搜索资源列表
jiaolicheng
- 本文由西安电子科技大学全国著名学者焦李成教授所作，阐述了图像稀疏表示以及遗传算法、隐马模型、种群进化等的研究现状以及前景。
稀疏表示降噪
- 中国科学（F刊）中的应用稀疏表示模型实现良好的图像降噪论文，值得深入研究。
MatchingPursuits
- Matching Pursuit方法，经典的稀疏表示方法，可以用人脸识别和图像分类，图像去噪，现在非常流行。-Matching Pursuit method, sparse representation of the classic, you can use face recognition and image classification, image denoising, now very popular.
Simulation-visual-mechanism
- 提出一个小波域多尺度马尔柯夫随机场模型用于模拟视觉系统在图像分割中的若干功能。针对人类视觉系统具有特征检测器、等级层次性、双向连续性、学习机制等功能，对输入场景，该模型用小波变换提供该场景图像的稀疏表示，模拟特征检测器功能 用金字塔结构模拟等级层次性 用两类信息流模拟双向连接性，分别刻画自底向上的输入图像特征提取过程以及自顶向下的反馈过程 用迭代过程模拟学习机制 采用多尺度马尔柯夫随机场模型实现图像分割。-Put forward a wavelet domain multi-scale mark
KSVD_Matlab_ToolBox
- 数字图像处理，K-SVD字典学习方法，信号的稀疏与冗余表示理论，图像压缩，图像去噪-Digital image processing, K-SVD dictionary learning methods, sparse and redundant signal representation theory, image compression, image denoising
SparseRepresentationaItsApplication
- 稀疏表达及其应用的简单介绍，其中涵盖了稀疏表示、特征提取、压缩感知、图像增强、盲源分离、模式分类、目标跟踪和图像超分辨等。PPT和PDF是对应的，并添加了可视化的结果。-Sparse Representation and Its Application: Compressive Sensing, Visual Feature, Image Enhancement, Blind Source Separation, Pattern Classification, Object Tracking a
Introduction-Compressed-Sensing
- 压缩感知（CS）理论是在已知信号具有稀疏性或可压缩性的条件下，对信号数据进行采集、 编解码的新理论。主要阐述了CS理论框架以及信号稀疏表示、CS编解码模型，并举例说明基于压缩感知理论的编解码理论在一维信号、二维图像处理上的应用。 -Compressed Sensing(CS) theory is a novel data collection and coding theory under the condition that signal is sparse or compress
Image-Sparse-Representation-Model
- 完备图像稀疏表示是一种最新的图像表示模型，采用过完备字典中原子的线性组合形式实现图像的稀疏表示．传统 的过完备图像稀疏表示模型采用重建误差的平方和作为保真项．该保真项没有充分考虑到人眼对图像的感知特性，无法度量图 像中边缘、轮廓、纹理等局部几何结构的变化．本文基于过完备稀疏表示理论思想，建立了新的稀疏性正则化的图像稀疏表示模 型．模型中的正则项约束图像表示系数的稀疏性，保真项采用更符合视觉感知的结构相似性度量．基于正交匹配追踪算法，提出 了基于结构相似度的正交匹配追踪算法．实验结
Image-Super-Resolution-Algorithms
- 前基于图像块稀疏表示的超分辨率重构算法对所有图像块都用同一字典表示，不能反映不同类型图 像块问的筹别．针对这一缺点，本文提出基于图像块分类稀疏表示的方法．该方法先利用图像局部特征将图像块分为 平滑、边缘和不规则结构三种类型，其中边缘块细分为多个方向．然后利用稀疏表示方法对边缘和不规则结构块分别 训练各自对应的低分辨率和-岛分辨率字典．重构时对平滑块利用简单双三次插值方法，边缘和不规则结构块由其对应 的高、低分辨率字典通过正交匹配追踪箅法重构．实验结果表明，与单字典稀疏表示算法相比
KSVD_Color_IEEE_TIP
- 图像稀疏表示近来比较流行!本文是一篇基于k-svd方法变换的快速方法的经典文章！-Image sparse representation of the more popular lately! This article is based on a quick way to change the method of k-svd classic article!
paper1
- 基于Gabor特征和字典学习的高斯混合稀疏表示图像识别-Image recognition based on Gabor features and dictionary learning of Gauss hybrid sparse representation
OMP
- 为了解决基于去噪重建过程，即解决稀疏系数原理的图像稀疏表示-In order to solve the reconstruction process based de-noising, that a solution to the sparse coefficient principle sparse representation