经典的KSVD图像字典学习，matlab 代码，有注释，亲测可用

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。

KSVD算法的matlab实现。该算法可以用于降噪、重构等领域。 参考文献：Aharon M, Elad M, Bruckstein A. K-SVD: An algorithm for designing overcomplete dictionaries for sparse representation[J]. IEEE Transactions on signal processing, 2006, 54(11): 4311-4322.

K-SVD工具箱，包含了几个实现K-SVD算法的主要文件。

稀疏字典学习算法的MATLAB实现_代码_下载

VBA 运用EXCEL.

压缩感知中字典学习算法的研究及应用.pdf

近年来，由于基于语义的语义压缩技术的迅速发展，语义语义的稀疏表达被大量地运用于图像处理和图像处理等方面。利用稀疏表达和词典学习原理，对两类面料缺陷的逼近表达进行了研究，提出了一种新的织物缺陷识别方法。本课题的主要工作包括： 通过对目前纺织品缺陷的识别方法进行了研究，提出了一种新的分类方法，即以特征抽取和无属性抽取相结合的方法，对目前的缺陷进行了分析和归纳。然后，依据论文提出的基于稀疏表达和词典的学习算法，对面料缺陷的逼近表达进行了设计。最后，对试验结果进行了分析，表明了逼近表达式的有效性，为后续的面料缺陷识别奠定了基础。 介绍了一种利用稀疏表达技术进行纺织品缺陷识别的总体过程。首先采用直方图均衡方法对缺陷进行预处理；其次，利用逼近的稀疏表达模式，将缺陷图像进行分割，获得缺陷的部分；然后通过对缺陷分量进行重叠阈值分割，实现缺陷识别。

hsi matlab代码该存储库包含在以下方面提出的高光谱图像降噪算法： Dantas CF，Cohen JE和Gribonval R.“使用字典学习进行高光谱图像降噪”。 WHISPERS 2019，荷兰阿姆斯特丹。 （位于：） 所提出的技术结合了低等级和稀疏性（通过词典学习）。 用法示例 要运行的主要脚本是“ DL_HSI_denoise.m”。 假设将图像放置在matlab变量“ imnoise”（3D数组）中，然后运行以下代码： [imout，exec_times] = DL_HSI_denoise（imnoise）; 其中“ imout”包含最终去噪图像，“ exec_times”包含执行时间。 文件列表和描述 DL_HSI_denoise.m：主脚本。 输入嘈杂的HSI并输出其去噪版本。 脚本层次结构：DL_HSI_denoise.m-> image_denoise_lr.m-> HO_SuKro_DL_ALS.m-> DictUpdateALS2.m 核/ image_denoise_lr.m：去噪方法的稀疏阶段（使用字典学习）。 HO_SuKro_DL_ALS.m：默认

一种基于超完备字典学习的图像去噪方法