新的强大主成分分析，用于通过仿射变换，Frobenius和规范

抽象的

本文提出了一种通过Frobenius和恢复的图像对准和恢复的有效和鲁棒方法规范。最流行和最成功的方法是在稀疏损坏存在下将强大的PCA问题模拟为低级矩阵恢复问题。现有的算法仍然缺乏处理异常值和稀疏声音对图像对准和恢复的潜在影响。因此，新算法通过使用仿射变换和Frobenius的新颖思想来解决异常值和重稀疏噪声的潜在影响。规范。达到这一点，仿射变换和毛绒规范被纳入到分解过程中。因此，新算法对错误、异常值和遮挡更有弹性。为了解决所涉及的凸优化问题，还考虑了交替迭代的方法来降低复杂度。对人脸图像和手写数字的恢复进行了仿真，验证了该方法的有效性。

1.介绍

图像对准和恢复[1.]已经在许多领域得到了应用，如医学成像、无线传感器网络、监控、批处理图像去噪和计算成像。图像恢复也可以用于背景提取，其中低秩分量对应背景，稀疏分量捕获前景。然而，该问题面临着一些严峻的挑战，如光照变化、遮挡、异常值和严重稀疏噪声。因此，开发鲁棒图像恢复算法来应对上述不利影响是很重要的。

已经报道了各种算法用于图像对齐和恢复问题。例如，Peng等人。[2.]考虑了一种用于稀疏和低秩分解（RASL）的强大算法，以消除异常值和损坏和闭塞所产生的潜在影响，但在异常值和稀疏噪声的潜在影响很大时仍然缺乏表现良好。在大量图像中。解决这个问题，likassa等。[3.]通过结合仿射变换和秩先验信息，提出了一种改进的RASL算法，提高了算法的性能。伊巴迪和伊兹奎尔多[4.]提出了一种基于近似的鲁棒主成分分析方法。然而，它们没有潜力消除大数据中异常值的影响。提出了一种稳健的主成分分析（RPCA）算法[5.]基于凸面的程序，尽管稀疏误差仍有保证恢复低秩矩阵;然而，已知现有的RPCA方法非常脆弱到总损坏的存在。解决这个困境，陈等人。[6.]提出了一个非凸起加二次惩罚的低级和稀疏分解（NQLSD）方法，以适应低秩模型，然后使用坚固的拟合功能来减少腐败和闭塞对图像对齐的影响，在那里它仍然是值得怀疑的大型复杂性。Song等人。[7.]提出了一种在线鲁棒图像对齐方法，该方法采用几何变换，通过扭曲更新直接线性化目标函数，并利用封闭解和随机梯度下降更新方案，对应于一种高效的逆合成算法，解决了Wu等人面临的图像对齐性能问题[8.］.刘等。[9]考虑了基于凸面程序的修改算法，以减轻子空间聚类问题，保证能够精确地恢复原始数据的行空间，并以有效且有效的方式执行鲁棒子空间聚类和错误校正。哦，等。[10.]提出了一种利用奇异值部分和（PSSV）代替核范数的有效图像恢复算法。这种新方法受目标函数修改的启发，保证了更好的低秩和收敛性，并且即使在观测值较少的情况下，对异常值也更具鲁棒性。当观测的总数很大时，这种方法无法很好地执行。他等人[11.]考虑了一种具有有效保证的相似凸松弛算法。虽然存在几种RPCA算法来处理异常值和严重稀疏噪声的潜在影响，但需要开发有效的算法。为了缓解这一问题，本文作者[12.,13.]开发稳定的算法，它可以很好地处理严重损坏的数据。然而，在非常高维情况下，如图像特征提取，恢复和调整，缺乏更好的性能和较低的计算复杂度。

在本文中，我们提出了一种用于通过仿射变换，Frobenius标准的图像恢复和对准的新颖稳健算法规范。为了抗杂项不利影响，如遮挡、离群值和重稀疏噪声，新算法集成了仿射变换和低秩加稀疏分解，其中低秩分量位于不相交子空间的并集，因此，可以纠正扭曲或错位的图像，以呈现更忠实的图像表示。然而，受[2.,14.]，额外的Frobenius规范的概念和Norm现在在分解过程中并入，以便更具弹性，以恢复图像中的错误，异常值和闭塞。因此，在分解过程中在算法中迭代地更新的参数与[2.,6.,10.］.此外,规范和Frobenius规范，它们享有和通常用于在图像上移除相关的样本，使得新方法能够更具弹性到异常值和图像的大变化。涉及的变量和仿射变换的确定作为凸优化问题。因此，可以通过仿射变换，Frobenius规范和扭曲的图像来整流变形或未对准的图像规范渲染更准确的图像分解。

仿射变换使用低秩加稀疏表示进行聚合，其中低秩分量位于子空间的并集而不是单个子空间中。这些变换可以修复一批损坏图像中的失真或错位，以提供更可靠的图像分解，从而对严重的稀疏错误和异常值具有更强的鲁棒性。由于图像中可能会出现较大的误差，这将影响图像恢复的准确性，因此规范使用。当与仿射转换结合使用时，这个新规范可以进一步提高性能。该方法用于归一化大数据中异常值和重稀疏噪声的不利影响。最优参数的搜索和仿射变换首先被铸造为凸优化规划。然后，采用交替方向法(ADMM)，建立新发展和修正的方程组，迭代更新涉及的参数和仿射变换。仿真结果表明，该算法在一些公共数据集上的图像对齐和恢复精度优于目前的研究成果。本文的主要贡献如下:(1)在新模型中引入仿射变换对图像进行修正，从而在存在严重稀疏误差和异常值的情况下保持鲁棒性(2)使用ADMM方法来解决新的凸优化问题，并且开发了一组更新方程来迭代解决这个问题(3)在新方法中，一套仿射变换和毛绒纤维树和规范被认为是助推新方法的性能（4）基于凸节目A新型改性RASL提出了可通过在分解过程中添加额外的术语修剪出利用局部塔低秩作为现有信息闭塞以及照明的高度线性相关数据（5）据作者所知，它是第一次修改稳健的图像对准稀疏低秩分解在这样的分解过程中尝试了在面部识别，视频监控和医疗保健的更广泛应用中解决图像对准问题（6）为了解决凸优化问题，提出了一种交替迭代过程，以降低图像对齐问题的复杂性，同时提高恢复性能

2.相关工程

在图像对准和图像恢复的区域中进行了几个相当大的研究研究。例如，Waters等人。[15.]提出了一种新的基于仿射秩最小化的贪婪算法，以消除稀疏误差的潜在影响。莉亚和芳[16.[通过明确地考虑到空间变化的照明乘法的问题，用低位多项式的误差偏置因子来建议图像对准方法。但是，当存在严重的异常值和数据中的稀疏错误时，它不起作用。

为了放宽标准核规范，Gu等人[17.]解决了重量核规范最小化问题，其自适应地将权重分配给不同的奇异值，可以最小化最终排名。此外，康等。[18.提出了一种非凸秩近似，从而进一步降低了队伍。为了解决高估行列的困境，[的作者19.,20.]建议将原始图像分解成两个宽组件的RPCA算法。likassa等人。[12.,13.]提出了一种新的算法来解决失调困境，该算法旨在从照明数据中找到低秩分量。哦，等。[21.]呈现了一种等级最小化算法，它同时对准低输入动态变化图像并检测异常值。提高[21.，埃里克松等。22.]通过等级最小化分解后，解决了用于在分解后找到低秩零件的随机算法。Podosinnikova等。[23.]开发了一个强大的PCA，以最大限度地减少重建错误。Shahid等人。[24.]通过涉及另外一些正则化项的RPCA光谱曲线图。Shakeri和张[25.[]提出了一种在线序列框架，通过修剪稀疏的损坏来寻找干净的部分。Hu等人[26.通过低级正则化介绍矩阵的低秩假设的近似，以解决面部图像去噪问题。Wright等人。[5.]提出了一种用于图像分解的RPCA，作为低级别和稀疏误差;但是，它缺乏可扩展性。康等。[18.]通过非凸秩近似解决了一种鲁棒性方法。张和勒曼[27.[Rahmani和Atia [28.]提出了一种鲁棒的子空间恢复方法来解决恼人效应的影响。然而，当数据中存在大量的异常值和稀疏噪声时，它的复杂性就会受到威胁。作者[29.,30.]解决了一个强大的子空间学习和RPCA，排名最小化，以解决遮挡，照明，异常值和稀疏漏洞的潜在影响。尚等人。[31.]提出了一种基于双核范数和核混合范数惩罚的秩极小化新方法，以缓解不利困境。

对于低秩子空间分解问题也提出了广泛的解决方法。张扬[32.]通过低秩分解解决了线性子空间聚类方法。赵等人[33.]的鲁棒判别低秩表示，以获得多个子空间结构。Ma et al. [34.解决了从低维子空间拍摄了高信息数据中的信息的广义算法。Lerman和Maunu [35.]解决了子空间恢复方法，从大数据获取低级别部分。刘等。[9]处理图像的表示，以从照明数据中精确定位低阶结构。最近，Rao等人[36.[介绍了用于子空间分割的压缩传感技术。Elhamifar和Vidal [37.]其中使用的疏产生的图像视为稀疏子空间slustering（SSC）减少 [5.]表示称为亲和力的权重和矩阵。子空间分割是通过子空间群集方法完成的[38.]和子空间聚类[39.］.然而，它们对遮挡和照明并不稳健。解决这些挫折，李等人。[40]提出了一种基于变换的方法，该方法通过对损坏样本联合对齐和学习子空间表示。Shen等人[41.]通过字典追求解决的子空间聚类方法具有满意的性能，以减少复杂性呢。Wu等人。[42.建议依赖于新方法的分解，以减轻运动分割中噪声的潜在影响。李等人。[43.]将原始图像视为基于3维度的张量;然而，由于失真，存在严重的问题。然而，这是非常耗时的。丁和福[44.]通过低秩经由寻址方法的子空间的信息的多视点获得干净的低维的不含从高维数据损坏的子空间。

3.问题制定

给定一组很好地结合图像相同的对象是线性相关的，其中和表示的各图像的体重和身高，分别。更确切地说，如果我们让VEC：表示选择的运算符像素的兴趣区域 从图像和堆叠它作为向量，我们可以创建一个矩阵这是一个低级矩阵。如果由于部分损坏和闭塞而未对齐，则这种误差通常发生在图像的小区域中并且具有任意大的大小;这些错误可以被建模为稀疏错误，并表示为 ．为了解决错位的问题，我们采用域名变换 ．变换后的图像可以构造为如下矩阵: ,在哪里 ,是对齐良好的图像版本吗和运营商表示转换(2.］.解决方案由于非线性和复杂依赖性，是棘手的关于转型 ．这可以通过线性化的电流估计来解决当变化是小 [2.,6.,45.］.为了参数的数量和 ,我们可以写 ,在哪里 表示的雅可比相对于变换图像和表示标准基础满足。

每个仿射转型可以由矢量表示参数，屈服 ．具体地，如果初始转换我们知道，我们可以改变 ．这使问题得到放宽，在我们争取实现下列凸优化问题 , ,和通过引入一个新的术语仿射变换和Frobenius和规范。

为了使新的方法更好地抵御异常值和重疏噪声时，Norm，它结合了L_1.和L_2.标准，在这里使用。这规则器被认为是旋转不变的L_1.规范，可以有效地处理异常值[46.］.此外，如[13.,47.]， 这规则器还可以实现更好的稀疏促销L_1.标准这个L_1.范数由于忽略了极值而不能处理特征的共线性，可能会产生偏差估计。相比之下,规范更稳定，能够更好地保护空间信息而不是L_1.正则化，如示[13.,47.］.此外，这是当信号不是稀疏或矩阵不严格低等级时，规范常量优于非耦合规范[48.,49.］.因此，整体问题可以发布作为优化问题 在哪里表示原始数据矩阵，是低级成分和是稀疏的错误矩阵。这规范用 ．为了解决约束的非线性问题由于复杂的依赖而产生的在转变上 ,在算法中总结了线性化的过程1.[2.］.

4.算法

(中的约束优化问题1.），我们使用了增强拉格朗日乘数[2.,50.]，通过最小化增强拉格朗日函数来迭代估计拉格朗日乘法器和最佳解决方案。ADMM方法的基本思想[51.]用于搜索增强拉格朗日函数的鞍点，而不是直接解决原始约束优化问题。 为了简单起见，我们表示 ,其中 , 是一个拉格朗日乘法器矩阵，是一个积极的惩罚参数，表示矩阵内部产品，和是弗罗比尼斯范常态。直接求解（2.）在第一次迭代中很难，所以如[2.,50.，我们以交替的方式迭代地解决问题。在增广拉格朗日乘子法中，将增广拉格朗日函数中的未知量逐个迭代最小化。

首先，要更新在(3.），我们解决所有问题 , ,和为常数。直接求解上述函数比较困难，因此我们采用交替策略对增广拉格朗日函数进行近似最小化，即仅对四个未知数中的一个最小化函数 , , ,和Z一次：

我们注意到，在这个问题（3.）完全可分离，涉及解决凸面的程序。因此，遵循[31.,52.–54.]，并使用[的程序55.]并且可以使用增强拉格朗日乘数可以有效解决的软阈值操作员的概念，更新可以给出

所以,可以通过

再次，通过忽略所有无关的条款 ,它可以简化为

通过使用lemma [56.]，的更新柱的 , ,是（谁）给的 在哪里表示欧几里德范数和 ．

最后，我们需要更新 ,所以我们必须将所有其他参数保留在(8.)作为常量，并使用增广拉格朗日乘数进行以下操作：

要更新参数在(8.)，则保持所有其他参数不变，以得到所需参数的最优解。通过应用增广拉格朗日函数和奇异值阈值，我们可以得到最终的更新如下: 在哪里表示Moore-Penrose伪 ．

使用以下等式更新拉格朗日乘数：

有关的最佳参数，算法更新容易引用2.总结全文。

5.模拟和讨论

本节进行一些模拟，以证明我们恢复脸部图像和手写数字的方法的有效性。使用四个基线，包括RASL [2.]，nqlsd [6.]，PSSV [10.]和MRASL [3.］.首先，我们强调了在从高度线性相关数据中检查闭塞和照明的目的地，检查我们的新提出方法的有效性。其次，我们进一步通过相似性统计测量来定量地检查图像相似度，以描述我们的算法的性能，主要是峰值信噪比。这可以使用峰值信噪比（ )[57.，定义为 哪里都是原始图像和恢复的图像大小 ．

数据集．为了实现新的方法，我们考虑了来自MINST数据库的两个不同的公共数据集手写数字[58.]并从野生数据库采取虚设面部图像[59.］.

5.1。人脸图像恢复对齐

首先，我们考虑包含30个尺寸的脸部图像的数据集从野生数据库中标记的面孔中被扰动和闭塞的假头的100张照片中获取[59.］.这些是真实世界的面部图像，在不同的照明下，不受控制的错位。数字1.显示了基于我们的算法和其他三个基线的恢复图像。再次说明，图中给出了基于该方法恢复的虚拟图像和上述基线1.，其中具有不同损坏的假人面部图像在图中描绘1（a）．上述算法的回收图像如图所示1（b）–1（e），我们可以看到所提出的方法的视觉质量优于所有基准。这与表中的数值结果一致1.．我们可以从图中看到1.新方法与其他三个基线相比，提供了更清晰的视觉质量。这证明我们的新算法的在去除扰动的有效性，阻塞和从高度线性相关数据照明数据。

5.2. 手写数字图像复原对齐

接下来，我们对手写数字进行模拟。30“3”从MINST数据库中拍摄的图像被用来验证我们算法的有效性。根据图中所示的我们提出的方法的性能的模拟结果2 (f)图中给出了其他基线2（b）–2 (e)．由于包括以部分列低等级形式的额外术语，我们的方法实现了我们的方法的结果优于上一个工作的结果。与原件相比，四种不同方法的低级别分量。我们的方法比NQLSD，PSSV和RAS更好地表现出它的效率，而是对图中所示的恢复图像的结果2.．这也可以是合理的，并且作为图示，基于上述方法的恢复的手写数字的一些视觉图像如图所示2 (f)，可以看出，与其他四种基线相比，本文方法具有更好的对齐效果，并能更好地恢复被损坏的手写图像。如图所示2 (e)，恢复的手写图像通过正确删除异常值和稀疏噪声等不利影响，提供更清晰的视觉质量。这与表中的结果一致1.并进一步证明所提出的方法对异常值更具弹性和稀疏噪声。为了进一步验证我们方法的性能，我们还比较上述方法的PSNR，如表所示1.，我们可以发现新算法确实提供了与其他三个基线相比最大的PSNR。

我们可以观察到，通过以仿射变换和Frobenius和L2,1规范的形式增加额外的术语，我们的方法达到了与[中提出的方法相比的较大平均PSNR。2.,3.,6.,10.]，表示更好的图像恢复并具有消除错误的能力。相对而言，以部分列低等级的形式添加新的术语作为我们的模型的秩年度信息，增强了我们新提出的算法的性能，因为所获得的平均峰值信噪比值优于其他三个基线更好．我们的方法的优势在于它获得了更稳定的图像恢复估计，对错误，异常值和闭塞更加强大。

6.结论

在这项工作中，我们考虑了一种新的算法，用于通过Frobenius和restal最小化的强大图像对齐和恢复规范。搜索在仿射变换和弗罗比尼斯范和在优化制剂中考虑了规范，作为凸起约束的优化问题。然后，这用于通过纠正扭曲的图像来缓解烦恼效果的潜在影响。然后采用ADMM方法，建立新的一组方程，以替代地更新优化参数和仿射变换。此外，也仔细审查了这些新更新方程的收敛。进行了模拟表明，在五个公共数据库的精度方面，新方法比其他方法更好地执行。

数据可用性

本文中使用的数据可供用户免费使用。

的利益冲突

作者声明不存在利益冲突。

参考文献

1. T.Bouwmans，S. Javed，H. Zhang，Z. Lin和R. Otazo，“鲁棒PCA在图像和视频处理中的应用”，IEEE的诉讼程序，卷。106，没有。8，pp。1427-1457,2018。查看在：出版商网站|谷歌学术
2. Y.彭A. Ganesh神，J.怀特，W.许，和Y.马，“RASL：由稀疏，低秩分解为线性相关图像强劲对齐，”中计算机视觉与模式识别，2010年IEEE计算机协会会议论文集，卷。34，没有。11，PP。2233-2246，普罗维登斯，ri，美国，2012年6月。查看在：谷歌学术
3. H. T. Likassa，W.-H.方和Y.-A.闯，“用改进的高度线性相关数据稀疏和低秩分解鲁棒的图像对准，”在2018第三届智能绿色建筑与智能电网国际会议论文集，Piscataway，NJ，美国，2018年4月。查看在：谷歌学术
4. S.伊巴迪和E.伊斯基耶多，“近似为RPCA损坏和线性相关的图像和视频帧的快速和有效的恢复，”在在系统，信号和图像处理的2015年国际会议（IWSSIP）论文集，pp.49-52，IEEE，伦敦，英国，2015年9月。查看在：谷歌学术
5. J. Wright, A. Ganesh, S. Rao, Y. Peng, Y. Ma，“稳健主成分分析:通过凸优化精确恢复损坏的低秩矩阵”，出版神经信息处理系统的进步，PP。2080-2088，MIT新闻，剑桥，马，美国，2009。查看在：谷歌学术
6. 陈旭东，韩志忠，唐勇，“基于非凸二次惩罚的低秩稀疏分解算法在图像对齐中的应用”，中国信息科学，卷。59，没有。5，第2016,2016项。查看在：出版商网站|谷歌学术
7. W.宋，朱军，李Y.和C陈，“由通过随机梯度下降的在线强大的PCA图像对齐，”IEEE视频技术电路和系统交易，卷。26，不。7，pp。1241-1250,2016。查看在：出版商网站|谷歌学术
8. Y.吴，B.沉和H玲，“通过迭代凸优化的在线鲁棒图像对齐”2012年IEEE计算机愿景和模式识别会议的诉讼程序，第1808-1814页，IEEE，普罗维登斯，RI，美国，2012年。查看在：谷歌学术
9. G刘，Z。林，S。严，J。太阳，Y。余和Y。Ma，“通过低秩表示实现子空间结构的鲁棒恢复，”模式分析与机器智能学报第35期1，第171-184，2013。查看在：出版商网站|谷歌学术
10. T.-h.哦，Y.-w。Tai，J.-C。Bazin，H. Kim和I. S. Kweon，“鲁棒PCA中的奇异值的部分和最小化：算法和应用”，模式分析与机器智能学报第38卷第2期4, pp. 744-758, 2016。查看在：出版商网站|谷歌学术
11. J.他，张D.，L. Balzano和T.道，“迭代格拉斯曼优化强大的图像比对，”图像和视觉计算，卷。32，不。10，pp。800-813,2014。查看在：出版商网站|谷歌学术
12. HT利卡萨和W-H。Fang，“通过子空间恢复技术实现图像对齐的稳健回归”，年2018年VII国际网络国际会议议程，沟通和计算 - ICNCC 2018年，第288-293页，台湾台北，2018年12月。查看在：谷歌学术
13. H. T. Likassa，W.-H.方和J.-S.·雷，“通过仿射变换的鲁棒图像恢复L_{2, 1}规范。”IEEE访问，卷。7，pp。125011-125021,2019。查看在：出版商网站|谷歌学术
14. J.詹和N.瓦斯瓦尼，“乐百氏PCA与部分子空间的知识，”在2014年IEEE信息理论国际研讨会论文集， pp. 2192-2196, IEEE，檀香山，HI，美国，2014年6月。查看在：谷歌学术
15. A. E. Waters，A.C.SankaranaAnanan和R. Baraniuk，“SPARCS：从压缩测量中恢复低级和稀疏矩阵”神经信息处理系统的进步，第1089-1097页，麻省理工学院出版社，美国马萨诸塞州剑桥，2011年。查看在：谷歌学术
16. S.-h.赖和M. fang，“具有空间变化的照明模型的鲁棒和高效的图像对齐，”1999年IEEE计算机愿景和模式识别会议1999年的诉讼程序（猫。没有PR00149）， vol. 2, pp. 167-172, IEEE, Fort Collins, CO .， USA, 1999。查看在：谷歌学术
17. S. GU，Q.Xie，D. Meng，W.Zuo，X. Feng和L. Zhang，“加权核规范最小化及其在低水平视觉中的应用”，国际计算机愿景号，第121卷。2，页183-208,2017。查看在：出版商网站|谷歌学术
18. Z.康，C.彭和Q. Cheng，“强大的PCA通过非透露秩近似，”2015年IEEE数据挖掘国际会议论文集，第211-220，IEEE，大西洋城，NJ，USA，2015年11月。查看在：谷歌学术
19. D. Hsu，S. M. Kakade和T. Zhang，“具有稀疏损坏的强大矩阵分解”信息理论上的IEEE交易(第57卷)11，页7221 - 7234,2011。查看在：出版商网站|谷歌学术
20. M. Rahmani和G. K. Atia，“高维等级低级加稀阵矩阵分解的随机子空间学习方法”2015年第49届asilomar会议的诉讼程序，系统和计算机，第1796至1800年，IEEE，太平洋格罗夫，CA，USA，2015年11月。查看在：谷歌学术
21. T-H。哦，J-Y。李，Y-W。戴和我。sKweon，“通过秩最小化实现稳健的高动态范围成像，”模式分析与机器智能学报，卷。37，不。6，pp。1219-1232，2014。查看在：谷歌学术
22. NB埃里克森，L。马瑟林，S。L布伦顿和J。NKutz，“随机动态模式分解”，2017年，https://arxiv.org/abs/1702.02912．查看在：谷歌学术
23. A.波多西尼科娃，S。塞泽尔和M。Hein，“鲁棒pca：stiefel流形上鲁棒重建误差的优化”，年德国模式识别会议的诉讼程序，pp.121-131，Springer，Munster，德国，2014年9月。查看在：谷歌学术
24. N. Shahid，N.Perraudin，V.Kalofolias，G.Puy和P.Vandergheynst，“图表上的快速强大的PCA”，IEEE信号处理选题期刊，卷。10，没有。4，pp。740-756,2016。查看在：出版商网站|谷歌学术
25. M. Shakeri和H.张，“Corola：使用低秩近似移动物体检测的顺序解决方案”计算机视觉和图像理解，卷。146，第27-39，2016。查看在：出版商网站|谷歌学术
26. Z胡F。尼尔，L。田和X。李，“低级别正规化综合调查”，2018年，https://arxiv.org/abs/1808.04521．查看在：谷歌学术
27. T. Zhang和G. Lerman，“一种用于强大PCA的新型M估计，”机器学习研究杂志，卷。15，不。1，pp。749-808,2014。查看在：谷歌学术
28. M. Rahmani和G. K. Atia，“一种强大的子空间恢复的分散方法”2015年第53届综合，控制和计算年度血栓会议（Allerton）的诉讼程序， pp. 802-807, IEEE, Monticello, IL, USA, 2015。查看在：谷歌学术
29. N.Vaswani，T.Bouwmans，S. Javed，以及P. Narayanamurthy，“强大的子空间学习：强大的PCA，强大的子空间跟踪和强大的子空间恢复”IEEE信号处理杂志第35期4，页32-55,2018。查看在：出版商网站|谷歌学术
30. J. Lee和Y. Choe，“基于几何口译不一致的强制性PCA，IEEE图像处理汇刊，卷。27，不。4，第1939至50年，2018。查看在：出版商网站|谷歌学术
31. F. Shang，J. Cheng，Y. Liu，Z.-Q.罗和Z.Lin，“Bilinear因子矩阵常量最小化用于鲁棒PCA：算法和应用，”模式分析与机器智能学报，第40卷，第5期。第9页，2066-2080页，2018。查看在：出版商网站|谷歌学术
32. F.张和J. Yang，“通过低等级分解的线性子空间学习方法”2011年第二届生物启发计算和应用中的第二次国际创新国际会议， pp. 81-84, IEEE，中国深圳，2011年12月。查看在：谷歌学术
33. 赵旭东，安国平，“子空间聚类的鲁棒判别低秩表示方法”，软计算，卷。23，不。16，pp。7005-7013,2018。查看在：出版商网站|谷歌学术
34. Y. MA，A. Y. Yang，H. Derksen和R. FOSTUM，“与建模和分割混合数据的应用程序估算子空间安排”，暹罗评论，卷。50，不。3，第413-458，2008。查看在：出版商网站|谷歌学术
35. G. Lerman和T. Maunu，“概述了强大的子空间恢复，”IEEE的诉讼程序，卷。106，没有。8，pp。1380-1410,2018。查看在：出版商网站|谷歌学术
36. S. Rao，R.Tron，R.Vidal和Y. yi Ma，“在偏远，不完整或腐败的轨迹存在下的运动细分”模式分析与机器智能学报，第32卷，第10期，第1832-1845页，2010年。查看在：出版商网站|谷歌学术
37. E埃尔哈米法和R。Vidal，“稀疏子空间聚类”，在2009年IEEE计算机视觉与模式识别会议论文集，第2790-2797页，IEEE，美国佛罗里达州迈阿密，2009年6月。查看在：谷歌学术
38. J. Shi和J.Malik，“归一化的削减和图像分割”，部门论文（CIS），卷。22，p。107,2000。查看在：谷歌学术
39. Y.-x.王和h. xu，“嘈杂的稀疏子空间聚类”机器学习研究杂志，卷。17，不。1，pp。320-360,2016。查看在：谷歌学术
40. Q.李，Z. Sun，Z. Lin，R. He和T. Tan，“转型不变子空间聚类”，模式识别，卷。59，pp。142-155,2016。查看在：出版商网站|谷歌学术
41. 李鹏，沈建军，“基于基字典追踪的在线低秩子空间聚类”国际机会学习会议的诉讼程序，pp.622-631，纽约，纽约，美国，2016年6月。查看在：谷歌学术
42. Y.吴，Z. Zhang，T. Huang，J. Y.Lin，“通过正交子空间分解进行多体分组”2001年计算机愿景和模式识别的2001年IEEE计算机协会会议的诉讼程序，第二卷，考艾岛，美国，2001年12月。查看在：谷歌学术
43. Y. Li，C.陈，F.杨和J. Huang，“强大的稀疏代表，适用于强大的图像登记，”IEEE计算机视觉和模式识别会议记录，第4894-4901，波士顿，MA，USA，2015年。查看在：谷歌学术
44. Z.丁和Y.符“鲁棒多视角子空间学习通过双低等级的分解，”在第三十届AAAI关于人工智能大会的诉讼程序，凤凰城，阿兹，美国，2016年2月。查看在：谷歌学术
45. Y. Ma，S. Soatto，J. Koseckaa和S. S. Sastry，对3-D Vision的邀请：从图像到几何模型，第26卷，施普林格科学与商业媒体，柏林，德国，2012。
46. C.丁，D。Zhou，X. He，H. Zha，“R1-PCA：旋转不变L 1-Norm主成分分析，适用于鲁棒子空间因子，”第23届机器学习国际会议记录，PP。281-288，ACM，Pittsburgh，PA，美国，2006年。查看在：谷歌学术
47. R.李，王X.，L磊和Y.歌“。- 基于丢失功能和正则化极限学习机，“IEEE访问，第7卷，6575-6586页，2018。查看在：出版商网站|谷歌学术
48. F. Wen，L. Chu，P. Liu和R. C.邱，“信号处理，统计和机器学习中的非透露正则化稀疏和低级恢复的调查”IEEE访问，第6卷，第69883-699062018页。查看在：出版商网站|谷歌学术
49. Y.李，Y.林，程十，小Z.，F舒和G桂，“非凸惩罚的存在强大的稀疏恢复正规化”IEEE访问，第6卷，25474-25485页，2018。查看在：出版商网站|谷歌学术
50. Z. Lin，M. Chen和Y. Ma，“用于精确恢复的损坏低级矩阵的增强拉格朗日乘数方法，”2010，https://arxiv.org/abs/1009.5055.．查看在：谷歌学术
51. S. Boyd，N.Parikh，E. Chu，B. Peleato和J. Eckstein，“通过乘数交替方向方法分布优化和统计学习”，机器学习中的基础和Trends®，第3卷，第2期。1，页1 - 122,2010。查看在：出版商网站|谷歌学术
52. S. M.卡哈基，s - l。Wang，和A. Stepanyants，“体内延时图像的精确配准”，在医学成像：图像处理，第10949卷，国际光学和光子学学会，美国西澳州贝灵汉，2019年。查看在：谷歌学术
53. 张志刚，徐勇，杨建平，李旭东，“稀疏表示算法与应用综述，”IEEE访问，卷。3，pp。490-530,2015。查看在：出版商网站|谷歌学术
54. A. Dutta，F. Hanzely，和P.Richtárik，一种强大PCA的非透露投影方法，“AAAI人工智能会议论文集，第33卷，第1468-1476页，2019。查看在：出版商网站|谷歌学术
55. 肯尼迪。蔡e . J. Candès, Shen Z.，“矩阵补全的奇异值阈值算法”，SIAM优化学报，第20卷，第2期。第4页，1956-1982,2010。查看在：谷歌学术
56. J. Yang，W. Yin，Y. Zhang和Y. Wang，一种快速保留变分变分数多通道图像恢复的快速算法，“暹罗杂志上的成像科学，第2卷，第2期2，第569-592页，2009。查看在：出版商网站|谷歌学术
57. Z.Wang，A.C.Bovik，H. R. Sheikh和E.P. Simoncelli，“图像质量评估：从误差能见度到结构相似性”IEEE图像处理汇刊，卷。13，不。4，pp。600-612,2004。查看在：出版商网站|谷歌学术
58. J. J. Hull，“手写文本识别研究的数据库，”模式分析与机器智能学报，卷。16，不。5，PP。550-554,1994。查看在：出版商网站|谷歌学术
59. 技术：G. B.黄，M.拉梅什，T伯格和E.据悉，米勒，“对研究人脸识别在不受约束的环境中，数据库在野外标记面孔”。众议员，美国马萨诸塞州阿默斯特，MA，USA，2007年，技术报告07-49大学。查看在：谷歌学术

版权

版权所有©2020哈比特·塔德塞Likassa。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。