KSVD代码手写版本

对单个图片进行k-svd进行稀疏表示，求出迭代后的字典和稀疏编码，并通过字典和稀疏编码进行重建原图像，该代码是2006年k-svd算法提出者的简单实现代码，对小白有一定帮助

import numpy as np
from sklearn import linear_model
import scipy.misc
from PIL import Image
from matplotlib import pyplot as plt
from time import time


class KSVD（object）:
    def __init__（self n_components max_iter=50 tol=1e-6
                 n_nonzero_coefs=None）:
        “““
        稀疏模型Y = DX，Y为样本矩阵，使用KSVD动态更新字典矩阵D和稀疏矩阵X
        :param n_components: 字典所含原子个数（字典的列数）
        :param max_iter: 最大迭代次数
        :param tol: 稀疏表示结果的容差
        :param n_nonzero_coefs: 稀疏度
        “““
        self.dictionary = None
        self.sparsecode = None
        self.max_iter = max_iter
        self.tol = tol
        self.n_components = n_components
        self.n_nonzero_coefs = n_nonzero_coefs

    #def _initialize（self y）:
        “““
        初始化字典矩阵
        “““
       # u s v = np.linalg.svd（y）
        #self.dictionary = u[: :self.n_components]

    def _update_dict（self y d x）:
        “““
        使用KSVD更新字典的过程
        “““
        for i in range（self.n_components）:
            index = np.nonzero（x[i :]）[0]
            if len（index） == 0:
                continue

            d[: i] = 0
            r = （y - np.dot（d x））[: index]
            u s v = np.linalg.svd（r full_matrices=False）
            d[: i] = u[: 0].T
            x[i index] = s[0] * v[0 :]
        print （d[3 :]）
        print （“_____“）
        print （x[i :]）