相关PPT下载详见 “视觉计算研究论坛”「SIGVC BBS」：http://www.sigvc.org/bbs/thread-52-1-1.html

 

（附件中含源代码）

1 稀疏表示 Sparse Representation
2字典学习Dictionary Learning
3 K-SVD算法原理及实验

寻找最优解(X最稀疏)是NP-Hard问题。
用追逐算法(Pursuit Algorithm)得到的次优解代替。

固定字典
Pre-constructed dictionary
DCT字典，Haar字典，小波字典，Gabor字典等。
优点：计算量低，使用简单。
缺点：不能保证表达的稀疏程度。只适用于部分类型的图像。

学习字典
Learned dictionary
从学习的角度建立字典。
优点：适用于任何类型的图像。
缺点：计算复杂度高。局限于低维度信号(小patch)。

超完备字典 Overcomplete Dictionary
字典的原型数量大于特征维度。

字典学习与K-means算法

 

转载本文请联系原作者获取授权，同时请注明本文来自吴怀宇科学网博客。
链接地址：https://wap.sciencenet.cn/blog-4099-637987.html

上一篇：[CV论文读讲] NIPS10－Efficient and Robust Feature Selectio
下一篇：[CV论文读讲] TIP06－Image denoising via sparse and redunda