图像的稀疏表示(Sparse Representation) |
您所在的位置:网站首页 › 乐高拼装工具包里面有什么 › 图像的稀疏表示(Sparse Representation) |
文章目录
前言稀疏信号稀疏表示稀疏分解字典生成应用图像稀疏表示图像去噪图像融合图像重构目标跟踪人脸识别
其他
前言
在进入正题前先结合自己的经验对稀疏理论的相关内容扯几句。自己的话本身之前做了一段时间的图像融合内容,后来这块也放了放。但是之前在看论文的时候,基于稀疏理论的图像融合相关的论文还挺多的,但是一直没去仔细看这个,也没系统的整理过。最近看到好几篇2020年的论文,都是用这个做的融合,当然稀疏理论的应用场景远不止此。于是还是想再好好查一查,梳理一下。其实之前刚开始看这个东西的时候,挺抽象的,包括什么稀疏编码、字典学习等等,看着还挺吓人的。 因此在这里总结一下自己的学习过程,希望给每位学习图像稀疏表示的同学一点帮助。当然限于个人水平,很多内容我也不一定能说的特别清楚,尽量通过通俗清晰的方式说明。本文的主旨并不在于严密的数学论证和公式推导,更多的是帮助理解稀疏理论,整合一些或许有启发的思想,更详细的算法等已经有很多人整理的很好了。 其实网上相关的博文已经很多了,如果有一定的了解应该就明白,稀释表示里面最核心的两个任务: 稀疏分解字典生成由此衍生出来的,为了完成这两个任务的相关算法。但是其实,对于一个刚接触这个理论的人,一下子就直接就看这些内容,看了一圈可能还是对稀疏的概念不那么清晰。因此,建议刚开始学习稀疏表示的朋友按以下过程循序渐进,充分理解稀疏表示再进一步去看后续的算法,应该能对大家的学习有事半功倍的效果。 稀疏信号稀疏表示稀疏分解字典生成应用接下来,我会根据以上思路,根据我的理解结合网上的许多相关博文和相关论文,尽可能把这个问题讲的通俗一点。许多博文都写的很好,对我的学习也有很大的启发,我会尽量引用上,如有疏漏的,可以留言提醒。 那正式开始之前,对于一些喜欢看视频学习的或者想要系统过一遍的同学,在这里放上一个Duke大学的公开课视频链接,以及B站搬运的中文字幕版,但是这个翻译的很抽象,视频下方有YouTube的视频地址。 Duke大学公开课 bilibili搬运 稀疏信号信号本身就是一个很广义的概念,图像、语音、文本、光、电等等都可以是信号。那在数学层面上,信号可以认为是一组反映原始信号特征的数据。将一个一维信号记为一个长度为N的向量,假设只有K个元素为非零的,其中K |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |