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平滑低秩张量多视角聚类的彩色图像噪声分离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：CN120430980B 。

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：202510940455.X，技术领域涉及：G06T5/70；该发明授权基于平滑低秩张量多视角聚类的彩色图像噪声分离方法是由孔祥阳设计研发完成，并于2025-07-09向国家知识产权局提交的专利申请。

本基于平滑低秩张量多视角聚类的彩色图像噪声分离方法在说明书摘要公布了：本发明公开了基于平滑低秩张量多视角聚类的彩色图像噪声分离方法，涉及彩色图像处理领域，包括以下步骤：S1：构建三维彩色图像的有噪声图像模型；S2：构建基于平滑低秩张量多视角聚类的无噪声图像模型；S3：联合有噪声图像模型和无噪声图像模型，构建基于平滑低秩张量多视角聚类的噪声分离模型；S4：借助ADMM优化框架求解噪声分离模型，求解后联合X在基空间的特征字典输出无噪声图像，完成三维彩色图像的噪声分离。本发明利用了彩色图像在张量子空间的多视角结构先验，在不同噪声强度和不同数据上均具有很好的噪声分离性能。

本发明授权基于平滑低秩张量多视角聚类的彩色图像噪声分离方法在权利要求书中公布了：1.基于平滑低秩张量多视角聚类的彩色图像噪声分离方法，其特征在于：包括以下步骤： S1：构建三维彩色图像的有噪声图像模型； 在步骤S1中，有噪声图像模型为式子1： 其中：、、分别表示噪声彩色图像、待复原彩色图像和噪声成分；R为实数集，H是图像的水平方向上的像素数，W是图像垂直方向上的像素数，“3”为通道数； 向式子1中引入图像和噪声的先验信息，获得如下目标函数为式子2： 其中：和分别表示待复原图像X和噪声成分E的先验信息，λ为图像和噪声约束项之间的正则化参数； 求解所述式子2以估算X； S2：构建基于平滑低秩张量多视角聚类的无噪声图像模型； 在步骤S2中，利用子空间信息表征数据的低维结构和平滑低秩张量多视角聚类，构建无噪声图像模型，无噪声图像模型为式子3： 其中，*表示两个张量之间的张量积；D为X在基空间的特征字典；Z为对应于字典D的表达系数；表示梯度域张量的低秩先验； 式子3中的的表达式为式子4： 其中，表示沿着第k个维度的梯度算子，为张量核范数，表示沿着张量不同方向组成的集合； S3：联合有噪声图像模型和无噪声图像模型，构建基于平滑低秩张量多视角聚类的噪声分离模型； 在步骤S3中，引入基于范数的稀疏约束，联合式子1、式子2、式子3和式子4，构建基于平滑低秩张量多视角聚类的噪声分离模型，噪声分离模型为式子5： 其中，表示范数； S4：借助ADMM优化框架求解噪声分离模型，求解后联合X在基空间的特征字典输出无噪声图像，完成三维彩色图像的噪声分离； 引入辅助变量和对噪声分离模型进行等价优化，等价优化后,根据ADMM的优化策略,再等价转换成拉格朗日函数，拉格朗日函数为式子6： 其中，是参数，、和是乘子； 基于ADMM求解框架，基于式子6的迭代优化过程如步骤S41-步骤S46： S41：优化：固定其他变量，通过TNN的奇异值阈值方法,迭代优化； S42：优化Z：固定其他变量，迭代优化Z； S43：优化G：固定其他变量，迭代优化G； S44：优化E：固定其他变量，通过软阈值算子求解，迭代优化E； S45：更新拉格朗日乘子、和 S46：更新参数，，； 式子6的迭代优化过程中，停止标准是检查收敛条件是否满足，若满足，停止迭代优化；反之，继续迭代优化； 在步骤S4中，X在基空间的特征字典的获取，是先基于张量鲁棒主成分分析方法对彩色图像进行复原得到，然后利用张量奇异值分解得到，其中，算法是张量奇异值分解算法的缩写，U、V分别是左右奇异值矩阵，S是对角矩阵；并通过U和V的张量积获得X在基空间的特征字典； 步骤S4中，输出的无噪声图像为。

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”。