SPAMS (SPArse Modeling Software)是一个为解决各种稀疏估计问题的开源优化工具箱，其主页为http://spams-devel.gforge.inria.fr/index.html ，其可实现的功能如下：

Dictionary learning and matrix factorization (NMF, sparse PCA, …) 字典学习与矩阵分解，如(NMF非负矩阵分解，sparse PCA稀疏PCA，…)

Solving sparse decomposition problems with LARS, coordinate descent, OMP, SOMP, proximal methods 使用LARS、快速下降法、OMP(Orthogonal Matching Pursuit，正交匹配追踪)、SOMP等算法解决稀疏分解问题

Solving structured sparse decomposition problems (l1/l2, l1/linf, sparse group lasso, tree-structured regularization, structured sparsity with overlapping groups,…). 解决结构化稀疏分解问题

由于这个工具箱给出的是c++代码，所以需要编译才能最终使用。也正因为如此，这个工具箱实现的算法在执行时是很快的，而且可以移植到各种平台使用。

这个工具箱网上很多人有提到，都说编译时出现问题，我的电脑也不例外，下面稍微总结一下它的安装及使用情况。

我的电脑环境：win8 64位，matlab2012b,VS2010\2012

对于安装，下载安装包，解压到一个文件夹，如下图，解压后有不少文件、文件夹，其中的doc_spams.pdf是一个详尽的使用说明，介绍了各个函数接口如何使用(每个函数都有一个测试文件供测试，在test_release文件夹中)。

导入matlab—set path

执行命令:mex -setup

然后n—-y——y——-y

出现上面，恭喜您的第一步已经成功了

对于安装，在HOW_TO_INSTALL.txt中有简单说明，啰嗦了半天就是说使用compile.m进行文件编译，对于不同的计算机，配置都在这个文件中调整，所以使用matlab打开compile.m文件。

修改compile.m

见下图

接下来最重要的修改，不然一直文件找不到

原来

‘-I.\linalg -I.\decomp -I.\prox -I.\dictLearn dictLearn/mex/mexArchetypalAnalysis.cpp’, 为linux系统目录

改成你的文件所在目录

这样compile.m就修改好了。

执行compile.m文件，就会在build目录下生成很多编译后文件。

测试生成字典

clc

clear

close all

I=double(imread('/data/lena.png'))/255;

I = imresize(I, 0.25); % 图片太大，运行时间过长，所以缩放一下

X=im2col(I,[8 8],'sliding'); % extract 8 x 8 patches

X=X-repmat(mean(X),[size(X,1) 1]); % 减均值

X=X ./ repmat(sqrt(sum(X.^2)),[size(X,1) 1]); % 标准化

param.K=256; % learns a dictionary with 100 elements

param.lambda=0.15;

param.numThreads=-1; % number of threads

param.batchsize=400;

param.verbose=false;

param.iter=1000; % 迭代次数，原始是1000，效果好但时间过长，这里减为100

tic

D = mexTrainDL(X,param);

t=toc;

fprintf('time of computation for Dictionary Learning: %f\n',t);

fprintf('Evaluating cost function...\n');

alpha=mexLasso(X,D,param);

R=mean(0.5*sum((X-D*alpha).^2)+param.lambda*sum(abs(alpha)));

ImD=displayPatches(D);

imagesc(ImD);

colormap('gray');

fprintf('objective function: %f\n',R);

成功如下效果：