[发明专利]基于贝叶斯张量分解的相似块堆聚图像消噪方法及系统

权利要求书

1.一种基于贝叶斯张量分解的相似块堆聚图像消噪方法，其特征在于，通过从原始图像中划分出若干图像块，将其中相似的图像块堆聚组成更高阶的张量，对高阶张量进行张量分解得到张量矩阵和噪声精度的联合概率，通过交替迭代法近似估计基于联合概率的极大对数似然模型参数和超参数并得到消噪高阶张量，最后将消噪高阶张量中每个图像块复原后得到消噪后的低阶图像。

2.根据权利要求1所述的方法，其特征是，所述的初步消噪图像块，通过对原始图像经过初步消噪操作，得到初步消噪图，然后在初步消噪图上用滑动窗口生成若干图像块。

3.根据权利要求1所述的方法，其特征是，所述的堆聚是指：先用较大滑动距离生成参考初步消噪图像块，对于每个参考初步消噪图像块Y_i，在初步消噪图像中的一个更小的区域，以不同的滑动距离选取初步消噪图像块，并从其中选择与之最相似的图像块以组成初步消噪图像块组原始图像相同位置的图像块则组成原始图像块组当原来的图像块是三阶张量，现在加上相似的非局部结合，则得到四阶张量。

4.根据权利要求1所述的方法，其特征是，所述的张量分解，即对得到的多个四阶张量原始图像块组按张量并行因子模式进行分解；张量分解算法采用贝叶斯模型，模型中参数和超参数具有条件概率关系，算法中对模型中每个参数和超参数采用先固定其他参数计算其极大对数似然的最优值的交替迭代法计算出因子，其中每个原始图像块组的噪音精度参数τ根据原始图像块组与初步消噪图像块组之差设定初始值。

5.根据权利要求1所述的方法，其特征是，所述的复原是指：当张量分解迭代收敛时，根据得到的因子通过重构得到消噪高阶张量将消噪高阶张量中每一个图像块提取出来并置于原始位置得到消噪后的低阶图像。

6.根据权利要求5所述的方法，其特征是，当存在多个图像块重叠，则取平均值作为消噪后的图像。

7.根据权利要求3或4所述的方法，其特征是，所述的四阶张量为：

其中：o表示向量的外积，是一维向量，张量矩阵是Kruskal算子表示中间式子的运算，R是张量分解成的秩一向量外积项的个数为即张量的并行因子秩，N是张量的阶数；

对每一个张量矩阵A⁽ⁿ⁾的概率满足：其中：是A⁽ⁿ⁾的第i_n行，Λ＝diag(λ)是精度矩阵，即协方差矩阵的逆矩阵；对所有的张量矩阵A⁽ⁿ⁾，其精度矩阵Λ均相同，因为该精度矩阵为对角矩阵，对角线上的元素为λ＝[λ₁,...,λ_R]，其概率满足：其中：表示γ分布；对应噪声精度的概率也满足p(τ)＝Ga(τ|a₀,b₀)，则有张量矩阵和噪声精度的联合概率其中：参数Θ＝{A⁽¹⁾，...，A^(N)，λ，τ}。

8.根据权利要求4所述的方法，其特征是，所述的交替迭代法是指：

①对于A⁽ⁿ⁾，可以推导得其中的参数通过以下方式更新：其中：⊙表示张量Khatri-Rao连乘；

②关于A的超参数λ，可以推得其中的参数通过求解以下得到：得到

③对于噪声的参数τ，同理可得：τ＝a_M/b_M；

④对于秩R，初始化时选取可能的最大值；当迭代出现某个λ_r会得到比较大的值，导致对应外积项趋于0，于是这个外积项就自动去除，估计的秩减一，迭代到最后就可以自动计算出秩R。

9.一种实现上述任一权利要求所述方法的系统，其特征在于，包括：初步消噪模块、堆聚模块、张量分解模块、张量重构模块以及复原模块，其中：初步消噪模块与堆聚相连并传输初步消噪后的图像，堆聚模块与张量模块相连并传输相似图像块堆聚组，张量分解模块与张量重构模块相连并传输因子分解结果，张量重构模块复原模块相连并传输张量重构的低秩图像堆聚块组。