稀疏字典学习算法的MATLAB实现_代码_下载

异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开，可以极大地减弱异常目标对背景的污染。基于此，提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法，通过LRaSMD的方式获取背景集，通过稀疏表达的方式从背景集中构建背景字典模型，最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证，实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。

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。

omp算法matlab代码一种行之有效的双稀疏编码方法，AAAI-2018 arXiv论文在 目标 学习从生成模型$ y = A ^ * x + \ varepsilon $生成的样本$ y $中恢复稀疏字典$ A ^ * $。 数据和模拟设置 确定性，稀疏，正交字典$ A ^ * $ 稀疏，随机和不完整的字典 所需的Matlab软件包和/或库： 用于bipartite_matchings算法的gaimc 要将我们的算法与Trainlets进行比较，您需要下载并将其放在此文件夹中。 请注意，运行此程序需要一些库（mtimesx，omps等）。 怎么跑 设置要测试的算法的运行模式，然后运行run_simulation.m 。 接触 [Thanh Nguyen]（感谢iastate dot edu）

以信号处理中的稀疏表示为研究对象，重点阐述K-SVD方法的步骤，实现用较少基本信号的线性组合来重构原始信号，使得信号残差尽可能地小。

通过稀疏字典学习的方法，将图像进行稀疏分解，再通过字典学习，获得新的稀疏矩阵，然后调节参数用于稀疏去噪。

利用稀疏字典表示、OMP算法进行高光谱图像分类，内含高光谱数据。

大牛叶杰平开发的稀疏学习matlab工具包。

python编写的K-SVD稀疏字典学习去噪，可以显示字典的图像，去噪效果还行，还有待改进，有问题可以及时交流。

K-SVD稀疏字典的构造方式之一，采用OMP方法进行稀疏表示编码。demo为运行主程序。例子用于图像超分辨率重建