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！

龙图腾网获悉电子科技大学长三角研究院(衢州)申请的专利一种基于无超参数全变差均衡约束的图像去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：CN117274099B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202311278845.2，技术领域涉及：G06T5/70；该发明授权一种基于无超参数全变差均衡约束的图像去噪方法是由张永超;刘帅迪;任丽华;张玉皇;张寅;黄钰林设计研发完成，并于2023-10-07向国家知识产权局提交的专利申请。

本一种基于无超参数全变差均衡约束的图像去噪方法在说明书摘要公布了：本发明公开了一种基于无超参数全变差均衡约束的图像去噪方法，首先建立基于列化处理的全变差图像去噪模型，接着构建全变差图像去噪代价函数，然后根据协方差拟合准则，导出全变差稀疏约束的最优均衡加权矩阵，并得出一种无超参数平衡全变差图像去噪代价函数，最后通过凸优化工具实现最优迭代求解。本发明的方法通过对无超参数均衡全变差图像去噪代价函数进行求解，在实现均匀去噪，不损失去噪效果的同时，解决了现有全变差去噪方法中正则化参数的最优选择难题。

本发明授权一种基于无超参数全变差均衡约束的图像去噪方法在权利要求书中公布了：1.一种基于无超参数全变差均衡约束的图像去噪方法，具体步骤如下： 步骤一、建立噪声图像模型，对模型列化处理； 图像处理中的噪声图像信号模型表示为： Y＝AX+E1 其中，表示噪声图像矩阵，表示原始图像矩阵，表示字典矩阵，表示加性噪声矩阵；表示向量空间维度，M、N分别表示矩阵行和列的维度大小； 对模型进行列化处理，设定存在三个矩阵F1,F2,F3，根据矩阵列化理论可得： 其中，vec·表示矩阵列化操作，表示Kronecker积，·T表示矩阵转置操作； 则式1列化得到一个线性模型： y＝Hx+e3 其中，y＝vecY，x＝vecX，e＝vecE，表示单位矩阵，且 步骤二、构建全变差图像去噪代价函数； 对式3线性模型的行和列同时添加稀疏约束和全变差约束得到全变差图像去噪代价函数，具体表示为： 其中，x′＝vecXT，λ表示正则化参数，D表示差分矩阵： 步骤三、全变差稀疏约束的最优均衡加权矩阵选取； 根据协方差拟合准则，构造全变差稀疏约束的最优加权矩阵来去除正则化参数，获得最优解； 首先，将式4重新表示为： 接着，令B＝HD-1，B＝[b1,b2,...,bMN]，则加权矩阵W可以表示为： W＝diag[w1,w2,...,wMN]7 其中，diag·表示将向量转化为对角矩阵； 加权矩阵W与D-1存在关联，对差分矩阵D求逆得到： 由于D-1的特殊结构，引入差分矩阵D′构造均衡加权矩阵来平衡去噪效果，D′具体表示为： D′的逆矩阵可以表示为： 令B′＝HD′-1，B′＝[b′1,b′2,...,b′M]，则均衡加权矩阵W′可以表示为： W′＝diag[w′1,w′2,...,w′MN]13 步骤四、构建无超参数均衡全变差图像去噪代价函数； 根据步骤三中得到的最优均衡加权矩阵，在均匀噪声情况下利用协方差拟合准则得到无超参数均衡全变差图像去噪代价函数为： 步骤五、模型求解； 步骤四所得模型是一个凸优化问题，使用Matlab的CVX工具箱快速求解，CVX求解结果为： 其中，表示求解结果，CVX·表示CVX工具箱求解过程； 最终通过对无超参数均衡全变差图像去噪代价函数进行求解，在实现均匀去噪的同时，避免正则化参数的最优选择难题。

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电子科技大学长三角研究院(衢州)，其通讯地址为：324000 浙江省衢州市柯城区芹江东路288号1幢18楼；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”。

以上内容由龙图腾AI智能生成。