技術(shù)特征：
1.一種彩色圖像去彩方法，其特征在于，包括如下步驟：步驟1，求解待去彩圖像每個(gè)像素點(diǎn)的RGB分量加權(quán)平均值，分別將每個(gè)RGB分量加權(quán)平均值作為對(duì)應(yīng)像素點(diǎn)的灰度值；并求解所述待去彩圖像的平均亮度；步驟2，根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；步驟3，對(duì)敏感因子賦不同的值，分別代入所述新優(yōu)化模型中對(duì)所述待去彩圖像進(jìn)行去彩，獲取不同的灰度圖像，并分別求解所述不同的灰度圖像的平均色彩對(duì)比度保留率；步驟4，選取最大的平均色彩對(duì)比度保留率對(duì)應(yīng)的灰度圖像作為所述待去彩圖像的最終灰度圖像；所述步驟2包括如下步驟：步驟21，根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；所述優(yōu)化模型如下：其中，所述K為所述待去彩圖像的RGB分量的協(xié)方差矩陣；所述τ為敏感因子；步驟22，在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述新優(yōu)化模型如下：其中，所述μ為所述優(yōu)化模型的Hessian矩陣的最小特征值的絕對(duì)值與預(yù)設(shè)值的和；所述對(duì)敏感因子賦不同的值具體實(shí)現(xiàn)為：當(dāng)時(shí)，令敏感因子的初值為0.5，并以0.01為步長(zhǎng)，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值；當(dāng)時(shí)，令敏感因子的初值為0.25，并以0.01為步長(zhǎng)，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值。2.根據(jù)權(quán)利要求1所述一種彩色圖像去彩方法，其特征在于，所述RGB分量加權(quán)平均值根據(jù)如下第一公式計(jì)算；所述第一公式如下：L(x)＝αR(x)+βG(x)+γB(x)其中，所述L(x)為所述待去彩圖像任一像素點(diǎn)的RGB分量加權(quán)平均值，u＝(α,β,γ)，α，β和γ分別為所述待去彩圖像去彩過(guò)程中RGB分量的權(quán)因子，根據(jù)經(jīng)驗(yàn)設(shè)置，且0≤α≤1，0≤β≤1，0≤γ≤1，α+β+γ＝1；所述待去彩圖像的平均亮度根據(jù)如下第二公式計(jì)算；所述第二公式如下：m＝(mR,mG,mB)其中，所述m為所述待去彩圖像的平均亮度，其為所述待去彩圖像的RGB分量的均值向量，則所述mR，mG和mB分別為所述待去彩圖像的RGB分量的均值。3.根據(jù)權(quán)利要求2所述一種彩色圖像去彩方法，其特征在于，所述分別求解所述不同的灰度圖像的平均色彩對(duì)比度保留率的具體實(shí)現(xiàn)包括如下步驟：步驟a,按如下第三公式計(jì)算任一灰度圖像的色彩對(duì)比度保留率；所述第三公式如下：且k∈{1,2,3…15}其中，所述CCPRk為所述任一灰度圖像的色彩對(duì)比度保留率；所述Γ＝{x|x∈Ω,δx≥k}，且(l,a,b)為CIELAB模型中任一像素點(diǎn)的空間坐標(biāo)；步驟b,按如下第四公式計(jì)算所述任一灰度圖像的平均色彩對(duì)比度保留率；所述第四公式如下：其中，所述ACCPR為所述任一灰度圖像的平均色彩對(duì)比度保留率。4.一種彩色圖像去彩系統(tǒng)，其特征在于，包括第一求解模塊、模型構(gòu)建模塊、第二求解模塊和選取模塊；所述第一求解模塊，其用于求解待去彩圖像每個(gè)像素點(diǎn)的RGB分量加權(quán)平均值，分別將每個(gè)RGB分量加權(quán)平均值作為對(duì)應(yīng)像素點(diǎn)的灰度值；并求解所述待去彩圖像的平均亮度；所述模型構(gòu)建模塊，其用于根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述第二求解模塊，其用于對(duì)敏感因子賦不同的值，分別代入所述新優(yōu)化模型中對(duì)所述待去彩圖像進(jìn)行去彩，獲取不同的灰度圖像，并分別求解所述不同的灰度圖像的平均色彩對(duì)比度保留率；所述選取模塊，其用于選取最大的平均色彩對(duì)比度保留率對(duì)應(yīng)的灰度圖像作為所述待去彩圖像的最終灰度圖像；所述模型構(gòu)建模塊構(gòu)建模塊包括優(yōu)化模型構(gòu)建單元和新優(yōu)化模型構(gòu)建單元；所述優(yōu)化模型構(gòu)建單元，其用于根據(jù)所述待去彩圖像的RGB分量的協(xié)方差矩陣和所述待去彩圖像的平均亮度，構(gòu)建優(yōu)化模型；所述優(yōu)化模型如下：其中，所述K為所述待去彩圖像的RGB分量的協(xié)方差矩陣；所述τ為敏感因子；所述新優(yōu)化模型構(gòu)建單元，其用于在所述優(yōu)化模型中增加正則項(xiàng)構(gòu)建新優(yōu)化模型，使所述新優(yōu)化模型的Hessian矩陣正定；所述新優(yōu)化模型如下：其中，所述μ為所述優(yōu)化模型的Hessian矩陣的最小特征值的絕對(duì)值與預(yù)設(shè)值的和；所述對(duì)敏感因子賦不同的值具體實(shí)現(xiàn)為：當(dāng)時(shí)，令敏感因子的初值為0.5，并以0.01為步長(zhǎng)，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值；當(dāng)時(shí)，令敏感因子的初值為0.25，并以0.01為步長(zhǎng)，依次增加敏感因子的取值大小，至敏感因子的取值等于1時(shí)結(jié)束敏感因子的賦值。5.根據(jù)權(quán)利要求4所述一種彩色圖像去彩系統(tǒng)，其特征在于，所述RGB分量加權(quán)平均值根據(jù)如下第一公式計(jì)算；所述第一公式如下：L(x)＝αR(x)+βG(x)+γB(x)其中，所述L(x)為所述待去彩圖像任一像素點(diǎn)的RGB分量加權(quán)平均值，u＝(α,β,γ)，α，β和γ分別為所述待去彩圖像去彩過(guò)程中RGB分量的權(quán)因子，根據(jù)經(jīng)驗(yàn)設(shè)置，且0≤α≤1，0≤β≤1，0≤γ≤1，α+β+γ＝1；所述待去彩圖像的平均亮度根據(jù)如下第二公式計(jì)算：所述第二公式如下：m＝(mR,mG,mB)其中，所述m為所述待去彩圖像的平均亮度，其為所述待去彩圖像的RGB分量的均值向量，則所述mR，mG和mB分別為所述待去彩圖像的RGB分量的均值。6.根據(jù)權(quán)利要求5所述一種彩色圖像去彩系統(tǒng)，其特征在于，所述分別求解所述不同的灰度圖像的平均色彩對(duì)比度保留率的具體實(shí)現(xiàn)包括如下步驟：步驟a,按如下第三公式計(jì)算任一灰度圖像的色彩對(duì)比度保留率；所述第三公式如下：且k∈{1,2,3…15}其中，所述CCPRk為所述任一灰度圖像的色彩對(duì)比度保留率；所述Γ＝{x|x∈Ω,δx≥k}，且(l,a,b)為CIELAB模型中任一像素點(diǎn)的空間坐標(biāo)；步驟b,按如下第四公式計(jì)算所述任一灰度圖像的平均色彩對(duì)比度保留率；所述第四公式如下：3其中，所述ACCPR為所述任一灰度圖像的平均色彩對(duì)比度保留率。