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！

龙图腾网获悉哈尔滨工业大学;江苏锐精光电研究院有限公司申请的专利基于截断奇异值和主成分分析的自适应细节保留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：CN116596766B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310235667.9，技术领域涉及：G06T5/70；该发明授权基于截断奇异值和主成分分析的自适应细节保留降噪方法是由刘辰光;刘婧;刘俭;陈刚设计研发完成，并于2023-03-13向国家知识产权局提交的专利申请。

本基于截断奇异值和主成分分析的自适应细节保留降噪方法在说明书摘要公布了：本发明公开了基于截断奇异值和主成分分析的自适应细节保留降噪方法，包括：对全局亚表面缺陷图像进行噪声估计，获得全局噪声矩阵的特征值；将原始噪声图像划分成相互重叠的图像块，利用自适应聚类方法得到由相似图像块组成的不同的块组矩阵，每一类块组矩阵分别与特征分类对应；对每一类图像块组矩阵分别进行自适应截断奇异值降噪处理得到低噪聚类矩阵：利用自适应主成分分析对低噪聚类矩阵进行处理得到图像块；对图像块进行主成分分析反变换到时域，将所有图像块恢复成图像矩阵，最终获得保留细节的暗场共焦亚表面缺陷降噪图像。本发明不需要人为输入参数，在消除背景噪声的同时可以较好地保持亚表面缺陷结构的细节信息和微弱亚表面缺陷信号。

本发明授权基于截断奇异值和主成分分析的自适应细节保留降噪方法在权利要求书中公布了：1.基于截断奇异值和主成分分析的自适应细节保留降噪方法，其特征在于，包括以下步骤： S1.对全局亚表面缺陷图像进行噪声估计，获得全局噪声矩阵的特征值； S2.将原始噪声图像划分成相互重叠的图像块，利用自适应聚类方法得到由相似图像块组成的不同的块组矩阵Xφ，每一类块组矩阵分别与特征分类对应； S3.对每一类图像块组矩阵分别进行自适应截断奇异值降噪处理得到低噪聚类矩阵： 当时，其中r＜i≤M，将块组矩阵Xφ近似分解为两部分：和其中为噪声主导的图像分量；是信号主导的图像分量；所有大于λn,min的奇异值的数目近似等于Xφ的秩r；利用高斯噪声估计方法得到结合噪声估计算法，自适应地得到矩阵的秩r； 将Xφ聚类，得到聚类矩阵其中，j为聚类后的类簇数目，j＝1,…,K； 每一个类簇分别进行奇异值分解，保留每一类中大于的奇异值，获得含有少量噪声的信号主导的图像块组矩阵完成噪声图像自适应截断奇异值硬阈值降噪； S4.利用自适应主成分分析对低噪聚类矩阵进行处理得到图像块 S5.对图像块进行主成分分析反变换到时域，将所有图像块恢复成图像矩阵，最终获得保留细节的暗场共焦亚表面缺陷降噪图像； S4的具体内容包括： 经过自适应截断奇异值硬阈值降噪后信号主导的图像块组矩阵仍然为含噪图像，其图像模型表示为 其中，为第j类不含噪声的图像块组矩阵，为第j类图像块组矩阵的高斯噪声， 矩阵每一行的均值μq为： 其中，q＝1,2,...,l，对矩阵每一行作中心化处理： 将中心化处理后的低噪声图像表示为 由于高斯噪声的均值为零，并且与无噪图像相互独立，得到中心化后的噪声图像模型为 通过计算已知含噪图像的协方差矩阵来求取协方差矩阵从而得到无噪图像的标准正交变换矩阵将代入含噪图像则实现信号与噪声分离： 计算的协方差矩阵： 其中，表示去相关矩阵的协方差矩阵，表示噪声变换矩阵NY的协方差矩阵； 利用系数收缩法对进行降噪处理： 其中，表示的第q行，wq表示权重系数，表示的第q行经过权重系数收缩后的值；表示的特征值对角阵中第q行第q列的元素；表示Nj的特征值对角阵中第q行第q列的元素，通过噪声估计算法获取 在噪声强度大的区域，的值大于此时wq的值趋近于零，利用wq对得到的主分量进行缩放，噪声主导的主分量被缩小舍弃，信号主导的主分量被保留，从而实现的自适应降噪。

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哈尔滨工业大学;江苏锐精光电研究院有限公司，其通讯地址为：150000 黑龙江省哈尔滨市南岗区西大直街92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。