来积累的研究经验和相关资料。

---

— 1 —

鲁棒主成分分析模型

RPCA模型于2009年被Wright等人[1]提出，考虑的是数据有稀疏大噪声时如何恢复数据的低秩结构，其核心思想是把给定观测矩阵分解成一个低秩矩阵、一个稀疏矩阵和一个稠密矩阵的和，其中稀疏矩阵一般为条带和脉冲等稀疏性噪声，稠密矩阵则主要是高斯噪声。RPCA主要有下面两种基本形式，其中第一个是最开始被提出时的，分别使用核范数和L1范数约束低秩矩阵和稀疏矩阵，第二个是由Zhou和Tao[