阵的低秩逼近是一种大规模矩阵低秩近似表示技术，是从大规模、复杂的数据中 寻求数据潜在信息的一种强有力方法。非负矩阵分解（ Nonnegative MatrixFactorization, NMF)） 是矩阵的低秩逼近方法之一，它是指被分解的矩阵和分解结果矩阵的数值都 是非负的。由于该方法符合数据的真实物理属性，数据的可解释性强，分解结果能够表 示事物的局部特征，且模型符合人们对于客观世界的认识规律（整体是由局部组成的） 等优点， 模型和算法自提出以来得到了广泛研究和应用，已经被成功地应用到许多

NLM改进论文，可供算法工程师参考，Walsh-Hadamard投影。382 宇航学报 第32卷 NL- means模型利用观测图像中其它像素点的窗口内,将算法的计算复杂度降为o(m2·n2t2) 加权和来表示当前点图像像素值的估计,即2-1 即便如此, NL-means去噪算法的计算量还是比较 X()=NL()=∑o(i,Y()(2)大,特别是比较窗口和搜索窗口的尺寸较大时,算法 权值o(i,j代表了像素点i和j的相关性, Buade速度较慢。 提出使用以像素点和j为中心的图像块的欧式距 由式

2019年在IEEE Trans image processing下载的最新基于低秩的图像处理论文，适合科研学者参考阅读