从稀疏表示到低秩表示（二）

从稀疏表示到低秩表示（二）

确定研究方向后一直在狂补理论，最近看了一些文章，有了些想法，顺便也总结了representation系列的文章，由于我刚接触，可能会有些不足，愿大家共同指正。

从稀疏表示到低秩表示系列文章包括如下内容：

一、 sparse representation

二、NCSR（NonlocallyCentralized Sparse Representation）

三、GHP（GradientHistogram Preservation）

四、Group sparsity

五、Rankdecomposition

 

 

二、 NonlocallyCentralized Sparse Representation

此部分是上篇的续篇，介绍sparse representation 的改进

Related method be supposed: NCSR (ICCV’11, TIP’13)

• A simple but very effective sparserepresentation model was proposed. It outperforms many state-of-the-arts inimage denoising, deblurring and super-resolution.

Related paper:

[1]W. Dong, L. Zhang and G. Shi, “Centralized Sparse Representation for ImageRestoration”, in ICCV 2011.

[2]W. Dong, L. Zhang, G. Shi and X.Li, “NonlocallyCentralized Sparse Representation for Image Restoration”,IEEE Trans. on ImageProcessing,vol. 22, no. 4, pp.1620-1630, April 2013.

NCSR: The idea


 

NCSR: The objective function


NCSR: The solution

NSCR: The parameters anddictionaries

Denoising results

Deblurring results

 

未完，待续，更多请关注http://blog.csdn.net/tiandijun，欢迎交流！

时间： 2024-10-07 06:39:19

从稀疏表示到低秩表示（二）的相关文章

从稀疏表示到低秩表示（三）

从稀疏表示到低秩表示(三) 确定研究方向后一直在狂补理论,最近看了一些文章,有了些想法,顺便也总结了representation系列的文章,由于我刚接触,可能会有些不足,愿大家共同指正. 从稀疏表示到低秩表示系列文章包括如下内容: 一. sparse representation 二.NCSR(NonlocallyCentralized Sparse Representation) 三.GHP(GradientHistogram Preservation) 四.Group sparsity 五.

从稀疏表示到低秩表示（五）

从稀疏表示到低秩表示(五) 确定研究方向后一直在狂补理论,最近看了一些文章,有了些想法,顺便也总结了representation系列的文章,由于我刚接触,可能会有些不足,愿大家共同指正. 从稀疏表示到低秩表示系列文章包括如下内容: 一. sparse representation 二.NCSR(NonlocallyCentralized Sparse Representation) 三.GHP(GradientHistogram Preservation) 四.Group sparsity 五.

从稀疏表示到低秩表示（四）

从稀疏表示到低秩表示(四) 确定研究方向后一直在狂补理论,最近看了一些文章,有了些想法,顺便也总结了representation系列的文章,由于我刚接触,可能会有些不足,愿大家共同指正. 从稀疏表示到低秩表示系列文章包括如下内容: 一. sparse representation 二.NCSR(NonlocallyCentralized Sparse Representation) 三.GHP(GradientHistogram Preservation) 四.Group sparsity 五.

从稀疏表示到低秩表示（一）

从稀疏表示到低秩表示(一) 确定研究方向后一直在狂补理论,最近看了一些文章,有了些想法,顺便也总结了representation系列的文章,由于我刚接触,可能会有些不足,愿大家共同指正. 从稀疏表示到低秩表示系列文章包括如下内容: 一. sparse representation 二.NCSR(NonlocallyCentralized Sparse Representation) 三.GHP(GradientHistogram Preservation) 四.Group sparsity 五.

RPCA(鲁棒PCA),低秩稀疏分解

MATLAB code,子函数 function [A_hat E_hat ] =rpca(res) %res,输入图像,输出为低秩A_hat和稀疏E_hat  [row col] = size(res); lambda = 1/ sqrt(max(size(res))); tol = 1e-7; maxIter = 1000; % initialize Y = res; [u,s,v]=svd(Y); norm_two=s(1); norm_inf=max(abs(Y(:)))/lambda;

数据降维--低秩恢复

数据降维--低秩恢复 在实际的信号或图像采集与处理中,数据的维度越高, 给数据的采集和处理带来越大的限制.例如,在采集三维或四维(三个空间维度再加上一个频谱维度或一个时间维度) 信号时,往往比较困难.然而,随着数据维数的升高,这些高维数据之间往往存在较多的相关性和冗余度.信号的维度越高,由于数据本身信息量的增长比数据维度增长慢得多,也就使得数据变得越冗余.一个明显的例子就是,视频信号要比单幅图像的可压缩的空间大得多. 例如,对于一幅图像而言,其像素间的相关性表现在图像在某个变换域的系数是稀疏分布

低秩矩阵填充|奇异值阈值算法

斜风细雨作小寒,淡烟疏柳媚晴滩.入淮清洛渐漫漫. 雪沫乳花浮午盏,蓼茸蒿笋试春盘.人间有味是清欢. ---- 苏轼 更多精彩内容请关注微信公众号 "优化与算法" 低秩矩阵恢复是稀疏向量恢复的拓展,二者具有很多可以类比的性质.首先,稀疏是相对于向量而言,稀疏性体现在待恢复向量中非零元素的数量远小于向量长度:而低秩是相对于矩阵而言,低秩体现在矩阵的秩远小于矩阵的实际尺寸.其次,稀疏向量恢复问题可以转化为基于 \(\ell _1\) 范数的凸优化问题,因为 \(\ell _1\) 范数是 \

奇异值分解（SVD）的之低秩近似和特征降维

我们在这一篇<模式识别.推荐系统中常用的两种矩阵分解-----奇异值分解和非负矩阵分解 >中详细介绍了矩阵奇异值分解的数学证明,我们沿用这一篇的博文的符号,继续讨论这一章的内容. 矩阵的奇异值分解定理: 设矩阵,秩为,,则该矩阵可以分解为: 也可以表示为: . 其中:为矩阵(或者)的非零向量,为的对应特征向量,为的对应特征向量,. SVD的第一个作用之低秩近似(Low Rank Approximation): ,, 即用矩阵近似. SVD的第二个作用之特征降维(Dimensionality R

稀疏数组的经典应用（二维数组与稀疏数组的相互转换）

package com.zhangwl.数据结构.稀疏数组; /** * @ClassName SparseArray * @Description 棋盘游戏演示 * @Author zhangwl * @Date 2019/10/10 22:54 * @Version 1.0 **/public class SparseArray { public static void main(String[] args) { /*创建一个原始的二维数组11 * 11 ,0:表示没有棋子 :1:表示黑子: