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！

龙图腾网获悉吉林大学申请的专利一种基于双重全变分的高光谱混合噪声去除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：CN115082337B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202210676035.1，技术领域涉及：G06T5/70；该发明授权一种基于双重全变分的高光谱混合噪声去除方法是由丛玉良;刘慧敏;程曦;王超英;刘战;刘迈欧设计研发完成，并于2022-06-15向国家知识产权局提交的专利申请。

本一种基于双重全变分的高光谱混合噪声去除方法在说明书摘要公布了：本发明提供了一种基于双重全变分的高光谱混合噪声去除方法，获取含有混合噪声的高光谱图像，选取SSTV正则项来描述高光谱图像全局稀疏结构，同时设计重加权范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构，引入双重约束，选取更稀疏的全局特征和局部特征，稀疏正则项用于隔离稀疏噪声，范数刻画影像的高斯噪声，构建基于双重全变分的高光谱图像去噪模型，引入辅助变量优化基于双重全变分的高光谱图像去噪模型，采用ALM算法框架来优化提出的模型，将复杂的问题转换成多个简单的子问题来交替迭代求解，得到去噪后高光谱图像；本发明可以有效提高高光谱影像去噪的适用性和精度。

本发明授权一种基于双重全变分的高光谱混合噪声去除方法在权利要求书中公布了：1.一种基于双重全变分的高光谱混合噪声去除方法，其特征在于，本方法的步骤如下： 步骤一：获取含有混合噪声的高光谱图像Y； 步骤二：选取SSTV正则项来描述高光谱图像全局稀疏结构，同时设计重加权L1范数约束高光谱图像主成分图的空间方向差分影像的局部稀疏结构，引入双重约束，选取更稀疏的全局特征和局部特征，L1稀疏正则项用于隔离稀疏噪声，F范数刻画影像的高斯噪声，结合张量分解，构建基于双重全变分的高光谱图像去噪模型； 根据先验信息建立高光谱图像去噪模型的数学模型为： Y＝X+S+N； 其中是实数空间，I1、I2分别是高光谱图像的长和宽，I3为光谱的数量，X表示干净的高光谱图像，S表示稀疏噪声，N表示高斯噪声，X、S、N与Y大小相同； 构建基于双重全变分的高光谱图像去噪模型： 其中，Dw·＝[w1×Dx·；w2×Dy·；w3Dz·]是各向异性空谱差分算子，D·＝[Dx·；Dy·]是主成分空间差分算子，Dx是空间水平方向的差分算子，Dy是空间竖直方向的差分算子，Dz是光谱方向的差分算子，G是重加权因子，λ1、λ2、λ3是非负正则参数，用于平衡各项之间的权重，ε是高斯噪声的方差，||||1表示张量的L范数，||||表示张量的Frobenius范数； 设置稀疏系数λ＝λ＝1，λ＝10，各向差分系数w＝[w,w,w]取值为[1,1,0.6] x、y和z方向在高维遥感数据中分别表示空间水平方向、空间竖直方向和光谱方向，D、D、D分别表示三维张量在三个不同方向的差分算子且在任意位置i,j,p的值定义如下： 对高光谱图像进行PCA降维得到主成分图H，通过水平和竖直差分获得主成分图的边缘信息图W，G按照下式更新： 其中eps是一个很小的数，选用matlab内嵌函数eps来获取这个很小的数，来避免分母为零； PCA降维选用matlab内嵌函数实现，选取前三个主成分； 步骤三：引入辅助变量Z、R和R优化步骤二基于双重全变分的高光谱图像去噪模型，辅助变量的引入使得步骤二基于双重全变分的高光谱图像去噪模型的问题可分离，分离子问题更易于求解，其中X＝Z，DX＝R，DH＝R，Z为与X相等的高光谱影像，R为X的差分影像，R为主成分图的差分影像； 步骤四：采用ALM算法求解优化后的基于双重全变分的高光谱图像去噪模型，获得降噪后的高光谱图像； 基于ALM求解框架，基于双重全变分的高光谱图像去噪模型的增广拉格朗日函数写成如下形式： 式中，μ是惩罚系数，Λ1，Λ2，Λ3，Λ4是拉格朗日乘子。

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吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699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”。

以上内容由龙图腾AI智能生成。