盲解卷积是指在不确切了解卷积中使用的脉冲响应函数的情况下对信号进行解卷积。 这通常是通过对输入和/或脉冲响应添加适当的假设来恢复输出来实现的。 我们在这里考虑输入信号的稀疏性或简约性。 它通常用 l0 成本函数来衡量，通常用 l1 范数惩罚来解决。 l1/l2 比率正则化函数在最近的一些工作中显示出检索稀疏信号的良好性能。 事实上，它受益于盲语境中非常理想的尺度不变性。 然而，l1/l2 函数在解决由于在当前恢复方法中使用这种惩罚项而导致的非凸和非光滑最小化问题时会带来一些困难。 在本文中，我们提出了一种基于对 l1/l2 函数的平滑逼近的新惩罚。 此外，我们开发了一种基于近端的算法来解决涉及该函数的变分问题，并推导出理论收敛结果。 我们通过与最近处理精确 l1/l2 项的交替优化策略进行比较，在地震数据盲解卷积的应用中证明了我们的方法的有效性。 SOOT 工具箱（Smooth One-O

用于各种稀疏表示文章的AR数据集 目前csdn的资源里大多都是AR数据集的灰度图 这里是AR数据集的彩色图像 可用于人脸识别、光照处理等 论文“PCA versus LDA" EEE Transactions on Pattern Analysis and Machine Intelligence”裁剪后得到的结果 包含裁剪区域txt和裁剪后得到的图像bmp

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)