搜索资源列表
low-rank-ksvd
- 低秩的求解 denoise an image by sparsely representing each block with the already overcomplete trained Dictionary, and averaging the represented parts. Detailed descr iption can be found in "Image Denoising Via Sparse and Redundant representations
convolve2
- CONVOLVE2可以用于任何CONV2使用，采取同样的参数并返回一个小的公差范围内同样结果。加速计算是通过使用面膜中的奇异值分解，表示为外产品总结一下。这些都可以有效地计算与行和列向量的卷积。 CONV2是用来从事这项运动。 可分面具是一个特殊情况，并受CONVOLVE2处理多达FILTER2一样。许多不属于其他口罩可分低等级（如Gabor函数口罩），并更有效地处理CONVOLVE2。 该功能也将计算出降秩逼近一个给定的面具如果需要的话，将使用此是否会加速计算。一个额外
RASL-Robust-Alignment
- 此篇论文是利用稀疏低秩矩阵分解来实验的鲁棒图片的矫正。-This paper is the use of sparse low rank matrix decomposition to experimental robust image correction。
Code_LowRankSaliency
- 通过恢复低秩矩阵得到显著性图，其中详细的运用了mean-shift算法，可以很好的了解mean-shift算法的使用，同时还包含了RPCA算法。-Significantly through the recovery of low rank matrix diagram, which detailed the use of mean-shift algorithm, can be a very good understanding of the use of the mean-shift algo
LowPatchRank_regularization
- 对于带噪声的周期性纹理图像,提出一种基于二维秩约束的混合正则化去噪方法。该方法结合了全变分去噪理论和方法，并且利用该类图像低块秩的特性，对图像进行了低块秩约束。通过和全变分去噪方法比较可知，对于周期性纹理图像，混合正则化方法能有效地分离出噪声，并且能让图像很好地保持边缘。即使非严格的周期性纹理，该方法依然有很好的去噪效果。-For periodic texture images with noise, a new method based on two dimensional rank cons