買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉四川工程職業技術大學申請的專利基于流形空間稀疏張量分解的高光譜圖像降噪方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120510065B 。

龍圖騰網通過國家知識產權局官網在2025-09-16發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510998692.1，技術領域涉及：G06T5/70；該發明授權基于流形空間稀疏張量分解的高光譜圖像降噪方法是由孔祥陽設計研發完成，并于2025-07-21向國家知識產權局提交的專利申請。

本基于流形空間稀疏張量分解的高光譜圖像降噪方法在說明書摘要公布了：本發明公開了基于流形空間稀疏張量分解的高光譜圖像降噪方法，涉及圖像降噪領域，方法的步驟為：S1：構建有噪聲高光譜圖像Y；S2：基于正交投影方式，獲取有噪聲高光譜圖像Y在有噪聲的低維流形L；S3：采用K?NN方法從低維流形L中得到非局部聚類的圖像塊，其中P表示圖像塊的個數，此時的圖像塊為有噪聲的圖像塊；S4：利用稀疏張量分解方法對中的噪聲進行分離得到無噪聲的圖像塊；S5：對無噪聲的圖像塊進行重新組合得到無噪聲的低維流形L’；S6：逆變換低維流形L’得到無噪聲高光譜圖像X’。本發明對高光譜圖像不僅擁有較好的細節重建性能，而且還能完好的保留圖像的邊緣。

本發明授權基于流形空間稀疏張量分解的高光譜圖像降噪方法在權利要求書中公布了：1.一種基于流形空間稀疏張量分解的高光譜圖像降噪方法，其特征在于：包括以下步驟： S1：構建有噪聲高光譜圖像Y： 根據高光譜圖像的三維特性，聯合考慮空間和光譜維度的加性噪聲，構建高光譜圖像Y為式子1： （式子1）； 其中， 、 和分別表示有噪聲高光譜圖像、待復原高光譜圖像和加性噪聲；R為實數集，H表示空間維水平方向上的像素數，W表示空間維垂直方向上的像素數，B表示光譜維的波段數； S2：基于正交投影方式，獲取有噪聲高光譜圖像Y的低維流形L： 初始化X，令X=Y，有噪聲的低維流形L為式子2： （式子2）； 其中，V表示投影矩陣； 在有噪聲的低維流形L中引入最大化范數獲得流形學習框架為式子3： （式子3）； 其中，表示X在第三個維度的矩陣展開，表示矩陣的范數； 對流形學習框架進行求解，以獲得投影矩陣V的閉式解，具體步驟包括S21-S23； S21：對式子3進行求導，獲得式子4： （式子4）； S22：基于約束項，對矩陣進行奇異值分解獲得式子5： （式子5）； 其中，SVD表示奇異值分解； S23：計算式子5，獲得投影矩陣V的閉式解為式子6： （式子6）； 將式子6代入式子2中，得到有噪聲的低維流形L； S3：采用K-NN方法從低維流形L中得到非局部聚類的圖像塊，其中P表示圖像塊的個數，此時的圖像塊為有噪聲的圖像塊； S4：利用稀疏張量分解方法對中的噪聲進行分離得到無噪聲的圖像塊： 對非局部聚類的圖像塊引入稀疏張量分解后得到式子7： （式子7）； 其中，、和為特征矩陣，為稀疏約束項； 設定，表示加權范數，獲取式子7的凸優化問題為式子8： （式子8）； 其中，是權重參數； 將式子8的優化分解成兩個子問題，兩個子問題分別為子問題和子問題，并通過固定其他變量進行迭代更新每個變量，第一次迭代時初始化X，以X=Y進行迭代，得到P個無噪聲的圖像塊，將P個無噪聲的圖像塊重新組合得到無噪聲的低維流形L’；其中， 子問題為式子9： （式子9）； 其中，式子9利用奇異值分解求解、和； 子問題為式子10： （式子10）； 其中，式子10采用張量的加權收縮閾值算法進行求解； S5：對無噪聲的圖像塊進行重新組合得到無噪聲的低維流形L’； S6：逆變換無噪聲的低維流形L’得到無噪聲高光譜圖像X’： 在步驟S6中，利用式子11獲取無噪聲高光譜圖像X’，式子11為式子2的逆變換： （式子11）。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人四川工程職業技術大學，其通訊地址為：618000 四川省德陽市旌陽區泰山南路二段801號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。