1.問題描述：

        算法假定輸入信號與字典庫中的原子在結構上具有一定的相關性，這種相關性通過信號與原子庫中原子的內(nèi)積表示，即內(nèi)積越大，表示信號與字典庫中的這個原子的相關性越大，因此可以使用這個原子來近似表示這個信號。當然這種表示會有誤差，將表示誤差稱為信號殘差，用原信號減去這個原子，得到殘差，再通過計算相關性的方式從字典庫中選出一個原子表示這個殘差。迭代進行上述步驟，隨著迭代次數(shù)的增加，信號殘差將越來越小，當滿足停止條件時終止迭代，得到一組原子，及殘差，將這組原子進行線性組合就能重構輸入信號。

2.部分程序：

clc;
clear;
close all;

% 記錄時間
a1=clock;

%讀入圖像
load reference_measurement.mat;
Im=double(rgb2gray(images));

%整幅圖像，對每一行分別進行處理
image2=zeros(64,64);
for i=1:64
    i
    bat=Im(i,1:64);
    
    %迭代次數(shù)
    iterative_number=60;
    
    %用于存儲匹配追蹤得到的圖像
    

    [a,N]=size(bat);
    
    %初始化重建信號、差值信號
    signal=bat;
    signal_reconstruct=zeros(1,N);
    signal_r=bat;
    
    %尺度因子
    a_base=2;
    j_min=0;
    j_max=ceil(log2(N)); 

    %平移因子
    u_base=1/2;
    p_min=0;
    
    %頻率因子
    v_base=pi;
    k_min=0;
    
    %相位因子
    w_base=pi/6;
    i_min=0;
    i_max=12;

    %預處理
    signal_reconstruct=(1/N)*sum(signal);
    signal_r=signal-signal_reconstruct;

    %開始迭代處理
    for n=1:iterative_number

        % 尋找最佳原子
        [proj,scale,translation,freq,phase]=select_best(signal_r,N,a_base,j_min,j_max,u_base,p_min,v_base,k_min,w_base,i_min,i_max);

        t=0:N-1;

        t=(t-translation)/scale;
        
        %重構原子
        g=(1/sqrt(scale))*exp(-pi*t.*t).*cos(freq*t+phase);
        %歸一化
        g=g/sqrt(sum(g.*g));
        
        %構造重建信號，加上原子與在其上投影的乘積
        signal_reconstruct=signal_reconstruct+proj*g;
        
        %更新誤差信號
        signal_r=signal_r-proj*g;
        
    end
 
    image2(i,1:64)=signal_reconstruct;

end

%讀入原圖像
image1=Im;

%原圖像和重建圖像對比
subplot(121);
imagesc(image1);
title('原始圖像');
colormap(gray);
subplot(122);
imagesc(image2);
title('重建圖像');
colormap(gray);

3.仿真結論：