稀疏表示字典训练方法及应用

《稀疏表示字典训练方法及应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、稀疏表示字典训练方法及应用1稀疏表示模型2训练字典：K-SVD初始字典D稀疏编码字典更新AharonM,EladM,BrucksteinA.K-SVD:Analgorithmfordesigningovercompletedictionariesforsparserepresentation[J].IEEETrans.SignalProcess.,2006,54(11):4311–4322.K-SVD(1)初始字典D：过完备DCT字典(2)稀疏编码对jth列DYT(3)字典更新U的第一列为V的第一列乘上为dkxkEk2FMin-K-SVDINCOHEREN

2、TK-SVDVahibAbolghasemi.SparsemultichannelsourceseparationusingincoherentK-SVD.IEEEStatisticalSignalProcessingWorkshop(SSP),2011设第i次迭代得到的字典为为了增强字典中原子之间的不相干性通过梯度下降法更新字典DiscriminativeK-SVD基于稀疏表示的人脸识别方法马毅的方法中使用的是人脸图像构成字典，该论文通过对样本图像经过DiscriminativeK-SVD训练，得到字典D。设线性分类器QiangZhang.Discrim

3、inativeK-SVDfordictionarylearninginfacerecognition.IEEEConferenceonComputerVisionandPatternRecognition(CVPR),2010DiscriminativeK-SVD对其直接进行K-SVD字典训练DoubleSparsityRubinsteinR,ZibulevskyM,EladM.Doublesparsity:learningsparsedictionariesforsparsesignalapproximation[J].IEEETransactionso

4、nSignalProcessing,2010,58(3):1553–1564.在字典的计算复杂度和可变性之间寻求平衡，训练在一个固定字典上稀疏的字典Greedyadaptivedictionary(GAD)基于字典训练的背景删除CongZhao,XiaogangWang，Wai-KuenCham.BackgroundSubtractionviaRobustDictionaryLearning.EURASIPJournalonImageandVideoProcessing,2011假设：1背景图像可以在某个字典上进行稀疏分解2前景图像占用像素较少，是稀疏的交

5、替求解基于字典训练的图像分离VahidAbolghasemi.et.al.BlindSeparationofImageSourcesviaAdaptiveDictionaryLearning.IEEETRANSACTIONSONIMAGEPROCESSING,VOL.21,NO.6,JUNE2012基于字典训练的单信道图像分离基于字典训练的单信道图像分离方法1：对K-SVD算法进行改进，在SVD分解更新字典时，选择与其他信号相干性较小的原子。方法2：对GAD算法进行改进，选择图像（残余图像）中与其他图像相干性较小的原子生成字典。Accordingtothe

6、theoreminliteratures,theincoherencebetweentwomatrixesindicatesthattheatomsofonematrixcan’tsparselyrepresenttheatomsoftheother(andviceversa).E.J.CandesandM.B.Wakin,“AnIntroductiontoCompressiveSampling,”IEEESignalProcessingMagazine,vol.25,iss.2,pp.21–30,2008.