图像质量评估（IQA）对于众多图像处理应用至关重要。 通常，图像质量度量（IQM）将图像质量视为在某些感知空间中与参考图像的保真度或相似度。 这种全参考IQA方法是一种比较，涉及以感知上有意义的方式测量两个信号之间的相似性或差异。 人类视觉系统（HVS）的建模已被视为实现感知质量预测的最合适方法。 实际上，自然图像统计可以是模拟HVS的有效方法，因为自然图像的统计模型揭示了HVS的一些重要响应特性。 稀疏编码是自然图像的有用统计模型，等效于独立分量分析（ICA）。 它对初级视觉皮层中简单细胞的感受野提供了很好的描述。 因此，在设计IQM时，可以使用这种统计模型来模拟视觉皮层级别的视觉处理。 在本文中，我们提出了一种IQA保真度准则，该准则将图像质量与参考图像和失真图像之间的相关性以稀疏代码形式相关联。 提出的可视信号保真度度量（称为稀疏相关系数（SCC））是出于需要从简单细胞接受域的稀疏模型中捕获两组输出之间的相关性的动机。 SCC表示皮质视觉空间中图像的两个视觉信号之间的相关性。 多项式和逻辑回归后的实验结果表明，在单失真和交叉失真测试中，SCC均优于最新的IQM。

考虑以下问题：给定 R(mxn) 中的矩阵 A，R(m) 中的向量 b 且 e>0，计算满足 norm(Ax-b)<=e 的向量 x，如果存在，则 x在所有这些向量中具有最少数量的非零条目。

大型稀疏线性方程组的迭代数值解法的英文教材

（2）联合稀疏表示 构造压缩测量矩阵 对接收信号 进行联合稀疏表示，即是充分利用接收信号自身以及接收信号之间的相关性信息，对变换域系数进行联合编码，对接收信号进行降低冗余度的信息融合 。 分布式压缩感知（DCS）与MIMO雷达 3 压缩感知应用

【图像融合】稀疏表示多光谱图像融合.md

matlab 基于稀疏反馈恢复算法

2020年9月9日更新： 我尝试拉动并运行它，以发现它与最新的pytorch和Windows不兼容。 我将在下周更新它-现在不会运行。 -本 用法 该演示需要 。 首先，使用--help执行python run_demo.py来查看可选参数。 默认实验是带有MNIST的字典学习演示。 目的 该存储库的最终目标是提供一个稀疏的编码库，该库可实现用于（1）词典学习，（2）传统/凸代码推断（例如ISTA，SALSA）和（3）“展开”可学习编码器（例如，）。 现在，字典学习正在不断发展。 特别是，我正在构建结合了（2）和（3）的编码器类。 然后，我将概括用于形态学成分分析（MCA）的类，这是一种用于源分离的稀疏编码方法。 稀疏编码背景 用信号或图像的基本组成部分来表示通常很有用。 例如，笑脸可以有效地描述为“圆，两个点和曲线”。 至少，这比“像素1：值0.1。像素2：值1”更有效，以此类推。

基于压缩感知的图像加密算法，稀疏基用的是小波，重构用的是OMP(Compressed sensing image encryption algorithm)

动态压缩感知（DSC）是压缩感知领域中一个重要的研究分支，它是近几年新兴起的一种信号处理与分析方法，与传统的压缩感知理论不同，DSC研究的对象是稀疏时变信号，并且已在视频信号处理和动态核磁共振成像等方面显示出了强大的应用潜力。本节正是在此基础上，提出了一种用于多普勒频率跟踪估计的DSC方法。首先，通过前一跟踪时刻所得到的先验DOA稀疏信息，获得当前跟踪时刻信号向量中各位置非零元素的分布概率，继而建立起动态DOA的稀疏概率模型。然后，采用加权l_1范数最小化方法重构出当前跟踪时刻的信号向量，从而确定非零元素的位置，获得DOA的实时估计值，最终实现运动目标的动态DOA跟踪。

matlab迭代阈值代码Sista-rnn 论文代码 [1] S. Wisdom，T。Powers，J。Pitton和L. Atlas，“通过展开迭代阈值来建立顺序网络以进行顺序稀疏恢复”，ICASSP 2017，美国路易斯安那州新奥尔良，2017年3月 [2] S. Wisdom，T。Powers，J。Pitton和L. Atlas，“使用顺序稀疏恢复的可解释的递归神经网络”，arXiv预印本arXiv：1611.07252，2016年。在NIPS 2016复杂可解释机器学习研讨会上发表系统公司，西班牙巴塞罗那，2016年12月 通过以下方式包含代码： Stephen J. Wright，Robert D. Nowak和Mario Figueiredo，可从以下网站获得 Salman Asif，可从以下途径获得 Martin Arjovsky，Amar Shah和Yoshua Bengio，可从以下网站获得 要复制论文的结果，请按照下列步骤操作： 下载可从以下网站获得的Caltech-256数据集 执行“ run_supervised.sh”脚本。 这将为所有其他功能加载和预处理Ca