已经提出了几种基于波段的总变化（TV）正规化低秩（LR）的模型，以消除高光谱图像（HSI）中的混合噪声。 这些方法基于LR矩阵分解将高维HSI数据转换为2D数据。 该策略引入了有用的多路结构信息的丢失。 而且，这些基于波段的基于电视的方法以单独的方式利用空间信息。 为了解决这些问题，我们提出了一种空间频谱电视正则化LR张量分解（SSTV-LRTF）方法，以消除HSI中的混合噪声。 一方面，假定高光谱数据位于LR张量中，该张量可以利用高光谱数据的固有张量结构。 基于LRTF的方法可以有效地将LR干净图像与稀疏噪声区分开。 从另一方面，假设HSI在空间域中是分段平滑的。 TV正则化在保留空间分段平滑度和消除高斯噪声方面有效。 这些事实激发了LRTF与电视正则化的集成。 为了解决带状电视的局限性，我们使用SSTV正则化同时考虑本地空间结构和相邻频带的频谱相关性。 模拟和真实数据实验均表明，与最新的电视规则化和基于LR的方法相比，所提出的SSTV-LRTF方法在HSI混合噪声去除方面具有出色的性能。

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

一个低秩分解的讲解，由林宙辰在北京大学做演讲时所用的材料。

基于结构稀疏的SAR图像低秩重构，matlab程序编写

低秩矩阵 鲁棒主成分分析 RPCA算法研究 matlab

rrlu 使用具有行和列交换的部分旋转计算一般 m×n 实全矩阵 A 的 LU 分解的秩。 分解具有形式A(P,Q) = L * U 其中 P 和 Q 是置换向量，L 是下三角（下梯形，如果 m > n），U 是上三角（如果 m < n 则为上梯形）。 如果版本 = 0 那么 L 具有单位对角线元素并且矩阵 U 采取形式U = [ U1 U2 ] (*) [ 0 0 ] 其中 U1 在对角线上具有非零元素的上三角 如果版本 = 1 那么 U 有单位对角线元素，矩阵 L 的形式为L = [ L1 0 ] (**) [ L2 0 ] 其中 L1 在对角线上具有非零元素的下三角中 rrlu 允许比 QR 或 SVD 分解更快地找到左或右零空间，但在某些情况下不太准确。

这是字典学习和低秩表征的多聚焦图像融合源码。下载解压后直接运行。

matlab中存档算法代码L0动机的低秩稀疏子空间（LRSSC） 概述 在MATLAB中提出的GMC-LRSSC和L0-LRSSC的MATLAB实现。 GMC-LRSSC通过使用基于最小最大凹（GMC）罚函数的多元泛化的正则化来解决子空间聚类问题。 L0-LRSSC解决了Schatten-0和L0准规范的正则化目标。 为了运行建议的算法，提供了示例脚本和数据（run_dataset_name脚本）。 数据集 本文中使用的数据集可在“数据集”目录中找到。 数据集目录包括来自的扩展Yale B数据集，来自的USPS数据集，来自的MNIST数据集以及来自UCI机器学习存储库（）的ISOLET1数据集。 引用 在研究工作中使用代码时，请引用Maria Brbic和Ivica Kopriva撰写的“ℓ₀-动机低秩稀疏子空间聚类”。 @article{brbic2018, title={$\ell_0$-Motivated Low-Rank Sparse Subspace Clustering}, author={Brbi\'c, Maria and Kopriva, Ivica}, journa

学生用矩阵计算器，可实现加、减、乘、转置及求矩阵的秩，为矩阵的常规计算，界面简单，易于操作

基于低秩矩阵恢复与协同表征的人脸识别算法.pdf