1. K-SVD usage:
Design/Learn a dictionary adaptively to betterfit the model and achieve sparse signal representations.
2. Main Problem:
Y = DX
Where Y∈R(n*N), D∈R(n*K), X∈R(k*N), X is a sparse matrix.
3. Objective function
4. K-SVD的求解
Iterative solution: 求X的系数编码(MP/OMP/BP/FOCUSS),更新字典(Regression).
K-SVD优化：也是K-SVD与MOD的不同之处，字典的逐列更新：
假设系数X和字典D都是固定的，要更新字典的第k列dk，领稀疏矩阵X中与dk相乘的第k行记做，则目标函数可以重写为：
上式中，DX被分解为K个秩为1的矩阵的和，假设其中K-1项都是固定的，剩下的1列就是要处理更新的第k个。矩阵Ek表示去掉原子dk的成分在所有N个样本中造成的误差。
5. 提取稀疏项
如果在4.中这一步就用SVD更新dk和，SVD能找到距离Ek最近的秩为1的矩阵，但这样得到的系数
不稀疏，换句话说，
与更新dk前
的非零元所处位置和value不一样。那怎么办呢？直观地想，只保留系数中的非零值，再进行SVD分解就不会出现这种现象了。所以对Ek和
做变换，
中只保留x中非零位置的，Ek只保留dk和
中非零位置乘积后的那些项。形成
，将
做SVD分解，更新dk。
6. 总结
K-SVD总可以保证误差单调下降或不变，但需要合理设置字典大小和稀疏度。
参考：http://blog.csdn.net/abcjennifer/article/details/8693342