匹配追踪算法（MP）简介

图像的稀疏表征

分割原始图像为若干个\[\sqrt{n} \times \sqrt{n}\]的块. 这些图像块就是样本集合中的单个样本\(y = \mathbb{R}^n\). 在固定的字典上稀疏分解\(y\)后，得到一个稀疏向量. 将所有的样本进行表征一户，可得原始图像的稀疏矩阵. 重建样本\(y = \mathbb{R}^n\)时，通过原子集合即字典\(\mathrm{D} = \{d_i\}^k_{i=1} \in \mathbb{R}^{n \times m} (n < m)\)中少量元素进行线性组合即可：

\[y = \mathrm{D} x\]

其中，\(x = \{x_1, x_2, \cdots, x_m\} \in \mathbb{R}^m\)是\(y\)在\(\mathrm{D}\)上的分解系数，也称为稀疏系数.

字典矩阵中的各个列向量被称为原子（Atom）. 当字典矩阵中的行数小于甚至远小于列数时，即\(m \leqslant n​\)，字典\(\mathrm{D}​\)是冗余的。所谓完备字典是指原子可以张成\(n​\)纬欧式空间\(y = \mathbb{R}^n​\). 如果在某一样本在一过完备字典上稀疏分解所得的稀疏矩阵含有大量的零元素，那么该样本就可以被稀疏表征，即具有稀疏性。一般用\(l_0​\)范数作为稀疏度量函数，图像的稀疏表征数学模型如下：

\[\min\limits_x ||x||_0, \qquad \mathrm{s.t.} \; y= \mathrm{D} x\]

稀疏表征不仅具有过完备性，还应该具有稀疏性。对于一个过完备字典\(\mathrm{D}\)，为了可以分解出更合适且稀疏的稀疏表征，应当含有更多的原子。

在稀疏表征理论方面的研究主要可分为两个方面:字