论文《Robust Face Recognition via Sparse Representation》的Matlab代码。

为了提高融合后多光谱(MS)图像的质量，提出一种基于稀疏表示的遥感图像融合方法。建立MS图像与其亮度分量之间的线性回归模型；利用训练的高、低分辨率字典分别对全色图像和MS图像进行稀疏表示，并根据线性回归模型获得MS图像亮度分量稀疏表示系数；根据全色图像和亮度分量的稀疏表示系数提取细节成分，并在通用分量替换(GCOS)融合框架下注入到MS图像各波段的稀疏表示系数中；进行图像复原得到高空间分辨率的MS图像。由于稀疏表示可有效地刻画信号的内部结构与特征，融合后的MS图像能够在提高空间分辨率的同时，较好地保留原始MS信息。IKONOS MS图像的融合结果表明，该方法在光谱保持和空间分辨率提高方面优于其他传统的遥感图像融合方法。

提供一份基于matlab源代码稀疏表示的人脸识别系统，供大家一起学习参考，我们共同学习进步！

提出一种基于改进稀疏子空间聚类的图像分割方法。首先将图像进行过分割得到一些均匀区域称 为超像素，并提取超像素的颜色直方图作为其特征；然后建立特征数据的改进稀疏子空间表示并由此构造图相似 度矩阵，最后利用谱聚类算法得到超像素的聚类结果并作为图像分割结果。实验结果表明，本文提出的改进稀疏 子空间聚类方法具有良好的聚类性能，对噪声具有一定的鲁棒性；用于自然图像能够得到更好的分割效果。

这是稀疏表示用于matlab的工具箱，这个工具箱可以实现字典学习的正交匹配追踪，信号分解等功能。字典学习（Dictionary Learning）和稀疏表示（Sparse Representation）在学术界的正式称谓应该是稀疏字典学习（Sparse Dictionary Learning）。该算法理论包含两个阶段：字典构建阶段（Dictionary Generate）和利用字典（稀疏的）表示样本阶段（Sparse coding with a precomputed dictionary）。这两个阶段（如下图）的每个阶段都有许多不同算法可供选择，每种算法的诞生时间都不一样，以至于稀疏字典学习的理论提出者已变得不可考。

该资源是ksvd算法的源代码，本人亲测可用。可以先看看我的博客里关于ksvd的那篇文章，再运行代码，效果还是很不错的。

利用正交匹配跟踪原子库对信号进行稀疏分解程序

基于稀疏表示的人脸表情识别matlab程序，用KSVD构建稀疏表示字典，OMP算法重构信号，实现表情的识别。

基于两级稀疏表示模型的多文档摘要

基于多尺度稀疏表示的场景分类