完成一个缺少条目的矩阵，使得获得的矩阵具有最小范数。 用法： [CompletedMat, ier] = MatrixCompletion(A.*B, B,N, mode, lambda_tol, tol, display); A - 矩阵完成B - 二进制矩阵表示 A 中的值或缺失条目（相同大小，1 - 已知值，0 - 缺失值） N - 迭代次数mode - 工作模式：可以是“核”、“光谱” lambda_tol - 核/谱范数最小值的容差值tol - 对已知条目的容忍度输出： CompletedMat - 完成矩阵ier - 错误指示符：0 - 正常，1 - 未能收敛（可能需要更多的迭代）。 要进行演示，请运行demo.m 代码基于论文： G. Shabat, A. Averbuch “Interest Zone Matrix Approximation”，线性代数电子期刊，Vol。

为解决加权核范数最小化(WNNM)图像去噪无法较好地表达复杂和不规则的图像结构,易产生过平滑现象的问题,将相对全变差(RTV)融入加权核范数最小化,对WNNM低秩表示模型施加RTV范数约束,提出一种RTV-WNNM图像去噪模型,采取交替方向乘子(ADMM)算法迭代求解对应模型,获得清晰图像。将提出的新方法与多种基于低秩矩阵近似的去噪算法进行比较,所提算法在保持图像边缘和加强区域平滑性方面有较好的性能,特别是在高密度图像噪声影响下,算法性能也能得到大幅提升。实验结果表明,加入RTV范数的低秩去噪模型具有良好的恢复图像结构能力,能较好地提高去噪性能。

WNNM加权核范数最小化进行图像复原matlab代码，利用WNNM的方法进行图像去噪，图像复原等处理

自己整理的matlab代码及对应论文：各种低秩约束图像矩阵填充方法SVT、SVP、WSVT、TSVT、ADMM算法实现，包括核范数约束、加权核范数（2018年论文上的)、截断核范数(2018论文里的)等，基于低秩性科研研究不容错过 很全