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！

龙图腾网恭喜广东工业大学申请的专利一种基于鲁棒性矩阵特征学习的噪声图像处理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：CN114898185B 。

龙图腾网通过国家知识产权局官网在2025-04-22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：202210676379.2，技术领域涉及：G06V10/774；该发明授权一种基于鲁棒性矩阵特征学习的噪声图像处理方法是由陈庭坚;袁浩亮;艾怡豪设计研发完成，并于2022-06-15向国家知识产权局提交的专利申请。

本一种基于鲁棒性矩阵特征学习的噪声图像处理方法在说明书摘要公布了：本发明提供一种基于鲁棒性矩阵特征学习的噪声图像处理方法，包括以下步骤：S1：获取待处理的噪声图像，并将噪声图像转换为矩阵形式，得到样本矩阵，形成样本矩阵集合；S2：将样本矩阵集合进行矩阵归一化处理，得到归一化样本矩阵集合；S3：根据归一化样本矩阵集合中矩阵的相似性关系构造权重图矩阵；S4：根据权重图矩阵构建矩阵特征学习模型，并引入矩阵恢复项和约束误差项，得到联合学习模型；S5：优化联合学习模型，输出降维后的最优恢复矩阵集合作为噪声图像处理结果。本发明提供一种基于鲁棒性矩阵特征学习的噪声图像处理方法，实现了对噪声图像的降噪降维，解决了在实际场景获得的图像会存在噪声信息，难以得到高质量的图像数据的问题。

本发明授权一种基于鲁棒性矩阵特征学习的噪声图像处理方法在权利要求书中公布了：1.一种基于鲁棒性矩阵特征学习的噪声图像处理方法，其特征在于，包括以下步骤：S1：获取待处理的噪声图像，并将噪声图像转换为矩阵形式，得到样本矩阵，形成样本矩阵集合；S2：将样本矩阵集合进行矩阵归一化处理，得到归一化样本矩阵集合；S3：根据归一化样本矩阵集合中矩阵的相似性关系构造权重图矩阵；S4：根据权重图矩阵构建矩阵特征学习模型，并引入矩阵恢复项和约束误差项，得到联合学习模型；S5：优化联合学习模型，输出降维后的最优恢复矩阵集合作为噪声图像处理结果；所述联合学习模型的数学公式如下： s.t.X＝A+E，PTAMATP＝I其中，P是维度为m×d的线性投影矩阵，d是设定的低维空间的维度，d＜m，·T表示矩阵的转置，表示第i个恢复矩阵Ai和第j个恢复矩阵Aj间的距离信息，PTA表示恢复矩阵集合A降维后得到的集合，sij表示权重图矩阵S的第i行第j列的元素，α和β分别表示不同的范数项权重平衡变量，X表示归一化样本矩阵集合，||·||*表示矩阵的核范数，φE是对误差矩阵集合E的先验约束，M是一个对角线矩阵，I表示单位矩阵；S5具体包括以下步骤：S5.1：根据增广拉格朗日乘子法，将所述联合学习模型重新表达： s.t.PTAMATP＝I s.t.PTAMATP＝I其中，Q和B分别表示不同的拉格朗日乘子，H表示中间变量，μ表示步长系数，表示矩阵的F范数的平方，φE是对误差矩阵集合E的先验约束；S5.2：固定步骤S5.1的公式中与E无关的变量得到： 根据φE具体的先验约束求出E；固定步骤S5.1的公式中与A无关的变量得到： 其中，Tr·表示矩阵的迹，拉普拉斯矩阵L＝M-S；利用矩阵微分直接对A求导；固定步骤S5.1的公式中与H无关的变量得到： 利用奇异值阈值分解求出H；固定步骤S5.1的公式中与P无关的变量得到： s.t.PTAMATP＝I利用广义特征值分解求出P；S5.3：更新模型参数Q、B、μ： 其中，ρ用于调整迭代优化过程的收敛速度，1ρ2；S5.4：判断优化联合学习模型相邻两次输出值间的差值是否小于预设的阈值，若是，则满足收敛条件，得到最优恢复矩阵集合，将最优恢复矩阵集合降维后输出作为噪声图像处理结果；若否，则返回步骤S5.2迭代更新优化联合学习模型。

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广东工业大学，其通讯地址为：510090 广东省广州市越秀区东风东路729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”。