| 通过文献的查找，我发现，谈到稀疏表示就不能不提下面两位的团队， Yi Ma 和 Elad Michaeal，国内很多高校（像TSinghua，USTC）的学生直奔两位而去。至于Elad.M，恕我直言，我在踏入这个领域之前，其实真的完全不知道，只是最近文章看的比较多，发现看的文章中大部分的作者都有Elad，于是乎，好奇心驱使我了解了这位大牛以及他的团队成员，也深深的了解到了一个团队对一个领域的贡献，从Elad.M那儿毕业的学生现在都成了这个领域中的佼佼者。近年来,许多神经生理学家在视觉系统上已展开了全面深入的研究,并且取得了一些有重要意义的研究成果。这就使得在工程上利用计算机来模拟视觉系统成为可能。基于这一认识,利用已有的生物学科研成果,联系信号处理、计算理论以及信息论知识,通过对视觉系统进行计算机建模,使计算机能在一定程度上模拟人的视觉系统,以解决人工智能在图像处理领域中碰到的难题[1]。目前,稀疏编码方法在盲源信号分离、语音信号处理、自然图像特征提取、自然图像去噪以及模式识别等方面已经取得许多研究成果,具有重要的实用价值,是当前学术界的一个研究热点。进一步研究稀疏编码技术,不仅会积极地促进图像信号处理、神经网络等技术的研究,而且也将会对相关领域新技术的发展起到一定的促进作用。稀疏表示，它能做很多事，也不能做很多事。但是它确实是解决一些棘手问题的方法，至少能提供一种思路。目前用稀疏表示解决的问题主要集中在图像去噪（Denoise），论文网还有超分辨率（Super-Resolution OR Scale-Up），另外还有inpait，deblur，Face Recognition，compression等等。当然Elad M.和Yi Ma的团队不仅仅在应用上大做文章，在理论上也是不断革新，就拿字典学习为例，一开始将固定字典（如过完备DCT，Contourlet，Wavelet字典）用在去噪，超分辨率上，效果不明显，可能某些情况下还不如空域或者频域的去噪效果好，但是速度快是它的优点。于是他们开始研究自适应的字典学习算法，开始使用很多图像进行学习，后来采用单幅图像进行学习来提高运算速度（使用很多图像进行学习属于半自适应的学习，对于自然图像的处理需要学习自然图像，对遥感图像的处理需要学习遥感图像，但是对自然图像或遥感图像的去噪，超分辨率处理，都可以使用已经训练好的相应的字典）[1]；同时学习的方法也不尽相同，开始使用MOD，后来就是一直比较流行的K-SVD，通过该算法构造过完备矩阵，由于矩阵的过完备性使系数矩阵有无数组解，则可以选择最稀疏的系数解以使利用该矩阵可以对与训练集相似的目标向量迚行稀疏表示 ，最后对收集到的信号通过过完备矩阵基转化到另一个稀疏表示集，用其做分类、压缩等工作最近又出来了Online，总体而言Online比较快。字典学习的方法之一MOD，其分为两个步骤：Sparse Coding和Dictionary Update。现在来看一种比较流行的方法K-SVD，至少到目前来说比较流行，虽然速度有点慢（迭代次数+收敛速度的影响）[2]21849 (责任编辑：qin) |