《Image Denoising Via Sparse and Redundant Representations Over Learned Dictionaries》文章matlab代码实现

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：matlab lanczos算法用来计算大型稀疏矩阵的最大最小本征值及相应的本征矢量 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

为了抑制稀疏阵列方向图的栅瓣，提高分布式星载雷达阵列方向图的性能，对相同子阵组成的稀疏阵列方向图综合进行研究，提出了一种基于相同子阵的稀疏阵列方向图综合算法．首先对子阵级稀疏阵列进行建模，并对其阵列方向图的特性进行分析．然后通过优化子阵级稀疏阵列，实现对方向图栅瓣的抑制．最后通过仿真，验证了该算法的有效性．

针对传统基于稀疏贝叶斯学习(sparse bayesian learning, SBL)的波达方向(direction of arrival，DOA)估计算法在低信噪比条件下性能不足的问题，提出了一种基于子空间拟合和块稀疏贝叶斯学习的离网DOA估计方法。首先对样本的协方差矩阵进行特征分解，获得信号的加权子空间，然后构造等价信号的稀疏表示模型并利用块稀疏贝叶斯算法进行参数求解，同时对于网格失配带来的建模误差，将空间域内的离散采样网格点作为动态参数，通过求解一个多项式，利用期望最大化算法迭代更新离散网格点的位置。仿真实验结果表明，相对于传统SBL算法，该方法具有更好的估计精度和空间分辨率。

针对运用压缩感知理论对ISAR目标成像时不同目标所需观测维数和积累时间不同的问题，提出了一种基于压缩感知的稀疏孔径认知ISAR高分辨成像方法。在对目标稀疏特性认知的基础上，构建了基于目标横向稀疏度和观测积累时间的随机观测矩阵，并给出了成像质量评估标准，实现了对有限雷达资源条件下ISAR目标的高分辨认知成像。仿真结果表明，利用该方法成像，不仅可以减少雷达成像发射脉冲数，而且可以有效减少目标成像的时间，同时还能获得高质量的目标ISAR像。

稀疏表示（SRC）-附件资源

matlab图像去模糊原始码CCSC_code_ICCV2017 这是ICCV 2017论文“共识卷积稀疏编码”的源代码存储库。 作者： Biswarup Choudhury，Robin Swanson，Felix Heide，Gordon Wetzstein和Wolfgang Heidrich。 仓库信息： 所有代码均在MATLAB 2016b中编写和测试 2D：从大型图像数据集中学习2D卷积过滤器，例如ImageNet（将单独下载）。 还包含用于使用所学过滤器修复问题（例如修复和泊松反卷积）的代码。 2-3D：学习用于高光谱图像的卷积滤镜。 还包含用于高光谱修复和去马赛克的代码。 3D：学习视频数据集的3D卷积过滤器（将单独下载）。 还包含使用学习到的过滤器对视频进行去模糊处理的代码。 4D：学习用于光场数据集的4D滤镜（提供了示例输入光场数据）。 还包含使用所学过滤器进行新颖视图合成的代码。 image_helpers：用于读取数据，对比度归一化等的其他实用程序代码。 内存需求： 所有实验均在128GB内存下进行。 参考： 如果您使用上述任何代码或受其启发的版本，请引用我们的论文

一种电磁优化算法，解决稀疏天线阵的方向图综合问题

matlab的egde源代码GP-SLAM GP-SLAM是用于连续时间轨迹估计和映射的库增强型稀疏高斯过程（GP）回归。 核心库是用C ++语言开发的，还提供了一个可选的Matlab工具箱。 Matlab脚本中提供了示例。 GP-SLAM由Georgia Tech机器人学习实验室开发并作为其工作的一部分。 先决条件 CMake> = 2.6（Ubuntu： sudo apt-get install cmake ），编译配置工具。 > = 1.46（Ubuntu： sudo apt-get install libboost-all-dev ），可移植的C ++源库。 > = 4.0 alpha，这是一个C ++库，可在机器人技术和视觉技术中实现平滑和映射（SAM）。 编译与安装 在库文件夹中执行： $ mkdir build $ cd build $ cmake .. $ make check # optonal, run unit tests $ make install Matlab工具箱 提供了一个可选的Matlab工具箱，以在Matlab中使用我们的库。 要在编译过程中启用Ma

这项工作解决了使用压缩传感 (CS) 技术从单传感器相机恢复多光谱图像的问题。 这是一项探索性工作，因为以前没有解决过这个特殊问题。 因此，我们不会试图“竞争”和“超越”任何先前的工作。 我们考虑了两种类型的传感器阵列——均匀和随机； 以及两种恢复方法-Kronecker CS和小组稀疏重建。