为了提高图像分类准确率，提出了一种基于低秩表示的非负张量分解算法。作为压缩感知理论的推广和发展，低秩表示将矩阵的秩作为一种稀疏测度，由于矩阵的秩反映了矩阵的固有特性，所以低秩表示能有效地分析和处理矩阵数据，把低秩表示引入到张量模型中，即引入到非负张量分解算法中，进一步扩展非负张量分解算法。实验结果表明，所提算法与其他相关算法相比，分类结果较好。

低秩表示，加速近邻梯度法function [A_hat,E_hat,numIter,ca,e] = proximal_gradient_rpca(D, lambda,... maxIter, tol, lineSearchFlag, ... continuationFlag, eta, mu, outputFileName )

LRR低秩表示文献

main_klrr.m是调用的代码，KLRR.m是核低秩代码实现，然后DATA目录下为选用的数据，utils目录下为工具类，可能有多余的代码，utils中除了LOADDATA代码是我写的之外，其他全是从cai deng以及lrr中收集的。

稀疏子空间聚类(Sparse subspace clustering,SSC)是一种基于谱聚类的数据聚类框架.高维数据通常分布于若干个低维子空间的并上,因此高维数据在适当字典下的表示具有稀疏性.稀疏子空间聚类利用高维数据的稀疏表示系数构造相似度矩阵,然后利用谱聚类方法得到数据的子空间聚类结果.其核心是设计能够揭示高维数据真实子空间结构的表示模型,使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类.稀疏子空间聚类在机器学习、计算机视觉、图像处理和模式识别等领域已经得到了广泛的研究和应用,但仍有很大的发展空间.本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述,并分析存在的不足,指出进一步研究的方向.

使用潜在的低秩表示法进行红外和可见图像融合 吴小军* 使用潜在的低秩表示法进行红外和可见图像融合。 潜在的低排名表示 融合方法框架 抽象的 我们提出了一种基于潜在低秩表示（LatLRR）的新颖图像融合方法，该方法简单有效。 首先，通过LatLRR将源图像分解为低阶部分和显着部分。 全局结构信息由低阶部分保留，局部结构信息由显着性部分提取。 然后，将低阶部分通过加权平均策略融合，而显着部分则简单地通过求和策略融合。 最后，通过融合融合的低秩部分和融合的显着性部分获得融合的图像。 源代码 1 Fusion_latlrr.m -----我们的方法 2 latlent_lrr.m -------潜在的低秩表示方法 潜在LRR Thr Latent LRR方法由Liu Guangcan Liu在2011年提出。 “ Liu G，Yan S.用于子空间分割和特征提取的潜在低秩表示[C]国际

业分类-物理装置-一种潜在低秩表示的子空间聚类方法及装置.zip

DaCheng Tao关于GoDec的文章，是机器视觉领域的前沿研究方向，值得认真学习的好论文！-The article DaCheng Tao GoDec is the forefront of research in the field of machine vision, good papers worthy of serious study!

子空间聚类的鲁棒判别低秩表示

通过非负低秩表示对高光谱图像进行半监督子空间聚类