图像质量评估（IQA）对于众多图像处理应用至关重要。 通常，图像质量度量（IQM）将图像质量视为在某些感知空间中与参考图像的保真度或相似度。 这种全参考IQA方法是一种比较，涉及以感知上有意义的方式测量两个信号之间的相似性或差异。 人类视觉系统（HVS）的建模已被视为实现感知质量预测的最合适方法。 实际上，自然图像统计可以是模拟HVS的有效方法，因为自然图像的统计模型揭示了HVS的一些重要响应特性。 稀疏编码是自然图像的有用统计模型，等效于独立分量分析（ICA）。 它对初级视觉皮层中简单细胞的感受野提供了很好的描述。 因此，在设计IQM时，可以使用这种统计模型来模拟视觉皮层级别的视觉处理。 在本文中，我们提出了一种IQA保真度准则，该准则将图像质量与参考图像和失真图像之间的相关性以稀疏代码形式相关联。 提出的可视信号保真度度量（称为稀疏相关系数（SCC））是出于需要从简单细胞接受域的稀疏模型中捕获两组输出之间的相关性的动机。 SCC表示皮质视觉空间中图像的两个视觉信号之间的相关性。 多项式和逻辑回归后的实验结果表明，在单失真和交叉失真测试中，SCC均优于最新的IQM。

将Android的raw ext4 image转换成为sparse image的工具。用法： img2simg <sparse_image_file> []

贝内斯底关于回声消除的作品，值得大家下载下来详细研究

逻辑回归matlab 代码 2018-MLSP-sparse-bayesian-logistic-regression Matlab code to reproduce some of the results of the paper. Maxime Vono, Nicolas Dobigeon, Pierre Chainais, , Proc. of MLSP, 2018. Copyright Copyright (c) 2018 Maxime Vono.

这篇论文提出的稀疏迭代最近点算法具有较强的抗噪性，对包含噪声的点云数据进行配准时有较好的效果

使用贪婪算法mp对图像进行重构 实验效果非常的好

An Algorithm for Designing of Overcomplete Dictionaries for Sparse Representation论文代码

rpca matlab代码稀疏数据的快速随机PCA算法程序 最新更新提示： 1.我们将编译文件修改为更简单的版本。 用户可以使用“ source compile.sh”并选择“ icc”或“ gcc”编译器来编译程序。 2.我们在代码中添加了传递参数“ q”的注释，传递参数q应该大于1，并且q次传递等于（q-2）/ 2次幂迭代。 1.主要算法 1.matlab / eigSVD.m ----通过Matlab的[1]中的特征分解来进行经济/截断奇异值分解的算法，参数k用于截断奇异值分解 2.matlab / frPCA.m ----由Matlab在[1]中实现的用于稀疏数据的快速随机PCA算法，参数模式用于初始数据矩阵的不同大小 3.icc / frpca.c ---- [1]中的frPCA和frPCAt算法是通过ICC和OpenMP实现的，[2]中的基本rPCA包含在文件中。 2.测试实验 （1）ICC编译器或MKL库需要Intel MKL [3]的支持，并且在准备好所有内容后，运行“ source compile.sh”并选择编译器（“ icc”或“ gcc”），然后可执行程序将被编

A Weighted Sparse Coding Framework for Saliency Detection, Nianyi Li, Bilin Sun, Jingyi Yu, CVPR 2015----code

This textbook introduces sparse and redundant representations with a focus on applications in signal and image processing. The theoretical and numerical foundations are tackled before the applications are discussed. Mathematical modeling for signal sources is discussed along with how to use the proper model for tasks such as denoising, restoration, separation, interpolation and extrapolation, compression, sampling, analysis and synthesis, detection, recognition, and more. The presentation is elegant and engaging. Sparse and Redundant Representations is intended for graduate students in applied mathematics and electrical engineering, as well as applied mathematicians, engineers, and researchers who are active in the fields of signal and image processing.