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！

龙图腾网恭喜同济大学申请的专利一种基于结构相似性的扩展块稀疏贝叶斯学习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：CN114331884B 。

龙图腾网通过国家知识产权局官网在2025-03-18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：202111581296.7，技术领域涉及：G06T5/70；该发明授权一种基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法是由罗烨;朱亚萍;石稼晟;李德涛;梁伊雯设计研发完成，并于2021-12-22向国家知识产权局提交的专利申请。

本一种基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法在说明书摘要公布了：本发明提出了基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，包括步骤：读取数据集中特定含噪声的自然图像Y，并对该图像进行预处理；针对该目标图像，构建适用于该图像的DCT字典所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；根据初始化后的去噪后的图像X和DCT字典D，对图像进行去噪还原。本发明采用EBSBL算法将图像块视为一维信号，构建了该图像块的块稀疏系数相关性，并在块稀疏结构已知或未知时，恢复块稀疏信号，实现增强图像去噪的目的，同时由于稀疏表示本身具备的优秀信号恢复性能，使得本发明所提算法在图像质量恢复上也取得了良好的效果。

本发明授权一种基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法在权利要求书中公布了：1.基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，其特征在于，包括以下步骤：S1读取数据集中特定含噪声的自然图像Y，并对该自然图像Y进行预处理；所述预处理包括以下步骤：1.1读取数据集中特定含噪声的自然图像Y，设自然图像Y的长和宽为M和N；1.2设X为去噪后图像，初始化为Y；在Y上采用滑动窗的形式从左到右、从上到下抽取大小为的图像块，且滑动步长为一个像素的距离；xij表示依次取出的图像块，其中抽取的过程用Rij表示且Rij仅由1和0构成，则且xij∈Rn×1为一维的列向量，构成噪声图像矩阵，该噪声图像矩阵即为自然图像Y，因此的第列；设αij∈Rm×1为xij对应的稀疏系数向量简化表达为α∈Rm×1；S2针对所述自然图像Y，构建适用于该自然图像的DCT字典D∈Rn×m，所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；S3根据去噪后图像X和DCT字典D，更新稀疏系数aij和更新字典D，所述更新稀疏系数αij采用EBSBL算法对于图像的结构特性的抓取，使得稀疏系数的更新时保持稀疏系数足够的稀疏，同时具备结构特性；最终对去噪后图像进行去噪还原；S3具体包括步骤：S3.1，根据初始化后的X和字典D，迭代循环更新稀疏系数αij和字典D，共J次，每一次循环包括两个步骤：S3.1.1更新稀疏系数aij和S3.1.2更新字典D；S3.1.1更新稀疏系数aij，具体包括如下：假定为原信号x的稀疏表达，为加噪声之后的信号，为关于信号y的字典，v为噪声且呈高斯分布，则满足如下的加性高斯噪声模型：y＝Dα+v；α具有g个块结构即α＝[α1,…,αg]T，其中di为构成块组αi的元素个数，i＝1,…,g，对块表达后的α进行解析；为简化表达，假设α为变量x，字典D为变量Φ，且每个块αi即xi呈高斯分布： 其中，Bi是正定矩阵用于构建块内元素之间的结构相关性，γi是一个非零的参数控制xi的块稀疏度；基于每个块之间不相关，x的先验遵循的规律，其中∑0＝diag{γ1B1,…,γgBg}；假设噪声向量满足λ是一个正标量；x的后验为： 其中：μx＝Σ0ΦTλI+ΦΣ0ΦT-1y 参数估算出来后，x的最大后验估计直接从后验的平均值获得，如下公式所示： 为了估计的各种参数，针对不同的参数指标，采取迭代的方式进行更新相对应的参数，最终得到x的最大后验估计值；其中γi的学习规则为： 对于λ而言，通过EM算法求得其学习规则，其学习规则如下： 使用EM算法，推导出Bi的学习规则，在图像块大小相同时，采用参数平均的方法，约束通过这个约束，B的学习规则如下： 至此，求得最x的最大后验估计即某一图像块的稀疏表达α，在字典D已知的情况下恢复出原来没有噪声的图像；S3.1.2更新字典D，具体包括如下：根据S3.1.1步求出的稀疏系数，结合噪声图像矩阵，逐列更新字典D＝[d1,…,dm]；字典D列数为m，l＝1,2,...,m，对字典中的每一列即原子做如下更新，当更新到字典D的第l列dl时，其他的原子固定不变；具体步骤如下：针对某一个原子dl，选出所有运用该原子重构的图像块即稀疏系数非零的图像块位置：ωl＝{i,j∣∣αijl≠0}对于每个标号i,j∈ωl，计算其重构误差： 设El为拼接成的矩阵，然后采用SVD分解El＝UΔVT，其中U为左奇异向量矩阵，V为右奇异向量矩阵的转置，Δ为特征值构成的对角矩阵，则字典dl列更新为为U的第一列，新的更新为V的第一列乘上Δ的第一个特征值；如此依次再更新字典D的下一列，直至字典中所有原子都更新完成；若此时达到循环次数J，迭代结束，则进入步骤S3.2；S3.2，根据S3.1迭代之后的稀疏系数与字典，去噪后图像X如下： 式中β为拉格朗日乘数。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239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”。