(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210676379.2 (22)申请日 2022.06.15 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 陈庭坚　袁浩亮　艾怡豪　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 刘俊 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/44(2022.01) G06F 17/16(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于鲁棒性矩阵特征学习的噪声图像 处理方法 (57)摘要 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。 权利要求书4页 说明书10页 附图1页 CN 114898185 A 2022.08.12 CN 114898185 A 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。 2.根据权利要求1所述的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， 在步骤S1中， 通过以下 方式将噪声图像转换为矩阵形式： 根据噪声图像 中每个像素点的位置分别对应一个矩阵元素来构造矩阵， 并根据像素点 的颜色对相应的矩阵元 素进行赋值。 3.根据权利要求1所述的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， 步骤S2中矩阵归一 化处理具体为： 对样本矩阵集合X ′＝[(X1)′,(X2)′,…(Xi)′,…,(Xn)′]中的n个样本矩阵分别除以自身 的F范数， 得到归一 化样本矩阵集 合X＝[X1,X2,…Xi,…,Xn]即： 其中， (Xi)′表示第i个样本矩阵， 样本矩阵的维度为m ×l， ‖(Xi)′‖)表示(Xi)′的F范数， Xi表示第i个归一 化样本矩阵。 4.根据权利要求1所述的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， 通过以下 方式对权 重图矩阵中的元 素进行赋值： 其中， sij表示权重图矩阵S的第i行第j列的元素， 权重图矩阵S中每个元素均表示两两 归一化样本矩阵的相似性关系； A＝[ A1,A2,…Ai,…,An]表示恢复矩阵集合， Ai表示归一化样 本矩阵Xi的恢复矩阵； Nk(Aj)表示第j个恢复矩阵Aj的k近邻集合； 表示两矩阵间 的距离； t 表示高斯核函数的带宽； 归一化样本矩阵集 合X与恢复矩阵集 合A存在以下关系： X＝A+E 其中， E＝[E1,E2,...,Ei,...,En]表示误差矩阵集合， Ei表示归一化样本矩阵Xi和恢复 矩阵Ai间的偏差 。 5.根据权利要求1所述的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， 通过以下 方式对权 重图矩阵中的元 素进行赋值： 权　利　要　求　书 1/4 页 2 CN 114898185 A 2其中， sij表示权重图矩阵S的第i行第j列的元素， 权重图矩阵S中每个元素均表示两两 归一化样本矩阵的相似性关系， A＝[ A1,A2,…Ai,…,An]表示恢复矩阵集合， Ai表示归一化样 本矩阵Xi的恢复矩阵， Nk(Aj)表示第j个恢复矩阵Aj的k近邻集 合， t表示高斯核函数的带宽； 归一化样本矩阵集 合X与恢复矩阵集 合A存在以下关系： X＝A+E 其中， E＝[E1,E2,...,Ei,...,En]表示误差矩阵集合， Ei表示归一化样本矩阵Xi和恢复 矩阵Ai间的偏差 。 6.根据权利要求1所述的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， 在步骤S4中， 所述矩阵特 征学习模型的数 学公式为： s.t.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， M是一个对角线矩阵， I表示单位矩阵； 为了方便求 解， 将矩阵特 征学习模型的数 学公式推导 为： s.t.PTAMATP＝I Tr(·)表示矩阵的迹， 拉普拉斯矩阵L ＝M‑S。 7.根据权利要求6所述的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， 采用 ||PTAi‑PTAj||2， 1或||PTAi‑PTAj||*来计算矩阵的距离， 其中， 表示矩阵的F范数的平方， || ·||2， 1表示矩阵的L2,1范数， || ·||*表示矩阵的 核范数。 8.根据权利要求1所述的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， 引入的矩阵恢复项和约束误差项的数 学公式为： s.t.X＝A+E 其中， φ(E)是对误差矩阵集合E的先验约束， 如||E||1、 ||E||2， 1、 ||E||*， ||·||1表示 矩阵的L1范数， || ·||2， 1表示矩阵的L2,1范数， || ·||*表示矩阵的核范数； 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， A表示恢复矩阵集 合。 9.根据权利要求1所述的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， 所述联合学习模型的数 学公式如下： 权　利　要　求　书 2/4 页 3 CN 114898185 A 3