买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川工程职业技术大学申请的专利基于流形空间稀疏张量分解的高光谱图像降噪方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120510065B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510998692.1，技术领域涉及：G06T5/70；该发明授权基于流形空间稀疏张量分解的高光谱图像降噪方法是由孔祥阳设计研发完成，并于2025-07-21向国家知识产权局提交的专利申请。

本基于流形空间稀疏张量分解的高光谱图像降噪方法在说明书摘要公布了：本发明公开了基于流形空间稀疏张量分解的高光谱图像降噪方法，涉及图像降噪领域，方法的步骤为：S1：构建有噪声高光谱图像Y；S2：基于正交投影方式，获取有噪声高光谱图像Y在有噪声的低维流形L；S3：采用K‑NN方法从低维流形L中得到非局部聚类的图像块，其中P表示图像块的个数，此时的图像块为有噪声的图像块；S4：利用稀疏张量分解方法对中的噪声进行分离得到无噪声的图像块；S5：对无噪声的图像块进行重新组合得到无噪声的低维流形L’；S6：逆变换低维流形L’得到无噪声高光谱图像X’。本发明对高光谱图像不仅拥有较好的细节重建性能，而且还能完好的保留图像的边缘。

本发明授权基于流形空间稀疏张量分解的高光谱图像降噪方法在权利要求书中公布了：1.一种基于流形空间稀疏张量分解的高光谱图像降噪方法，其特征在于：包括以下步骤： S1：构建有噪声高光谱图像Y： 根据高光谱图像的三维特性，联合考虑空间和光谱维度的加性噪声，构建高光谱图像Y为式子1： （式子1）； 其中， 、 和分别表示有噪声高光谱图像、待复原高光谱图像和加性噪声；R为实数集，H表示空间维水平方向上的像素数，W表示空间维垂直方向上的像素数，B表示光谱维的波段数； S2：基于正交投影方式，获取有噪声高光谱图像Y的低维流形L： 初始化X，令X=Y，有噪声的低维流形L为式子2： （式子2）； 其中，V表示投影矩阵； 在有噪声的低维流形L中引入最大化范数获得流形学习框架为式子3： （式子3）； 其中，表示X在第三个维度的矩阵展开，表示矩阵的范数； 对流形学习框架进行求解，以获得投影矩阵V的闭式解，具体步骤包括S21-S23； S21：对式子3进行求导，获得式子4： （式子4）； S22：基于约束项，对矩阵进行奇异值分解获得式子5： （式子5）； 其中，SVD表示奇异值分解； S23：计算式子5，获得投影矩阵V的闭式解为式子6： （式子6）； 将式子6代入式子2中，得到有噪声的低维流形L； S3：采用K-NN方法从低维流形L中得到非局部聚类的图像块，其中P表示图像块的个数，此时的图像块为有噪声的图像块； S4：利用稀疏张量分解方法对中的噪声进行分离得到无噪声的图像块： 对非局部聚类的图像块引入稀疏张量分解后得到式子7： （式子7）； 其中，、和为特征矩阵，为稀疏约束项； 设定，表示加权范数，获取式子7的凸优化问题为式子8： （式子8）； 其中，是权重参数； 将式子8的优化分解成两个子问题，两个子问题分别为子问题和子问题，并通过固定其他变量进行迭代更新每个变量，第一次迭代时初始化X，以X=Y进行迭代，得到P个无噪声的图像块，将P个无噪声的图像块重新组合得到无噪声的低维流形L’；其中， 子问题为式子9： （式子9）； 其中，式子9利用奇异值分解求解、和； 子问题为式子10： （式子10）； 其中，式子10采用张量的加权收缩阈值算法进行求解； S5：对无噪声的图像块进行重新组合得到无噪声的低维流形L’； S6：逆变换无噪声的低维流形L’得到无噪声高光谱图像X’： 在步骤S6中，利用式子11获取无噪声高光谱图像X’，式子11为式子2的逆变换： （式子11）。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川工程职业技术大学，其通讯地址为：618000 四川省德阳市旌阳区泰山南路二段801号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。