图像数据与矩阵之间的对应关系足以说明，我们有必要研究如何将图像处理与分析转化为矩阵运算与分析，并因此为图像处理与分析获得强大的数学工具支持；同时，我们也有必要研究如何将矩阵分析中的一些研究成果应用于数字图像处理与分析。本书重点研究图像处理与机器学习中的矩阵正则化表示方法，正是希望将现有的一些矩阵正则化表示的相关研究成果应用于图像处理与机器学习，同时也研究如何将图像处理、机器学习问题转化为矩阵正则化表示问题，为图像处理、机器学习提供新的思路和方法。

第1章 绪论
1.1 矩阵正则化表示基础知识
1.2 国内外研究现状
1.3 内容导读
第2章 基于矩阵低秩稀疏分解的红外目标增强
2.1 引言
2.2 利用ALM法求解RPCA
2.3 算法ALM_RPCA的 MATLAB实现
2.4 实验及分析
2.5 小结
第3章 基于低秩矩阵恢复的小波域图像修复算法
3.1 引言
3.2 模型与算法
3.3 数值实验
3.4 小结
3.5 附:MATLAB 代码实现
第4章 一种矩阵调和稀疏分解模型及其应用
4.1 引言
4.2 HSMD 求解算法
4.3 应用实验及分析
4.4 小结
4.5 附:相关实验核心MATLAB 代码
第5章 基于重加权联合稀疏回归的高光谱解混算法
5.1 引言
5.2 迭代重加权联合稀疏回归解混算法
5.3 实验及分析
5.4 结论
5.5 附:MATLAB函数的核心代码
第6章 基于加权l1.1，范数及全变分空间正则化的高光诸解混
6.1 ,引言
6.2 基于矩阵乘法实现高光谱图像卷积运算
6.3 基于加权1.范数与全变分空间正则化的高光谱解混
6.4 实验及分析
6.5 小结
6.6 附:算法IRWCLSU-TV的MATLAB 实现
第7章 稀疏组回归模型及其在人脸识别中的应用
7.1 引言
7.2 基于稀疏组回归的分类
7.3 实验
7.4 小结
7.5 附：算法SGRC的 MATLAB 实现
第8章 k-最近邻类联合表示分类
8.1 引言
8.2 相关工作
8.3 k-最近邻类协同表示分类
8.4 实验
8.5 小结”
8.6 附：MATLAB核心代码
第9章 基于区间的稀疏集成太赫兹数据多类分类算法
9.1 引言
9.2 基于区间的稀疏集成多类分类算法
9.3 实验及分析
9.4 结论
9.5 ISEMCC算法的MATLAB实现
参考文献