Low-Rank-Hankel Matrix

memp

二维的PSF可近似为一个高斯函数：
$$f(x,y)=\frac{1}{2\pi {\sigma }^2}\ast {\exp }^{-\frac{(x^2+y^2)/2}{{\sigma }^2}}\text{\hspace{1em}(1)}$$
探测器成像可以表示为：

ci是某一点的强度；
$$\begin{gathered} S(u,v)={\iint }_{-\infty }^{\infty }s(x,y)ex{p}^{-j2\pi (xu+yv)}dxdy, \\ =F(u,v)\sum _{i=1}^I{c}_{i}ex{p}^{-j2\pi (x_{i}u+y_{i}v)}\text{\hspace{1em}(2)} \end{gathered}$$
$F(u,v)$是$f(x,y)$的连续傅里叶变换

探测器是一个M×N的像素矩阵,s(m,n)代表了这个坐标为[m,n]的像素内的积分强度。

A是此像素的面积；
s[m,n]的DFT为：

矩阵分解

定义：若A的rank是r，则存在B,C ，rankB = rankC =r，使得A = BC，则称A = BC是A的满秩分解
定理：任意非零矩阵必存在满秩分解，但其满秩分解不是唯一的。

奇异值分解

知乎这篇基本概念讲的很清楚.

对角化定理

若A是一个方阵，由特征值定理可得：
$$AU=\Lambda U^{-1}$$
则A的对角化分解可以写成：
$$A=U\Lambda U^{-1}=(\overrightarrow{u_1},\overrightarrow{u_2},...,\overrightarrow{u_n})\left[\begin{array}{ccc}{\lambda }_1& ...& 0\\ ⋮& \ddots & ⋮\\ 0& ...& {\lambda }_m\end{array}\right](\overrightarrow{u_1},\overrightarrow{u_2},...,\overrightarrow{u_n}{)}^{-1}$$
其中，$\overrightarrow{u_i}$是特征向量

相似对角化

当A是一个对称阵的时候，
$$A=Q\Lambda Q^{-T}$$

奇异值分解

随意一个矩阵$A$不一定是对称阵，但$A{A}^T$和$A^{T}A$则必是对称阵。
故$A{A}^T=P{\Lambda }_1{P}^T$，$A^{T}A=Q{\Lambda }_2{Q}^T$,则A的奇异值分解为：
$$A=P\Sigma Q^T$$

广义逆矩阵

也被称为:伪逆矩阵(Moore–Penrose pseudoinverse)
是对逆矩阵的一种补充.

核范数

rank：非零奇异值的个数
核范数：奇异值的和
rank是非凸的，核范数$||w|{|}_{\ast }$能凸近似rank,就像L1近似L0

负数求余

1. $n=k\ast q+r,mod(n,q)=r$
2. 尽可能是商k小,同时满足$0<=r<q$
   比如:
   $mod(-0.25,1)=0.75$
   $-0.25=-1\ast 1+0.75$

张量积Kronecker tensor product

discrete setup

$w$物平面坐标，$v$像平面坐标，
夫琅和费近似：

$h$代表PSF，

方形的傅里叶变换

截止频率

离散信号非零的元素不妨称之为：spikes

#参考链接
https://blog.csdn.net/bendanban/article/details/44221279
https://www.bogotobogo.com/Matlab/Matlab_Tutorial_DFT_Discrete_Fourier_Transform.php
http://huisblog.cn/2017/05/25/dft/