基于稀疏表示的人脸识别matlab代码，其中有LBP特征提取，OMP算法和SRC算法

SRC (Sparse Representation Classifier) 稀疏表示分类器 SOMP (Simultaneous Orthogonal Matching Pursuit) 同步正交匹配追踪 稀疏表示分类器应用于高光谱图像分类的MATLAB代码实现。 此程序为论文仿真，论文题目为： Hyperspectral Image Classification Using Dictionary-Based Sparse Representation 论文地址： http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=5766028&url=http%3A%2F%2Fieeexplore.ieee.org%2Fxpls%2Fabs_all.jsp%3Farnumber%3D5766028 其实只实现了论文里的第一种方法SOMP 各个文件功能简介： isomp_Indiana.m 主程序 SamplesNormalize.m 数据归一化 findlabel2.m 划分训练样本和测试样本 SOMP.m 求稀疏表示矩阵 assig

1、实现效果：见链接：https://blog.csdn.net/SoaringLee_fighting/article/details/124415648 2、基于稀疏表示（mp算法）的图像修复matlab实现，效果很好。 3、适用于计算机，电子信息工程等专业的大学生课程设计和毕业设计。

omp 算法matlab代码

传统的基于稀疏表示的目标跟踪方法主要利用目标的灰度特征构建稀疏表示模型。由于灰度特征对光照变化敏感，这会影响目标跟踪在复杂场景下的鲁棒性。基于多源数据融合的目标跟踪可以明显提升目标跟踪鲁棒性，但如何有效融合不同维度，不同类型的多源目标特征成为基于多源数据融合的目标跟踪所要解决的关键问题。提出了一个基于目标状态以及灰度特征的稀疏表示目标跟踪方法。所提出的方法可通过基于核函数表示的稀疏表示模型，在探究目标状态以及灰度特征相关性的基础上，将两种不同维度的特征进行有效融合，提升目标跟踪在复杂场景下的鲁棒性。

该代码使用联合稀疏表示模型来提高超声成像的轴向分辨率。 所提出的模型将沿轴向的稀疏反卷积与沿横向的稀疏偏好约束相结合。 有关详细信息，请参阅 J. Duan 等人，“使用联合稀疏表示模型提高超声成像的轴向分辨率”。

主要介绍了压缩感知理论（cs)的框架及信号稀疏表示，cs编码解码模型，并举例说明基于压缩感知理论的编解码理论在一维信号和二维图像处理上的应用。

大数据-算法-鲁棒性稀疏表示深度图修复算法.pdf

K-SVD是一种经典的字典训练算法，依据误差最小原则，对误差项进行SVD分解，选择使误差最小的分解项作为更新的字典原子和对应的原子系数，经过不断的迭代从而得到优化的解。

关于代码 这是“ Zhao，C.，Zhang，J.，Ma，S.，Fan，X.，Zhang，Y.，＆Gao，W.（2017）。”的matlab实现。表示和量化约束优先。IEEE视频技术电路和系统交易，第27（10），2057-2071页。” 用法 只需运行文件Demo_SSRQC_Deblocking.m 。 引用这项工作 如果使用此代码，请引用以下论文。 @article{zhao2017reducing, title={Reducing image compression artifacts by structural sparse representation and quantization constraint prior}, author={Zhao, Chen and Zhang, Jian and Ma, Siwei and Fan, Xiaopeng and