基于稀疏表示的字典学习通常被认为是一种重新排列原始数据结构以使能量在非正交和不完整字典上紧凑的方法，广泛用于信号处理，模式识别，机器学习，统计学和神经科学。 当前的稀疏表示框架将优化问题分解为两个子问题，即使用不同的优化器的交替稀疏编码和字典学习，分别处理字典和代码中的元素。 在本文中，我们对字典和代码中的元素进行同质处理。 最初的优化直接解耦为几个按块替换的子问题，而不是上述两个问题。 因此，稀疏编码和字典学习优化被统一在一起。 更准确地说，将优化问题中涉及的变量划分为几个合适的块，并保留凸性，从而可以执行精确的逐块坐标下降。 对于每个可分离的子问题，基于抛物线函数的凸性和单调性，获得封闭形式的解。 该算法因此简单，有效和有效。 实验结果表明，我们的算法大大加快了学习过程。 图像分类的应用进一步证明了我们提出的优化策略的效率。
