**Nonparametric Bayesian Dictionary Learning for
Analysis of Noisy and Incomplete Images 论文浏览以及代码了解 **
代码基于灰度图和 RGB 图像，根本过程都是一样的。
图像大小：256*256
学习形式：在线学习和 batch learning
字典初始化形式：SVD 和 Rand；
图像块大小：8*8
图像块数目：249*249
如果学习形式是在线学习，则图像块不是全副作为数据应用，
而是迭代减少。
for colj=1:PatchSize
for rowi=1:PatchSize在这 64 次迭代中，第一次，应用了 1024 个块，接下来，有 14 次，每次是减少（961+31），有 49 次是减少了 961 个块，总数为 249*249 个块。
块数的减少，代表训练样本的减少。每一次训练样本的减少，能够迭代屡次进行训练，学习 DZS，依据吉布斯采样公式，对参数进行采样。
因为块之间有重叠，所以须要对后果进行均匀，在函数 DenoiseOutput_LowMemoryReq 中，对每个像素的叠加应用次数进行统计，每个像素的叠加估计值除以相应的叠加次数就是该像素的平均值，作为最终后果输入。
如果是 batch learning，那么会把所有数据全副输出而后进行屡次迭代训练。
另外，对于 DZS 的初始化，其中之一的办法是 SVD，在温习一下奇怪值合成。
* 代表转置
M：mn，U：mm，∑：mn，V:nn
SVD 的一些利用：能够用最大的 k 个的奇怪值和对应的左右奇怪向量来近似形容矩阵，所以 SVD 能够用于 PCA 降维，来做数据压缩和去噪。
左奇怪矩阵能够用于行数的压缩。
右奇怪矩阵能够用于列数即特色维度的压缩，也就是咱们的 PCA 降维。
奇怪值合成的低秩迫近（有时也被称为截断奇怪值合成）：
给定一个很大的矩阵 A，大小为 m *n, 咱们须要存储的元素数量是 mn 个，当矩阵的秩 k 远小于 m 和 n，咱们只须要存储 k(m+n+1)个元素就能失去原矩阵，即 k 个奇怪值、km 个左奇怪向量的元素和 kn 个右奇怪向量的元素; 把奇怪值依照从大到小排序，较靠近于 0（比拟小的奇怪值能够认为权重越小）的奇怪值可疏忽，用前 r 个奇怪值，存储 r(m+n+1)个元素就能近似失去原矩阵，这可用于图片等的重建。