在联合冲击滤波器和非线性各向异性扩散滤波器对含噪图像做预处理的基础上，利用边缘检测算子选取自适应参数，构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型，并基于Bregman迭代正则化方法设计了其快速迭代求解算法。实验结果表明，自适应去噪模型及其求解算法在快速去除噪声的同时保留了图像的边缘轮廓和纹理等细节信息，得到的复原图像在客观评价标准和主观视觉效果方面均有所提高。

设计了求解稀疏优化模型的加速线性Bregman算法，该稀疏优化模型可以理解成基追踪模型的一个近似。设计的加速算法主要基于Lagrange对偶和SVD预条件方法两个技术。由Lagrange对偶理论可知，线性Bregman 算法等价于梯度法极小化对偶问题的目标函数，由此可以推导出线性Bregman算法的收敛速度与矩阵A的条件数有关。据此，通过使用SVD预条件方法改善了A的条件数从而加快了线性Bregman 算法，还考虑了Ax=b不相容的情况，通过等价变换和SVD技术极大地降低了对偶问题的规模，从而设计出有效的加速算法。最后模拟了两个数值实验，验证了算法在速度上的优势。

Chan-Vese模型在图像分割领域正被广泛应用。然而,传统的水平集方法存在两个重要的数值问题:水平集函数不能隐式地保持为符号距离函数;由于采用梯度降方法求解使水平集演化速度缓慢。针对该问题提出两种快速分割方法加快演化速度:对偶方法和分裂Bregman方法。为了让水平集保持符号距离函数特性,利用投影方法加以约束,并采用增广Lagrangian方法加快收敛速度。实验结果表明,提出的两种快速分割方法比传统的梯度降方法分割效果好、计算效率高。

利用小波基，对时域下的信号进行重构，利用压缩感知算法有，有omp stomp bregman GPSR_BB等 算法。发现百分百采样，bregman 算法收敛速度最快，重构效果最好。同时还测试了克罗尼科技 基对于作为稀疏基对压缩感知结果的影响。同时还有离散傅里叶正交基。很有意义。对于初学者或者，学习过程有问题的同学可以得到很好的借鉴作用。

这项工作涉及通过核范数最小化从其低维投影中恢复低秩矩阵。 % 最小化 ||X||*（Z 的核范数） % 受制于 A(X) = Y 我们同样使用分裂 Bregman 算法。 % 最小化 (lambda1)||W||* + 1/2 || A（X）-y || _2 ^ 2 + eta / 2 || WX-B1 ||_2^2 %W 是代理变量，B1 是 Bregman 变量Bregman技术的使用提高了我们算法的收敛速度，并给出了更高的成功率。 此外，即使对于少量线性测量可用的情况，重建的准确性也要好得多。

层次分析matlab代码MBHC-FMM 该存储库提供了MATLAB的实现：具有Bregman散度和Fisher混合模型（MBHC-FMM）的基于模型的层次聚类。 它使用MBHC-FMM方法对3D定向数据执行聚类。 它已应用于聚类图像法线（3D单位矢量）以分析深度图像。 有三个演示文件来演示上述任务。 注意：此处添加了四个文件：emsamp.m，vsamp.m，unitrand.m和house.m，用于从指定的vMF混合模型中采样观察值。 这些文件来自“ vmfmatlab”代码，该代码可在线获得。 参考： [1] Hasnat等人，基于模型的Bregman散度和Fishers混合模型的层次聚类：在深度图像分析中的应用。 统计与计算，2015年1月20日。 [2]马萨诸塞州哈斯纳特，阿拉巴马州阿拉特市和特雷默岛，答（2014年10月）。 基于模型的3D方向特征聚类：应用于深度图像分析。 在2014年IEEE国际图像处理会议（ICIP）中，第3768-3772页。 [3] Hasnat等人，分层3D von Mises-Fisher混合模型，在第一届散度与散度学习研讨会（ICML-WDD

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

构建能同时兼顾图像平滑去噪与边缘保留的自适应全变分模型

bregman matlab兼顾图像平滑去噪与边缘保留的自适应全变分模型matlab

如果不懂得Bregman迭代算法，对于图像处理的前沿论文总会难懂，这是一篇讲述布雷格曼算法在图像去噪和压缩感知邻域的应用，详细介绍了Bregman迭代算法。