LRSD-TNNSR 这为论文“通过截断核范数和稀疏正则器进行低秩和稀疏矩阵分解”提供了MATLAB代码实现。 文件夹“ LRSD-TNNSR”包含以下三个子文件夹的代码：- 合成数据：包含合成数据的实验，您可以运行“ demo.m”以取得示例结果。 面部图像阴影去除：包含面部图像阴影去除的实验，您可以运行“ demo.m”以取得示例结果。 视频背景减法：包含视频背景减法的实验，您可以运行“ demo.m”以取得示例结果。 参考文献：薛Z，董建，赵Y，等。 Vis Comput（2018）。 如果您对此软件包有任何疑问或意见，或者想报告任何错误或意外错误消息，请发送电子邮件至 。

图像融合；图像增强；图像质量评价

main_klrr.m是调用的代码，KLRR.m是核低秩代码实现，然后DATA目录下为选用的数据，utils目录下为工具类，可能有多余的代码，utils中除了LOADDATA代码是我写的之外，其他全是从cai deng以及lrr中收集的。

稀疏子空间聚类(Sparse subspace clustering,SSC)是一种基于谱聚类的数据聚类框架.高维数据通常分布于若干个低维子空间的并上,因此高维数据在适当字典下的表示具有稀疏性.稀疏子空间聚类利用高维数据的稀疏表示系数构造相似度矩阵,然后利用谱聚类方法得到数据的子空间聚类结果.其核心是设计能够揭示高维数据真实子空间结构的表示模型,使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类.稀疏子空间聚类在机器学习、计算机视觉、图像处理和模式识别等领域已经得到了广泛的研究和应用,但仍有很大的发展空间.本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述,并分析存在的不足,指出进一步研究的方向.

凸多视图低秩稀疏回归用于特征选择和聚类

最近，在无线局域网（WLAN）环境中基于指纹的定位受到了广泛的关注。 定位方法的一个关键问题是无线电地图的构造，通常需要大量的精力来收集足够的接收信号强度（RSS）测量值。 基于RSS具有较高的空间相关性的观察，我们提出了一种基于低秩逼近的有效的无线电地图构建方法。 与传统的插值方法不同，该方法将RSS的分布表示为低秩矩阵，并通过修正的低秩矩阵完成方法从相对稀疏的测量中构造出密集的无线电图。 为了评估所提出的方法，已经进行了模拟测试和现场实验。 实验结果表明，该方法可以明显减少RSS的测量。 此外，使用构造的无线电地图进行定位，还提高了定位精度。

这项工作涉及通过核范数和 L21 最小化从其低维投影中恢复低秩和联合稀疏矩阵。 % 最小化 ||X||*+||DX||2,1（核范数 +l21 范数） % 受制于 A(X) = Y 我们同样使用分裂 Bregman 算法。 % 最小化 1/2||y-Ax||^2 +lambda1||W||* +lambda2||DZ||2,1 +eta1/2||WX-B1||^2 +eta2/2||ZX-B2||^2 %W 和 Z 是代理变量B1 和 B2 是 Bregman 变量Bregman 技术的使用提高了重建的收敛性和准确性。

矩阵低秩分解和稀疏噪声图像恢复，亲测可用

低秩矩阵分解，主要类型为ROSL，完成矩阵分解，对于图像输入一张灰度图，会得到三种数据，背景（低秩）、前景（稀疏）、标签。

行业分类-设备装置-基于低秩矩阵分解的SAR图像变化检测方法.zip