MP算法原理
信号稀疏分解与MP算法
信号稀疏分解的思想是：将一个信号分解成字典库（dictionary或codebook）中的一些原子的组合，要求使用的原子个数最少，重构误差最小。对于一个给定字典，列出所有可能组合，可以从中选出满足上述要求的一组，得到最优组合。
但是穷举字典中的所有组合是一个NP难题，对于大的字典库几乎无法实现，因此将要求改为从字典库中寻找一个原子个数尽可能少，重构误差尽可能小的次优组合。这样计算复杂度会大大降低，MP算法就是能够实现这种要求的算法之一。MP算法原理
算法假定输入信号与字典库中的原子在结构上具有一定的相关性，这种相关性通过信号与原子库中原子的内积表示，即内积越大，表示信号与字典库中的这个原子的相关性越大，因此可以使用这个原子来近似表示这个信号。当然这种表示会有误差，将表示误差称为信号残差，用原信号减去这个原子，得到残差，再通过计算相关性的方式从字典库中选出一个原子表示这个残差。迭代进行上述步骤，随着迭代次数的增加，信号残差将越来越小，当满足停止条件时终止迭代，得到一组原子，及残差，将这组原子进行线性组合就能重构输入信号。
步骤
- step 1-初始化：生成/选择字典库 D，并对其中的原子做归一化处理 norm(D)，常用的字典库有：DCT，Gabor ，初始化信号残差 r = s（s为输入信号）
- step 2-投影：将信号残差 r 与 D 中的每个原子 vi 做内积 pi=sTvi，记录最大的投影长度 pmax，和它所对应的原子的索引 i
- step 3-更新： 更新残差 r = s - p*vi
- step 4-判断： 当到达设定的迭代次数，或则残差小于设定的阈值的时候停止，否则继续 step2，step3
应用-使用DCT字典重构图片
reconstruct lena
参考：
[1] Matching Pursuits with Time-Frequency Dictionaries
[2] Matching pursuit of images
