图像处理与机器学习中的正则化表示方法

　　图像处理与机器学习中的正则化表示方法

暂缺《图像处理与机器学习中的正则化表示方法》作者简介

第1章 绪论
1.1 矩阵正则化表示基础知识
1.2 外研究现状
1.3 内容导读
第2章 基于矩阵低秩稀疏分解的红外目标增强
2.1 引言
2.2 利用ALM法求解RPCA
2.3 算法ALM_RPCA的 MATLAB实现
2.4 实验及分析
2.5 小结
第3章 基于低秩矩阵恢复的小波域图像修复算法
3.1 引言
3.2 模型与算法
3.3 数值实验
3.4 小结
3.5 附:MATLAB 代码实现
第4章 一种矩阵调和稀疏分解模型及其应用
4.1 引言
4.2 HSMD 求解算法
4.3 应用实验及分析
4.4 小结
4.5 附:相关实验核心MATLAB 代码
第5章 基于重加权联合稀疏回归的高光谱解混算法
5.1 引言
5.2 迭代重加权联合稀疏回归解混算法
5.3 实验及分析
5.4 结论
5.5 附:MATLAB函数的核心代码
第6章 基于加权l1.1，范数及全变分空间正则化的高光诸解混
6.1 ,引言
6.2 基于矩阵乘法实现高光谱图像卷积运算
6.3 基于加权1.范数与全变分空间正则化的高光谱解混
6.4 实验及分析
6.5 小结
6.6 附:算法IRWCLSU-TV的MATLAB 实现
第7章 稀疏组回归模型及其在人脸识别中的应用
7.1 引言
7.2 基于稀疏组回归的分类
7.3 实验
7.4 小结
7.5 附：算法SGRC的 MATLAB 实现
第8章 k- 近邻类联合表示分类
8.1 引言
8.2 相关工作
8.3 k- 近邻类协同表示分类
8.4 实验
8.5 小结”
8.6 附：MATLAB核心代码
第9章 基于区间的稀疏集成太赫兹数据多类分类算法
9.1 引言
9.2 基于区间的稀疏集成多类分类算法
9.3 实验及分析
9.4 结论
9.5 ISEMCC算法的MATLAB实现
参考文献