图像里的低秩表示模型,挺适合搞图像重建、降噪这类需求的。它的思路其实直白——把图像看作一堆矩阵,挑出其中结构性强的那部分,也就是低秩成分,再加上点稀疏干扰做重构。嗯,效果还挺稳的。

图像分割的场景下,你可以试试潜在低秩表示子空间分割这套代码,优化做得不错,直接下载。另外,增广拉格朗日乘子法在低秩模型里也蛮常用,这份代码稀疏约束就比较顺手。

高维图像的你,如果接触过张量 SVD,建议看看这个基于TT-SVD的低秩重构方案,Python 写的,接口清晰,上手快。

优化方面,这篇研究把稀疏低秩回归配合香农编码优化,读起来还挺有意思的。说实话,在 MATLAB 里玩这些模型,效率和收敛速度你都能感觉出来。

另外几个资源也比较实用,像稀疏表示算法库图像综述,你有空可以翻翻。代码多,注释清楚,适合边学边调。

如果你是 MATLAB 重度用户,那几个图像源码合集也别错过,比如这个、还有这个,不说别的,调通的 demo 就挺多,照着改也省事。