图像稀疏度的计算

图像（矩阵）稀疏度的计算

文献^[1]中提出了，可以利用L1范数和L2范数之间的差异度来衡量矩阵的稀疏度，公式如下：
$sparseness(x)=\dfrac{\sqrt{n}-(\sum{|x_i|})/\sqrt{\sum{x_i^2}}}{\sqrt{n}-1}$
其中 $x$ 可以理解为信号； $n$ 表示 $x$ 包含的元素的个数。 $sparseness(x)$ 是[0,1]之间的数，值越大，说明x的稀疏度越大。那稀疏度怎么理解好呢？其实我们可以理解为一个向量中不为零的数的个数。不为零的个数越多则稀疏度越大，推广到矩阵也一样的道理。从公式中可以看出，当图像块越平滑稀疏度越小，图像重构效果越好，当图像块纹理越多时稀疏度越大，图像重构效果越差。

L1范数和L2范数：

L1范数：所有元素的绝对值之和。
L2范数：所有元素的平方之和的平方根。

计算x的稀疏度，可以分三步：

计算x中所包含的元素个数n。
计算x的L1范数。
计算x的L2范数。

基于Matlab的稀疏度计算

function sparseness = sparseness(X)
% X可以是向量或是矩阵
[m,n] = size(X);
num = m*n;

% 分别计算L1和L2范数
s1 = 0;
s2 = 0;
for i=1:m
    for j=1:n
        s1 = s1+X(i,j);
        s2 = s2+X(i,j)^2;
    end
end

% 计算稀疏度
s2 = sqrt(s2);
c = s1/s2;
a = sqrt(num)-c;
b = sqrt(num)-1;
sparseness = a/b;

Non-negative Matrix Factorization with Sparseness Constraints ↩

最后编辑于：2019.05.25 15:55:18

©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

图像稀疏度的计算