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平滑低秩張量多視角聚類的彩色圖像噪聲分離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：CN120430980B 。

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：202510940455.X，技術領域涉及：G06T5/70；該發明授權基于平滑低秩張量多視角聚類的彩色圖像噪聲分離方法是由孔祥陽設計研發完成，并于2025-07-09向國家知識產權局提交的專利申請。

本基于平滑低秩張量多視角聚類的彩色圖像噪聲分離方法在說明書摘要公布了：本發明公開了基于平滑低秩張量多視角聚類的彩色圖像噪聲分離方法，涉及彩色圖像處理領域，包括以下步驟：S1：構建三維彩色圖像的有噪聲圖像模型；S2：構建基于平滑低秩張量多視角聚類的無噪聲圖像模型；S3：聯合有噪聲圖像模型和無噪聲圖像模型，構建基于平滑低秩張量多視角聚類的噪聲分離模型；S4：借助ADMM優化框架求解噪聲分離模型，求解后聯合X在基空間的特征字典輸出無噪聲圖像，完成三維彩色圖像的噪聲分離。本發明利用了彩色圖像在張量子空間的多視角結構先驗，在不同噪聲強度和不同數據上均具有很好的噪聲分離性能。

本發明授權基于平滑低秩張量多視角聚類的彩色圖像噪聲分離方法在權利要求書中公布了：1.基于平滑低秩張量多視角聚類的彩色圖像噪聲分離方法，其特征在于：包括以下步驟： S1：構建三維彩色圖像的有噪聲圖像模型； 在步驟S1中，有噪聲圖像模型為式子1： 其中：、、分別表示噪聲彩色圖像、待復原彩色圖像和噪聲成分；R為實數集，H是圖像的水平方向上的像素數，W是圖像垂直方向上的像素數，“3”為通道數； 向式子1中引入圖像和噪聲的先驗信息，獲得如下目標函數為式子2： 其中：和分別表示待復原圖像X和噪聲成分E的先驗信息，λ為圖像和噪聲約束項之間的正則化參數； 求解所述式子2以估算X； S2：構建基于平滑低秩張量多視角聚類的無噪聲圖像模型； 在步驟S2中，利用子空間信息表征數據的低維結構和平滑低秩張量多視角聚類，構建無噪聲圖像模型，無噪聲圖像模型為式子3： 其中，*表示兩個張量之間的張量積；D為X在基空間的特征字典；Z為對應于字典D的表達系數；表示梯度域張量的低秩先驗； 式子3中的的表達式為式子4： 其中，表示沿著第k個維度的梯度算子，為張量核范數，表示沿著張量不同方向組成的集合； S3：聯合有噪聲圖像模型和無噪聲圖像模型，構建基于平滑低秩張量多視角聚類的噪聲分離模型； 在步驟S3中，引入基于范數的稀疏約束，聯合式子1、式子2、式子3和式子4，構建基于平滑低秩張量多視角聚類的噪聲分離模型，噪聲分離模型為式子5： 其中，表示范數； S4：借助ADMM優化框架求解噪聲分離模型，求解后聯合X在基空間的特征字典輸出無噪聲圖像，完成三維彩色圖像的噪聲分離； 引入輔助變量和對噪聲分離模型進行等價優化，等價優化后,根據ADMM的優化策略,再等價轉換成拉格朗日函數，拉格朗日函數為式子6： 其中，是參數，、和是乘子； 基于ADMM求解框架，基于式子6的迭代優化過程如步驟S41-步驟S46： S41：優化：固定其他變量，通過TNN的奇異值閾值方法,迭代優化； S42：優化Z：固定其他變量，迭代優化Z； S43：優化G：固定其他變量，迭代優化G； S44：優化E：固定其他變量，通過軟閾值算子求解，迭代優化E； S45：更新拉格朗日乘子、和 S46：更新參數，，； 式子6的迭代優化過程中，停止標準是檢查收斂條件是否滿足，若滿足，停止迭代優化；反之，繼續迭代優化； 在步驟S4中，X在基空間的特征字典的獲取，是先基于張量魯棒主成分分析方法對彩色圖像進行復原得到，然后利用張量奇異值分解得到，其中，算法是張量奇異值分解算法的縮寫，U、V分別是左右奇異值矩陣，S是對角矩陣；并通過U和V的張量積獲得X在基空間的特征字典； 步驟S4中，輸出的無噪聲圖像為。

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”。