高阶奇异值分解(Higher Order Singular Value Decomposition,HOSVD)是奇异值分解(Singular Value Decomposition,SVD)的扩展。为了提升HOSVD的性能,本文使用像素邻域策略将原始图像扩展至高阶图像,用固定大小的数组作为广义标量替代原...高阶奇异值分解(Higher Order Singular Value Decomposition,HOSVD)是奇异值分解(Singular Value Decomposition,SVD)的扩展。为了提升HOSVD的性能,本文使用像素邻域策略将原始图像扩展至高阶图像,用固定大小的数组作为广义标量替代原始图像中的经典标量,继而在有限维交换半单代数上提出广义高阶奇异值分解(Tensorial Higher-order Singular Value Decomposition,THOSVD),在公共数据集图像上进行图像重建。实验结果表明,广义算法THOSVD的图像重建性能优于经典HOSVD算法。展开更多
文摘高阶奇异值分解(Higher Order Singular Value Decomposition,HOSVD)是奇异值分解(Singular Value Decomposition,SVD)的扩展。为了提升HOSVD的性能,本文使用像素邻域策略将原始图像扩展至高阶图像,用固定大小的数组作为广义标量替代原始图像中的经典标量,继而在有限维交换半单代数上提出广义高阶奇异值分解(Tensorial Higher-order Singular Value Decomposition,THOSVD),在公共数据集图像上进行图像重建。实验结果表明,广义算法THOSVD的图像重建性能优于经典HOSVD算法。
