（1）直接运用现有的结构正交、几何多尺度等框架，优点是能快速变换和快速运算，缺点是不能很好表述图像，准确率低。

（2）是通过正交、几何多尺度等自己构造一个系统，用稀疏表示图像中不同部分的局部结构。特点：在性能和复杂度中取了一个折中效果，针对正交具有更加好的理论效果。该方法也是应用最为广泛的方法。

（3）稀疏表示字典可以通过学习算法推出。优点：字典通过学习算法一般能产生更为稀疏的表示方式，也能融于该图像模型中，最后得到一个较好的处理结果。缺点：使用算法导致计算过程极其复杂，计算量大。

（4）部分结构中的参数化为函数，并有自由参数产生不同方向、尺度的原子，构成所需要的完备字典。因为函数具有表达式，所有每个原子都可以在放大压缩等过程中，体现出自己特有的特性。

2.3盲源分离和形态成分分析

对一个观察信号，从中可以获取很多很多解，所以盲源分离可以说是一个多解问题。做一些适当的假设，可以使得这个课题更加具有意义。第一个可以设想，如果各个源信号之间是互相独立的，将其作为多数盲分离的起点（出发点）。混合矩阵A的左逆矩阵的必须存在为条件情况下，盲源分离这才能有可求的解（必要条件）。所以得出设想混合矩阵A为满秩状态，有以下结论：

（1）它的子矩阵为非奇异矩阵，且混合矩阵A必须为列满秩矩阵。

（2）在同一的混合源信号中，其各个分量是相对独立的，同时满足高斯分布的数量小于或等于1。

（3）源信号和噪音互不干扰彼此间独立存在。

   只有同时符合上述条件，才能对源信号进行分离实验。

   在传输信道与源信号参数不知道（未知）的情况中，仅仅通过一组已经知晓的混合信号，来对源信号进行获取或提取的过程，该过程称为盲源分离。

盲源分离最简单的来说，就是在源信号参数和环境一切都不知道的情况下，单单运用一组测量的混合信号，来计算得到源信号的过程方式。