针对K-SVD 算法学习得到的字典结构性不强的问题,利用图像的非局部自相似性,提出了基于稀疏表示的图像分类字典学习方法(NLC-DL).该方法利用K-means对图像块进行聚类并对每个子类进行字典学习,增强字典的有效性.根据正交匹配追踪算法(OMP)求得稀疏系数,迭代优化字典,最终利用优化后字典和稀疏系数矩阵重构图像.实验结果表明:生成的学习字典对训练样本的表达误差更小,能够有效地保持图像的结构信息,重构后的图像在峰值信噪比和视觉效果方面均优于传统方法.

ksvd算法进行字典训练，程序中用到omp算法，需下载omp程序共同使用

这是一个关于KSVD和MOD的字典学习MATLAB代码

结合字典学习和稀疏聚类的医学图像分割算法.pdf

DCDicL用于图像去噪 郑鸿毅*，永鸿伟*，张磊，《 CVPR 2021年的“深度卷积字典学习以进行图像去噪”》（*平等贡献） DCDicL的实现基于出色的图像恢复工具箱 。 要求 PyTorch 1.6+ 漂亮表 tqdm 测验 步骤1 从下载预训练的模型。 解压缩下载的文件并将文件夹放入./release/denoising 第2步 配置options/test_denoising.json 。 重要设置： 任务：任务名称。 路径/根：保存任务的路径 path / pretrained_netG：包含预训练模型的文件夹的路径。 data / n_channels：1表示灰度，3表示颜色。 测试/可视化：对于保存嘈杂的输入/预测字典为true。 第三步 python test_dcdicl.py 训练 培训代码即将发布。

用matlab实现字典学习

硕士毕业论文答辩PPT

使用MATLAB做卷积字典学习当处理高维信号时，解决字典学习问题在计算上变得不可行，并且学习模型遭受维数问题的困扰。传统上，这个问题是通过训练从X中提取的块的局部模型并独立处理它们来避免的。这种方法由于其简单性和高性能而获得了广泛的普及和成功[10,21,30,8,19]。一种新的方法是卷积稀疏编码(CSC)模型

去噪声代码matlab 稀疏编码的在线词典学习的快速实现 用法 要克隆项目和所有子模块： git clone --recursive https://github.com/d-acharya/OnlineDictionaryLearning.git 要更新所有子模块： git submodule foreach git pull origin master 编译： mkdir build cd build cmake .. make ./test_odl 现有实施 C ++实现 Java实现 Matlab实施 C ++ LARS实现 待办事项 测试脚本： 要进行测试，请参见python实现和。 我们仍然需要创建一个包装器，以从上述python脚本中调用字典学习的C实现。 完整的实现： LARS的实现（请在上面检查FISTA的实现）。 可以像在matlab实施中那样用FISTA替换LARS。 降噪演示 编译后，测试denoising.cpp： ./applicationName Lenna256.png Lenna256Noisy.png

这是基于CNN卷积的字典学习源码。下载解压后直接运行。