其他

本发明实施例提供一种图像数据处理方法，所述方法包括：对噪声图像矩阵进行总体变分,获得第一去噪图像矩阵；根据所述第一去噪图像矩阵及所述噪声图像矩阵,获取残差图像矩阵；将所述残差图像矩阵进行自适应维纳滤波,获得滤波后的残差图像矩阵；将所述第一去噪图像矩阵、所述滤波后的残差图像矩阵及权重向量，根据第一预设规则,进行第二次去噪处理，获取第二去噪图像矩阵。所述方法充分利用了图像的先验信息，从而在有利去除噪声的同时，更好的保留了图像的边缘、细节，在获得高信噪比的同时，结构相似度也保持较高的水平，充分满足人们视觉效果。

低秩矩阵近似一般可分为两类：低秩矩阵分解法(LRMF)和核范数极小化法(NNM)。LRMF旨在在给定矩阵Y时，找到一个矩阵X，使其在某些数据保真度函数上尽可能接近Y。同时也能分解为两个低秩矩阵的乘积。基于LRMF的许多算法被提出，包括从经典的奇异值分解到许多L1－norm的稳定算法。NNM是低秩矩阵近似的另外一种形式，其不同于LRMF在于在找到近似矩阵X的同时将其最小化为核标准。而且NNM的优势在于它在保真项特定数据问题上是凸的，而LRMF是非凸的，因此在最近几年吸引了学者极大的研究兴趣。Candes和Recht证明大多数低秩矩阵可以通过一个NNM问题从而的到恢复；Caietal[证明了伴随着对F－norm数据保真度对振动操作奇异值问题的研究，用NNM能够很容易的解决。虽然NNM已经广泛用于低秩矩阵近似，但是它仍然有一些问题，为了保证凸性，忽略了图像的先验信息，无法保留图像的边缘细节。

本发明涉及图像处理技术领域，涉及一种图像数据处理方法。

与现有技术相比，本发明实施例提供的一种图像数据处理方法，通过对噪声图像矩阵首先进行总体变分，并对残差图像矩阵进行自适应维纳滤波，并将所述第一去噪图像矩阵、所述滤波后的残差图像矩阵及权重向量，根据第一预设规则，进行二次去噪处理，获取第二去噪图像矩阵，其充分利用了图像的先验信息，从而在有利去除噪声的同时，更好的保留了图像的边缘、细节，在获得高信噪比的同时，结构相似度也保持较高的水平，充分满足人们视觉效果。