小白理解k-svd算法
小白理解k-svd字典學習
?
一、字典學習
字典學習也可簡單稱之為稀疏編碼，字典學習偏向于學習字典D。從矩陣分解角度，看字典學習過程：給定樣本數據集Y，Y的每一列表示一個樣本；字典學習的目標是把Y矩陣分解成D、X矩陣：
?
同時滿足約束條件：X盡可能稀疏，同時D的每一列是一個歸一化向量。
D稱之為字典，D的每一列稱之為原子；X稱之為編碼矢量、特征、系數矩陣；字典學習可以有三種目標函數形式
(1)第一種形式：
這種形式因為L0難以求解，所以很多時候用L1正則項替代近似。
?
(2)第二種形式：
?
ε是重構誤差所允許的最大值。
?
(3)第三種形式：
?
L是一個常數，稀疏度約束參數，上面三種形式相互等價。
因為目標函數中存在兩個未知變量D、X，K-svd是字典學習的一種經典算法，其求解方法跟lasso差不多，固定其中一個，然后更新另外一個變量，交替迭代更新。
如果D的列數少于Y的行數，就相當于欠完備字典，類似于PCA降維；如果D的列數大于Y的行數，稱之為超完備字典；如果剛好等于，那么就稱之為完備字典。假設現在有了一個N*T的過完備字典?D（比如前面所述圖像傅里葉變換的所有頻率的波），一個要表示的對象y（要還原的圖像），求一套系數x，使得y=Dx，這里y是一個已知的長為N的列向量，x是一個未知的長為T的列向量，解方程。
?
這是一個T個未知數，N個方程的方程組，T>N，所以是有無窮多解的，線性代數中這樣的方程很熟悉了。?
上面我就隨便舉了個N=5,?T=8的例子，用來隨便感受下。
?
?
這里可以引出一個名詞，ill-posed problem（不適定問題），即有多個滿足條件的解，無法判斷哪個解更加合適，這是更“落地”的應用場景，inverse problem（逆問題），比如圖像去噪，從噪聲圖中提取干凈圖。于是需要做一個約束。
增加限制條件，要求x盡可能稀疏，怎么“稀疏”呢？就是x的0盡可能多，即norm(x, 0)（零范數：非0元素個數）盡可能小。這樣就有唯一解了嗎？也還不是，如何能“約束”出各位合適的解，如何解，正是稀疏表示所研究的重點問題。比如后來有證明D滿足一定條件情況下x滿足norm(x,1)即可還原原始數據等，這有不少大神開啟這個領域的故事這里就不講了。
?
二、k-svd字典學習算法概述
?
給定訓練數據Y，Y的每一列表示一個樣本，我們的目標是求解字典D的每一列(原子)。關于它為什么叫做k-svd，當然是其中綜合了k-means 和SVD 的思想。k-means 常用于聚類分類 ，具體的步驟如下：
（1）在樣本集中隨機挑選k個樣本作為質心，即隨機初始化k個原子，此步驟可視為字典的初始化。
（2）通過計算樣本與質心之間的距離，樣本類別化為最近的質心所對應的類別，就是，離誰近，則化為誰的類。此步驟可視為稀疏矩陣的初始化，只不過對應系數矩陣的每一列只有一項不為0，其余均為0，不為0的一項的索引便是我們樣本對應的類別。
（3）通過劃分好的類別來重新計算每類樣本的質心。此步便是原子矩陣的優化。
（4）根據新計算得來的質心重新分類(原子矩陣，即字典的每個列向量則可看做是一個質心)。此步便是稀疏矩陣的優化。
（5）直至兩步質心(原子矩陣)相差少于規定的閾值，便停止優化。
k-svd 字典學習的步驟如下：
1、隨機初始化字典D(類似k-means一樣初始化)
從樣本集Y中隨機挑選k個樣本，作為D的原子；并且初始化編碼矩陣X為0矩陣。
2、固定字典，求取每個樣本的稀疏編碼
編碼過程采用如下公式：
?
ε是重構誤差所允許的最大值。
假設我們的單個樣本是向量y，為了簡單起見我們就假設原子只有這4個，也就是字典D=[α1、α2、α3、α4]，且D是已經知道的；我們的目標是計算y的編碼x，使得x盡量的稀疏。
(1)首先從α1、α2、α3、α4中找出與向量y最近的那個向量，也就是分別計算點乘：
α1*y、α2*y、α3*y、α4*y
然后求取最大值對應的原子α。
(2)假設α2*y最大，那么我們就用α2，作為我們的第一個原子，然后我們的初次編碼向量就為：
x1=（0,b,0,0）
b是一個未知參數。
(3)求解系數b：
y-b*α2=0
方程只有一個未知參數b，是一個高度超靜定方程，求解最小二乘問題。
(4)然后我們用x1與α2相乘重構出數據，然后計算殘差向量：
y’=y-b*α2
如果殘差向量y’滿足重構誤差閾值范圍ε，那么就結束，否則就進入下一步；
(5)計算剩余的字典α1、α3、α4與殘差向量y’的最近的向量，也就是計算
α1*y’、α3*y’、α4*y’
然后求取最大值對應的向量α，假設α3*y’為最大值，那么就令新的編碼向量為：
x2=（0,b,c,0）
b、c是未知參數。
(6)求解系數b、c,于是我們可以列出方程：
y-b*α2-c*α3=0
方程中有兩個未知參數b、c，我們可以進行求解最小二乘方程，求得b、c。
(7)更新殘差向量y’：
y’=y-b*α2-c*α3
如果y’的模長滿足閾值范圍，那么就結束，否則就繼續循環，就這樣一直循環下去。
3、逐列更新字典、并更新對應的非零編碼
通過上面那一步，我們已經知道樣本的編碼。接著我們的目標是更新字典、同時還要更新編碼。K-svd采用逐列更新的方法更新字典，就是當更新第k列原子的時候，其它的原子固定不變。假設我們當前要更新第k個原子αk，令編碼矩陣X對應的第k行為xk，則目標函數為：
?
上面的方程，我們需要注意的是xk不是把X一整行都拿出來更新（因為xk中有的是零、有的是非零元素，如果全部抽取出來，那么后面計算的時候xk就不再保持以前的稀疏性了），所以我們只能抽取出非零的元素形成新的非零向量，然后Ek只保留xk對應的非零元素項。
?
K-SVD和MOD最大的不同在于，每次只更新字典的一個原子（即D的一列），而不是每次用一個x更新整個D。
回憶下前面的y=Dx，但是學一個字典，當然不能只用一個數據，現在來升級版：?
Y?=?DX
哈？小寫變大寫？意思是一組y和其對應的一組x，那么Y和X指的矩陣。
現在要更新字典D的第k個原子，也就是第k列，它能影響到的是Y的第k行，同樣對應D的第k列的系數，也是X的第k行。
目標函數的轉化：
Ek?是去掉原子?dk?的?D?中的誤差，于是目標函數轉化為?D?的其他列固定，要更新的?dk?使全局誤差（?∥Y?DX∥?）最小化。 即可得到字典的第k個原子。求解這里的?Dk,?xkT?，就用到對?E?的SVD分解了。
?
但是直接分解?E?得到的?xkT?并不稀疏。
更新字典和稀疏系數是迭代進行的，在“本次”迭代中，找到“上次”迭代中哪些Y用到了字典D的原子k，也就是X的第k行哪些元素不為0，x1k,?x2k,?x3k,?x4k?里，假設?x1k,?x3k?不為0，那么對應的Y的1,3列就是用到了D的原子k的信號（Y的每列是一個信號）。現在把它們拆出來：?
?
這樣得到只保留非零位置的X、D計算目標函數后得到的只保留對應位置的?Ektemp?，對這個?Ektemp?再做SVD分解，Ektemp?=?UΣVT，?U?的第一列即為新的?$\widetildeozvdkddzhkzd_{k}$，?V?的第一列與?Σ(1,?1)?的乘積為新的?$\widetilde{x}^{T}_{k}$?。
逐列更新得到新字典?$\widetilde{D}$?
然后算法就在1和2之間一直迭代更新，直到收斂。
?
參考文獻
http://blog.csgrandeur.com/blogs/20170323-ksvd-and-denoising
http://blog.csdn.net/hjimce/article/details/50810129
https://blog.csdn.net/weixin_41469272/article/details/81944385?utm_source=copy?
字典學習的K － SVD 算法分析
K-SVD: An Algorithm for Designing Overcomplete
Dictionaries for Sparse Representation?Dictionaries for Sparse Representation
總結
以上是生活随笔為你收集整理的小白理解k-svd算法的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： CTFSHOW-web入门-XXE
- 下一篇： android 六棱形分析图,[转载]菱