SFF 是一种用于评估彩色图像感知质量的新算法。 对于质量评估，您可以按如下方式运行“SFF”： 负载（'W.mat'）; % 加载特征检测器分数 = SFF(refImg, disImg, W); % refImg 和 disImg 分别表示参考图像和失真图像 质量分数介于 0 和 1 之间，其中 1 表示与参考图像的质量相同。 特征检测器 W 是一个大小为 8*192 的矩阵，通过在 data1 上运行 TrainW(18000,8,8) 生成。 W 可用于从图像块中提取特征。 培训代码位于文件夹“\Training”中。 您可以运行“TrainW”来获取特征检测器。 例如： W =火车W（18000,8,8）; 在我们的论文中，我们使用了 18000 个大小为 8*8 的样本块，并且只保留了 8 个分量。 为训练阶段提供了两组图像，即 data1 和 data2，这在我们

主要介绍了Python 稀疏矩阵-sparse 存储和转换的相关资料,需要的朋友可以参考下

参考： GZ Karabulut 和 A. Yongacoglu，“使用正交匹配追踪算法进行稀疏信道估计”，IEEE 第 60 届车辆技术会议，2004 年。VTC2004-Fall。 2004 年，加利福尼亚州洛杉矶，2004 年，第 3880-3884 卷。 6.

Sparse Subspace Clustering基于人脸分割的子空间聚类的原始代码。

稀疏子空间聚类算法的Python实现 稀疏子空间聚类是一种基于稀疏表示理论的技术的子空间聚类算法。 有关更多信息，请参见。 此实现基于提供的 。 要求-numpy，scipy，sklearn，cvxpy。 经过Python 3测试。 可以从安装cvxpy python软件包。 从SSC.py开始探索。 此文件中的SSC_test()方法提供了子空间群集的基本示例。 运行： python SSC.py 注意：此代码已投入大量精力。 如果您决定使用此代码，我非常感谢的电子邮件。

稀疏矩阵入门经典书籍，全英文书籍。对学习稀疏矩阵的计算方法以及各种方法的证明有着很大的帮助。

From Sparse Solutions of Systems of Equations to Sparse Modeling of Signals and Images

在二元数字通信系统中，假设为H1时，信源输出为常值正电压A，假设为H0时，信源输出为零电平；信号在通信信道传输过程中叠加了高斯噪声n(t)，每种信号的持续时间为（0,T)，在接收端对接收到的信号x(1)在（0,T)时间内进行了N次独立采样，样本为xk (k=1,2,···,N)。已知噪声样本nk是均值为零方差为的高斯噪声。

帕尔迪索 Pardiso.jl软件包提供了一个使用和的接口。 没有有效的PARDISO许可证或未安装MKL库，就不能使用Pardiso.jl 。 该软件包是免费提供的，绝不能替代或更改链接库的任何功能。 安装 该软件包本身是通过Pkg.add("Pardiso")安装的，但是您还需要按照以下安装说明安装有效的PARDISO库。 MKL帕尔迪索 默认情况下，Julia将自动为您的平台安装合适的MKL。 如果您想使用自行安装的MKL，请遵循以下说明： 设置MKLROOT环境变量。 请参阅，以有关如何正确设置此变量的完整指南，通常通过执行诸如source /opt/intel/mkl/bin/mklvars.sh intel64类的source /opt/intel/mkl/bin/mklvars.sh intel64或运行"C:\Program Files (x86)\IntelSWToo

This set of MATLAB files contain an implementation of the algorithms described in the paper "Sparse Reconstruction by Separable Approximation"