[发明专利]基于无参数低秩矩阵恢复的高动态范围成像去鬼影的方法

权利要求书

1.一种基于无参数低秩矩阵恢复的高动态范围成像去鬼影的方法，其特征在于：将鬼影去除转换成了求解秩最小化的优化问题，首先将一系列低动态范围图像以像素值显示，变成一个原始数据矩阵Y，然后使用基于原子分解的最小描述长度准则，通过求解约束条件下的最优解问题，估计出低秩矩阵的秩与稀疏矩阵非零项数目，然后根据公式(1)，从而得到真实低秩矩阵的最佳近似；

minX,Erank(X)+γ||E||0,s.tY=X+E---(1)]]>

其中参数rank(X)表示低秩矩阵的秩，参数γ＞0表示正则化参数，||E||₀表示稀疏矩阵E中非零项个数。

2.根据权利要求1所述的一种基于无参数低秩矩阵恢复的高动态范围成像去鬼影的方法，其特征在于：采用基于最小描述长度准则的低秩矩阵分解恢复矩阵，其定义公式为：

其中r表示低秩矩阵的秩，k表示稀疏矩阵E中的非零项的真正数量，目标函数表示为：

R＝Y-X-E表示残差矩阵，M表示需要选择的模型，分别表示低秩矩阵X、稀疏矩阵E、残差矩阵R的描述长度。

3.根据权利要求2所述的一种基于无参数低秩矩阵恢复的高动态范围成像去鬼影的方法，其特征在于：最小化相当于在集合中寻找能表示低秩矩阵X的最小集合，相当于求解公式(8)：

其中，ψ表示最优原子，atoms(X)表示X的最优原子集合，span(ψ)表示由ψ扩展的空间。

rank(X)＝|atoms(X)|

α_k为尺度系数向量，ψ_k为与尺度系数向量α_k对应的原子。

4.根据权利要求2或3所述的一种基于无参数低秩矩阵恢复的高动态范围成像去鬼影的方法，其特征在于：最小化相当于在集合中寻找能表示稀疏矩阵E的最小集合，相当于求解公式(9)：

其中，φ表示最优原子，atoms(E)表示E的最优原子集合，span(φ)表示由ψ扩展的空间，

||E||₀＝|atoms(E)|

β_k为尺度系数向量，φ_k为与尺度系数向量β_k对应的原子。