⛄一、低秩稀疏图像重建简介
1 矩阵的低秩稀疏分解理论
从数学上讲, 矩阵的秩反应了矩阵的固有属性, 矩阵的低秩性是指矩阵的秩相对于矩阵的行数和列数而言很小.低秩矩阵稀疏分解模型是将已知矩阵M (M∈Rm×n) 分解为一个低秩矩阵部分L (L∈Rm×n, rank (L) ≤m, n) 和一个稀疏矩阵部分S (S∈Rm×n) , 即M=L+S.
其优化问题描述如下:
其中, ‖L‖*表示矩阵L的核范数即L的奇异值之和, ‖S‖1表示矩阵的1范数即S每一列元素绝对值之和的最大值.该问题的求解采用文献中介绍的目前最有效的增广拉格朗日乘子法 (exact augmented Lagrangian method, EALM) 求解.
2 图像的稀疏表示模型
2.1 信号的稀疏表示
信号的稀疏是指在某些变换域内, 信号的大多数变换系数为零或者绝对值很小, 只有少部分变换系数的绝对值较大, 我们就认为信号是稀疏的.信号的稀疏性被广泛应用于数据压缩、通信以及视频图像处理领域.
在变换域字典D