低秩矩阵复原技术及在CT图像重建中的应用-武栋
基于低秩约束的CT重建算法
基于低秩约束的CT重建算法
杨春德;高健;姜小明
【期刊名称】《计算机应用与软件》
【年(卷),期】2024(41)1
【摘要】为提高图像重建质量,结合压缩感知理论,提出一种非局部的基于低秩约束的图像重建算法。
采用Shepp-Logan头模以及真实脑部CT切片进行重建,以峰值信噪比作为重建图像质量评判标准,并与其他两种重建算法的重建结果比较。
经过一定次数迭代后,基于该算法的重建图像结果更贴近原始图像,且收敛时间更早。
实验结果表明,在重建低剂量CT图像上,提出的算法在重建质量和收敛速度上均优于对比算法。
【总页数】8页(P204-210)
【作者】杨春德;高健;姜小明
【作者单位】重庆邮电大学计算机科学与技术学院;重庆邮电大学生物信息学院【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于稀疏和低秩约束的压缩感知图像重建算法
2.基于低秩约束和字典学习的图像超分辨率重建
3.基于非局部低秩约束的改进灵敏度编码重建算法
4.融合局部低秩先验与Bloch流形约束的磁共振指纹重建算法
因版权原因，仅展示原文概要，查看原文内容请购买。
《2024年快速低秩矩阵与张量恢复的算法研究》范文
《快速低秩矩阵与张量恢复的算法研究》篇一一、引言在大数据时代，低秩矩阵与张量的恢复问题在众多领域中具有极其重要的应用价值。
从图像处理到视频分析，从推荐系统到信号处理，低秩矩阵和张量的恢复算法对于数据的有效表示和修复至关重要。
本文主要针对快速低秩矩阵与张量恢复的算法进行研究，分析现有算法的优缺点，并提出一种高效的算法解决方案。
二、低秩矩阵与张量恢复背景低秩矩阵与张量恢复的主要目标是在面对大量高维、复杂数据时，找到数据中潜在的低秩结构并进行有效恢复。
这类问题常用于图像和视频数据的降噪和压缩、网络数据的可视化分析等领域。
近年来，随着大数据技术的不断发展，如何快速准确地实现低秩矩阵与张量的恢复成为研究热点。
三、现有算法概述及问题分析当前，低秩矩阵与张量恢复算法主要分为两大类：基于凸优化的方法和基于迭代优化的方法。
前者计算复杂度较高，但能保证解的稳定性；后者通常能较快地找到近似解，但可能陷入局部最优。
然而，这两种方法在处理大规模数据时仍存在计算效率不高的问题。
此外，现有算法在处理复杂张量结构时，往往难以同时保证恢复精度和计算速度。
四、快速低秩矩阵与张量恢复算法设计针对上述问题，本文提出一种基于分布式优化和近似梯度下降的快速低秩矩阵与张量恢复算法。
该算法采用分布式框架将大规模问题分解为多个小规模子问题，以减少每次迭代的计算复杂度。
同时，引入近似梯度下降策略来加快收敛速度。
具体步骤如下：1. 初始化：对原始数据进行预处理，确定合适的秩估计值。
2. 分布式优化：将原始问题分解为多个子问题，并分配到不同的计算节点上并行处理。
3. 近似梯度下降：在每个子问题上应用近似梯度下降策略进行迭代优化。
4. 合并与优化：将各子问题的解合并并进行全局优化，得到最终的恢复结果。
五、算法性能分析通过在多种不同类型的数据集上进行实验验证，本文所提出的快速低秩矩阵与张量恢复算法在计算效率上具有明显优势。
相较于传统的基于凸优化的方法，新算法能够在较短的时间内达到相近的恢复精度；同时，新算法也能够快速地处理复杂张量结构，并保证较高的恢复质量。
稀疏表示与低秩矩阵分解方法在图像重建中的应用
稀疏表示与低秩矩阵分解方法在图像重建中的应用近年来，随着科学技术的不断发展，图像处理技术已经得到了广泛的发展和应用。
在图像处理过程中，图像重建是其中十分重要的一个过程，它可以使图像更加清晰，具有更高的质量，并且使人们更加方便地进行图像处理和分析。
这篇文章将主要讨论稀疏表示和低秩矩阵分解方法在图像重建中的应用。
一、稀疏表示在图像重建中的应用稀疏表示是一种数字信号处理中的一个重要方法，它已经被广泛应用于图像处理领域。
稀疏表示的主要思想是将一个向量（或矩阵）表示成若干个基向量的线性组合，其中只有很少的基向量参与了该向量的表示。
稀疏表示的优点在于它可以使高维度的数据变得更加简单和易于处理。
在图像重建中，稀疏表示可以用于处理采样不足或失真严重的图像。
具体的处理方法是利用图像的稀疏性质，将一个稀疏的信号进行压缩表示，然后在原有采样信号的基础上，加上这个压缩信号，从而得到一个更加清晰的图像。
当然，在使用稀疏表示进行图像重建时，我们需要选取合适的基向量，以使得稀疏表示的过程能够更加准确和高效。
二、低秩矩阵分解在图像重建中的应用低秩矩阵分解，也称为矩阵分解低秩近似，是另一种在图像处理中广泛应用的方法。
其主要思想是将一个任意大小的矩阵表示为两个低秩矩阵之和，其中一个矩阵代表该矩阵的平均值，称为秩为1的矩阵，另一个矩阵代表该矩阵的扰动项，通常有较低的秩，也称为低秩矩阵。
相比于稀疏表示方法，低秩矩阵分解方法更加注重矩阵的结构和局部特征的处理，所以在处理图像时起到了较好的效果。
低秩矩阵分解常常用于图像去噪、图像填补和图像重构等方面的处理。
它能够有效地减小噪声和伪像的干扰，同时也能保留图像的细节和轮廓信息。
三、稀疏表示与低秩矩阵分解的结合应用稀疏表示与低秩矩阵分解的组合成了一种新的图像重建方法——稀疏表示与低秩矩阵分解联合重建方法。
该方法主要是将两种基于矩阵结构特点处理的方法结合到一起，以充分利用它们在图像重建中的优势。
具体而言，该方法首先利用稀疏表示方法处理图像的高边缘和高频部分，然后再利用低秩矩阵分解方法对图像的低频和低边缘部分进行处理。
基于非负矩阵分解的低秩矩阵恢复模型
基于非负矩阵分解的低秩矩阵恢复模型徐梦珂;许道云;魏明俊【期刊名称】《计算机与数字工程》【年(卷),期】2017(045)006【摘要】针对低秩矩阵恢复需要求解大规模矩阵核范数奇异值分解,计算复杂度高的缺陷,提出基于非负矩阵分解的低秩矩阵恢复模型.新模型通过对传统低秩矩阵恢复模型中的低秩矩阵进行非负因子分解,不但可以保持原始数据的局部特征,而且其低秩性可以快速求解矩阵低秩分解,从而避免了矩阵核范数求解大规模奇异值分解问题.在算法上采用多乘子交替迭代法(ADMM),将全局问题分解为多个易求解的局部子问题,对每个子问题利用拉格朗日乘子法分别对低秩矩阵和稀疏矩阵进行迭代求解.在ORL,AL_Gore和Windows三个图像数据库中Matlab仿真实验结果表明,新模型求解算法比传统低秩矩阵恢复模型识别率高,降秩效果明显,算法的时间复杂度低,从而提高算法运行速度.%To overcome the shortage of large-scale nuclear matrix singular value decomposition existing in low-rank matrix re?covery model,the paper proposed low-rank matrix recovery model based on non-negative matrix factorization. Non-negative matrix factorization(NMF) applied to the low-rank matrix,which could quickly deal with the problem of the decomposition matrix of low-rank and avoid large-scale nuclear matrix singular value decomposition. Then the algorithm used alternarting directions method of multipliers(ADMM). ADMM divided the global problem into partial sub-problems. Each sub-problem used Lagrange multipliers to solve low rank matrix and sparsematrix. Experimental results in ORL,AL_Gore and Windows databases showed that low-rank re?covery model based NMF has higher recognition rate,better reduction rank and lower the complexity of the algorithm than other tra?ditional low-rank recovery model.【总页数】6页(P1019-1024)【作者】徐梦珂;许道云;魏明俊【作者单位】贵州大学数学与统计学院贵阳 550025;贵州大学计算机科学与计算学院贵阳 550025;贵州大学计算机科学与计算学院贵阳 550025【正文语种】中文【中图分类】TP391.41【相关文献】1.低秩矩阵恢复模型改进及其在石油测井中的应用 [J], 王艳伟;夏克文;牛文佳;Ali Ahmad2.基于低秩矩阵恢复的DOA稀疏重构方法 [J], 房云飞;王洪雁;裴炳南3.基于低秩矩阵恢复的群稀疏表示人脸识别方法 [J], 胡静; 陶洋; 郭坦; 孙雨浩; 胡昊; 王进4.基于判别低秩矩阵恢复和协同表示的遮挡人脸识别 [J], 孙雨浩;陶洋;胡昊5.基于低秩矩阵恢复和Gabor特征的遮挡人脸识别 [J], 孙雨浩;陶洋;胡昊因版权原因，仅展示原文概要，查看原文内容请购买。
低秩矩阵恢复模型
低秩矩阵恢复模型
低秩矩阵恢复模型是一种用于从不完整、噪声或有缺失数据的矩阵中恢复真实低秩结构的方法。
在许多实际场景中，我们可能只能观察到矩阵的部分元素，但我们希望能够利用这些部分观测来估计完整的矩阵。
低秩矩阵恢复模型的主要思想是，假设观测到的矩阵可以表示为一个相对较低秩的矩阵加上一个噪声项。
通过利用观测到的部分矩阵数据，我们可以使用优化算法来最小化原始矩阵与低秩矩阵的差异，并同时降低噪声的影响。
常见的低秩矩阵恢复方法包括奇异值分解（SVD）、核范数
规则化、迭代阈值算法等。
这些方法将低秩矩阵恢复问题转化为求解一个优化问题，通过最小化误差函数来估计原始矩阵。
此外，一些方法还引入了正则化项，以提高恢复结果的稀疏性，从而更好地应对噪声和缺失数据。
低秩矩阵恢复模型在很多领域有广泛应用，如图像恢复、视频处理、推荐系统等。
通过恢复低秩结构，可以提高模型的鲁棒性和泛化性能，并从有限的观测数据中获得更准确的信息。
低秩矩阵优化在图像压缩中的应用研究
低秩矩阵优化在图像压缩中的应用研究一、前言图像压缩是在尽可能少的信息损失的前提下，将原始图像数据压缩成更小的数据规模。
低秩矩阵在图像处理中有广泛的应用，因为大多数图像都有很强的相关性，可以通过低秩矩阵方法来降低图像的数据维度，从而达到压缩的目的。
本文将探讨低秩矩阵优化在图像压缩中的应用。
二、低秩矩阵及其优化低秩矩阵是指矩阵的秩较低，即矩阵中主要信息集中在其中的一个子集中。
在图像处理领域，低秩矩阵常用于降维或者压缩。
目前常用的低秩矩阵优化方法主要有以下几种：1.奇异值分解（SVD）奇异值分解是一种将矩阵分解成三个矩阵（U，s，V）的方法，其中U和V是正交矩阵，s是对角矩阵。
这个分解的其中一个特点是，矩阵的秩可以通过奇异值确定。
在图像处理中，奇异值分解可以用来压缩图像的信息。
2.低秩矩阵近似（Low-Rank Matrix Approximation）低秩矩阵近似是通过寻找最接近原始矩阵的秩为r的矩阵，在这个过程中去掉那些对结果没有影响的信息。
在图像压缩中，我们通过低秩矩阵近似去掉冗余信息，从而达到压缩的目的。
3.矩阵对角化矩阵对角化是将一个矩阵变成对角矩阵的过程。
在矩阵对角化过程中，我们可以将一类矩阵通过特定方式变成对角矩阵，从而降低原始矩阵的秩，并进一步压缩图像信息。
三、低秩矩阵在图像压缩中的应用图像压缩中常用的方法之一就是基于低秩矩阵的压缩方法。
通过寻找矩阵的低秩近似，我们可以在一定程度上降低数据量，从而实现图像压缩的目的。
1.基于SVD的图像压缩奇异值分解是一种可以将矩阵分解成三个矩阵（U，s，V）的方法。
在图像处理中，我们可以将一幅图像的像素矩阵分解成三个矩阵。
通过去掉奇异值较小的部分，我们可以得到低秩矩阵的近似。
这个效果就是在保证图像内容质量的前提下，尽可能少地存储图像信息。
2.基于低秩矩阵近似的图像压缩低秩矩阵近似是一种通过去掉矩阵中冗余信息的方法得到低秩矩阵的近似。
在图像处理领域中，这种方法也可以用来压缩图像信息。
低秩矩阵恢
低秩矩阵恢最近在研读图像恢复相关论文中，对于利用图像低秩特性进行噪声信息建模进行了学习，以下是一些总结概述低秩矩阵恢复（LRMR）广泛用于图像处理中的图像恢复，比如去噪、去模糊等。
一幅清晰的自然图像其数据矩阵往往是低秩或者近似低秩的，这是因为其中的图像信息就有很大的相关性，但如果图像中引入噪声，那么存在随机幅值任意大但是分布稀疏的误差破坏了原有数据的低秩性。
低秩矩阵恢复是将被噪声污染的退化图像看做一组低维数据加上噪声形成的，因此要得到退化前图像的数据就可以通过低秩矩阵来逼近。
1.背景知识秩对于矩阵的秩这一概念，我们首先从数学中的线性方程组引入：对一个线性方程组来说，假设其方程组中第一个方程和第二个方程联立具有不同的解，而第二个方程和第三个方程的解完全相同。
从这个意义上说，第三个方程是“多余”的，因为它没有带来任何的信息量，把它去掉，所得的方程组与原来的方程组同解。
为了从方程组中去掉多余的方程，自然就导出了“矩阵的秩”这一概念。
先给出矩阵的秩的定义：设在矩阵A中有一个不等于0的r阶子式D，且所有r+1阶子式（如果存在的话）全等于0，那么D称为矩阵A的最高阶非零子式，数r称为矩阵A的秩，记作R(A）。
并规定零矩阵的秩等于0.求解方法：对矩阵作初等行变换为行阶梯矩阵，其中非零行的个数为矩阵的秩。
其物理意义矩阵中的最大不相关的向量的个数。
矩阵的秩的度量其实就是矩阵的行列之间的相关性。
如果矩阵的各行或列是线性无关的，矩阵就是满秩的。
非零元素的行数或列数决定了秩的多少。
低秩矩阵低秩是指矩阵的秩比较小，而矩阵的低秩性是指矩阵的秩相对矩阵的行数或列数而言很小。
图像处理中，rank可以理解为图像所包含的信息的丰富程度，在现实生活中，一张图片大部分是相似的。
比如一张大草原的图片可以理解为，草原是由很多草组成的，而草是相似的，所以如果全是草，那么这张图所包含的信息量是很少的的，因为可以理解为草是草的复制品。
而图中的蒙古包，人，马之类的则可以理解为图片所包含的信息，实际上，相对于只有草的草原图片和有草和蒙古包的草原图片，后者的秩是较高的。
基于低秩表示的张量恢复模型的研究与应用
基于低秩表示的张量恢复模型的研究与应用一、概述张量是多维数组的自然推广，被广泛应用于信号处理、图像处理、数据挖掘等领域。
然而，由于张量的高维性和复杂性，对张量进行处理和分析常常面临着巨大的挑战。
张量恢复是一个重要的问题，它的目标是通过部分观测值来还原一个完整的张量。
在实际应用中，往往由于数据缺失和噪声干扰等原因，对完整张量的观测往往是不完整的和不精确的。
基于低秩表示的张量恢复模型是一种有效的处理方法，本文将对其研究和应用进行深入探讨。
二、基于低秩表示的张量恢复模型的原理基于低秩表示的张量恢复模型是一种在总体张量可能具有低秩结构的假设下进行的模型。
这种假设源于许多实际问题中张量数据具有较强的内在结构性质，例如在视瓶帧序列中，可以假定视瓶中的每一帧都是低秩的。
低秩表示的方法试图通过低秩矩阵的线性组合来逼近观测到的部分张量，从而实现对完整张量的恢复。
在基于低秩表示的张量恢复模型中，数学形式往往可以表示为以下的优化问题：$$\min _{X} \frac{1}{2}\|O \circ(X-Y)\|_{F}^{2}+\lambda\|X\|_{*} $$其中，$Y$表示完整的张量，$X$表示恢复的张量，$O$表示观测掩模，$\circ$表示Hadamard积，$\| \cdot \|_{F}$表示Frobenius范数，$\| \cdot \|_{*}$表示核范数。
上述模型的求解旨在找到一个低秩的张量$X$，使得$X$在观测掩模下与观测到的部分张量$O \circ Y$的拟合误差最小，并且具有最小的核范数。
三、基于低秩表示的张量恢复模型的研究进展基于低秩表示的张量恢复模型已经取得了广泛的研究进展，并在多个领域得到了成功的应用。
1. 算法优化在求解基于低秩表示的张量恢复模型时，通常采用的方法是通过交替方向乘子法（Alternating Direction Method of Multipliers，简称ADMM）来进行优化求解。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
，
Ｃ ｈ ｏｎ
ｇｑ
ｉ
ｎ
ｇ
4 0
1
3 3
1
，
Ｃ ｈ ｉｎ ａ
）
Ａ ｂ ｓ ｔｒ ａ ｃ ｔ
ｉ
；
Ｔｈ ｅ ｐ ａｐ ｅｒ
ｉ
ｓ ａ ｒ ｅｖ
ｉ
ｅｗ ｏ ｆ ｔ ｈ ｅ ｌ ｏ ｗ
－
ｒａ ｎ ｋ ｍ ａ ｔｒ ｉ ｘ ｒｅ ｃｏ ｖｅ ｒ
ｔ ｔｈ ｅ ｏ ｒ ａ ｎ ｄ ｉｔ ｓ ａｐ ｐ ｌ ｉ ｃ ａｔ ｉ ｏｎ ｓ ｉ ｎ Ｃ Ｔ ｙ ｒ ｅ ｌ ａ ｅ ｄ ｙ
ｋ ｍ ａｔ ｒｉ ｘ
ｒ ｅｃ
ｏｖ ｅ ｒ
ｙ
ｔ
ｈｎｉ
ｑｕｅ
ｓ ｈ
ａｖ ｅｃ ａ ｕ ｓ ｅ ｄ ａ ｔ ｔ ｅ ｎ ｔ ｉ ｏｎ ｉｎ ｈ
ｉ
ｇ
ｈ ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ａｌ ｄ ａ ｔａ ａ ｎ ａｌ ｙ ｓ ｉｓ ｂ ｅ ｃ ａｕ
，
ｉ
ｍ ａ ｇｅ ｐ ｒｏ ｃ ｅ ｓ ｓ ｉｎ ｇ ａｎｄ ｃ ｏｍ
）
计 算 机 断 层 成像
是
－
（
ｃｏ ｍ
ｐｕ
ｔｅ
ｄ ｔ ｏ ｍ ｏｇ ｒａ ｐ ｈ ｙ
，
Ｃ Ｔ
ｆ等 于
）
， ：
1
的 所有 矩 阵构 成 的 集合
1 1
的
－
个凸包络 并
’ ’
个 能 依 据 足 够 的 投 影 麵 对物 体 内 部 的 断 层 Ｓ
，
賊 为 秩 函 数 的 凸 近 似
ｍ
ｉ
）
理论 即 在给定线性方
，
第
ｘ
4
节 总结 全 文
。
程 组约 束下 以 矩 阵 的 秩 作 为 测 度 对
，
目
标 矩 阵进 行
ＮＰ
分 析和 处 理
难
（
。
然 而 秩 最小 化 问 题在 理论 上 是
， ，
矩 阵 的秩 最 小 化 理 论
Ｎｏ ｎ
－
ｄ ｅ ｔ ｅ ｒ ｍ ｉ ｎ ｉ ｓ ｔ ｉｃ Ｐｏ ｌ ｙｎ ｏ ｍ ｉ ａ ｌ Ｈ ａｒ ｄ
1
小 波变换
。
1
［
7
］
等
据 分析 工 具 并 在 协 同 过 滤 控制
（
（
ｃ ｏ ｌ ｌ ａｂ ｏ ｒａ ｔ ｉ ｖ ｅ ｆｉ ｌｔ ｅ
的 稀 疏 变 换 也 在
ＣＴ
重建 中 得到 了应用
而在医学
ｇ 量 子 态 层 析 成 中 的 动 态 成 像 及 工 业 中 长 物 体 的 三 维 成 像 等 问 题 ｍ 器 像 ｑ ｕ ａ ｎ ｕ ａ ｏ ｍ ｏ ｇ ａｐ ｈ ｙ 机 学 习 和 计 算 机 视 中 低 秩 性 作 为 种 有 效 地 先验 信 息 也 引 起 了 注 意 目 前 ＬＲＭ Ｒ 主 要 包 含 矩 阵 觉等 领域 得到 广 泛应用 本 文 根 据 已 有 的 资 料 对 低 秩 矩 阵 复 原 技 术 的 相
武
栋
，
等
：
低 秩 矩阵 复 原技术及 在
ＣＴ
图 像 重 建 中 的 应 用
1
0 7
的
0
。
这也解释 了为什么很多压缩技术如
Ｍ Ｐ3
Ｊ
ＰＥ Ｇ
、
引 言 Ｍ ＰＥ Ｇ 或 者
，
在 实际 当 中 如 此有 效
Ａ
。
2 0 0 6
年以
来 基 于梯 度稀疏 变 换 和
范 数 最 小 化 的 重 建方 法
，
ｌ
ｏｗ
－
ｒ
ａｎ ｋ ｐ ｒ ｏ ｐ ｅｒ ｔｙ ｃ ａ ｎ
ａ ｌ ｓｏ ｂ ｅ ｐ ｏ ｔ ｅ ｎ ｔ ｉａ ｌ ｌｙ ｕ ｔ ｉｌ ｉ ｚ ｅ ｄ ａ ｓ ｔ ｈ ｅ ｐ ｒ ｉ ｏ ｒｉ ｎ ｆｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ｅ ｘ ｃ ｅ ｐ ｔ ｆｏ ｒ ｓ ｐ ａｒ ｓ ｉ ｔ ｙ
1
0 6
第 十
四 届 中 国 体 视 学 与 图 像 分析 学 术 会 议 论 文 集
低秩矩 阵 复原技 术及在
武
（
ＣＴ
图 像重 建 中 的 应 用
°
’
栋＼ 曾
理
2
1
．
重 庆 大学 光 电 工 程 学 院 教 育 部 光 电 技 术 及 系 统 重 点实 验 室
2
．
，
重庆
）
6
］
）
三个 方
小 化 理 论 和 低 秩 矩 阵 复 原 技 术 进 行 了 介 绍
介绍 了 低 秩矩 阵 复 原 技术 在
ＣＴ
第
3
节
，
。
该 技 术 的 理 论基 础 是 矩 阵 的 仿 射 秩 最 小
ｉ
图像 重 建 中 的 应用
；
化
（
ａ ｆｆｉ ｎ ｅ ｒ ａｎ ｋ ｍ
ｎ ｉ ｍ ｉ ｚ ａｔ ｉ ｏｎ
因
、
像 处 理 及 计 算 机视 觉 等 众 多 领 域 中
ＣＴ
并
其成 功 的 应 用 而 成 为 研究 的 热 点
。
。
对于
了
图
像重 建 而 言
，
基 于 最优化的 重
建 方法 已 经 成 为 重要的 研 究 方 向
外
，
在很
多
情况 下
。
，
除
将 常 用 的 稀疏 性 作 为 有 效 的 先 验 信 息 之
）
，
ｒｅ
－
ｎｉ ｍ
ｉ
Ｚｅ
ｒ ａ ｎ ｋ
（
Ｘ ） ｓ
，
．
ｕＡ
（
Ｘ
Ｘ
，
）
6
．
（
1
）
ｄ 1 ＿
呵
ｐ
ｅｒ ｔ
ｙ
，
条件 后 核 范 数 矩 阵
（
其中
；
ｆ ｅ
为 决 策 变 量 线 性 变 换
，
：
ｆＨ
尺
知
。
即 秩 题 是
：
代者 如
利，
ＳＣ
—
0
＜
Ｐ ＜
〇〇
）
范 数被 研 究并 得 到 了
（
ｃ ｏｎ ｔ ｒｏ ｌ
）
、
遥感
ｔｅ
ｔ
（
ｒ
ｅ ｍ ｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ
）
、
ｔ
ｓｔ
ｒ
）
、
一
，
。
。
填充
（
（
ｍ ａ ｔ ｒｉ ｘ ｃ ｏｍ ｐ ｌ ｅｔ ｉ ｏｎ
，
ＭＣ）
＂
－
2
］
、
鲁 棒 主 成 分 分析
3
，
关 理 论 做 了 简 单介 绍 对 相 关 研 究
，
内
、
容 和应 用 进 行 节 分别 对 秩 最
ｏｎ
Ｗ Ｕ Ｄ ｏ ｎ ｇ
1
．
1
，
Ｚ Ｅ Ｎ Ｇ Ｌ
＊
ｉ
1
2
（
Ｋ ｅ ｙ Ｌ ａｂ ｏ ｒ ａ
ｔ
ｏｒ
ｙ
ｏ ｆ Ｏ
ｐ ｔ ｏ ｅｌ ｅ ｃ ｔ ｒｏ ｎ ｉ ｃ Ｔ ｅ ｃ
ｈ ｎ ｏ ｌｏ
ｇｙ ａ ｎ ｄ Ｓｙ ｓ ｔ ｅ ｍ ｏ
ｆ ｔ ｈ ｅ
Ｅ ｄ ｕ ｃ ａｔ
；
ｒｏ ｂ ｕ ｓ ｔ
ｉ ｎ ｃ ｉ ｐ ｅ ｃ ｏ ｍ ｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌｙ ｓ ｉ ｓ ｒ ｐ
ｌ ｌ
ＲＰ Ｃ Ａ
5
［ —
1
＾
）
和 了
介绍
。
本 文具体结构 如 下 第
：
1
2
低 秩 表示
面 的 内容
（
ｏｗ ｍ ｎ ｋ ｒｅ
－
ｐ
ｒｅ ｓ ｅ ｎ ｔ ａ
ｔ
ｉ
ｏ
ｎ
，
Ｌ ＲＲ
，
个 最 稀疏 向 量 的 冋 题
。
此
ｕ，
进 而 进行 精 确 求 解
＾
）
不仅是
一
个非
时 矩 阵 的 奇 异 值 的 和 就 等 同 于 矩 阵 的 对 角 兀 的 绝
／ ｎ Ｔ ｆ Ｒ ｂ 对值 之 和 即 求 解 核 范 数 最 小 化冋 ｌ 范 数 最小 题与 Ａ
＇
Ｉ
凸 问 题 而 且 也 在 理 论上 被 证明 是
，
一
个
ＮＰ
难的问
）
ｔ
题
［
2
（ 1
1
。
研究 证 明 矩 阵 的 核 范 数
（
（
ｎ ｕ ｃ ｌ ｅ ａｒ ｎ ｏ ｒｍ
是秩
Ｉ
，
化 问 题是 等 价 的
函 数 在 矩 阵 单位 球 ±
。
满足 矩阵 的最 大 的奇 异 值小
Ｎ Ｐ Ｈ ａ ｒｄ
）
的
0
类 似于 压 缩 感 知 范数 的 代 替
ｓ ｔｒ ｉ ｃ ｔ ｅ
（
ｃ ｏｍ
ｐ ｒｅ ｓｓ ｖ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ