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！

龙图腾网获悉长春理工大学申请的专利一种多任务图像处理方法、系统及设备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：CN119445287B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202411516628.7，技术领域涉及：G06V10/774；该发明授权一种多任务图像处理方法、系统及设备是由朱德鹏;詹伟达;蒋一纯;郝子强;唐雁峰;李锐;韩登设计研发完成，并于2024-10-29向国家知识产权局提交的专利申请。

本一种多任务图像处理方法、系统及设备在说明书摘要公布了：本发明公开一种多任务图像处理方法、系统及设备，涉及图像处理技术领域，包括以下步骤：构建多任务网络模型；将图像数据集输入到多任务网络模型，分别得到红外增强图像、红外超分辨率图像、红外与可见光图像融合图像和红外图像彩色化图像；计算多任务网络模型输出的不同图像与输入图像数据集中的红外图像和可见光图像之间的损失函数，对多任务网络模型进行循环训练。本发明技术方案通过多任务模型的统一训练，不仅有效提取了局部细节，同时保持了全局一致性，极大地提高了处理效率和图像质量，减少了处理过程中的冗余步骤，提升了系统的鲁棒性和适应性。

本发明授权一种多任务图像处理方法、系统及设备在权利要求书中公布了：1.一种多任务图像处理方法，其特征在于，包括以下步骤： 构建多任务网络模型，包括编码器和图像增强解码器、图像超分辨率解码器、图像融合解码器和图像彩色化增强解码器；编码器包含多粒度异构卷积模块和自适应精细结构强化模块； 将图像数据集输入到多任务网络模型，分别得到红外增强图像、红外超分辨率图像、红外与可见光图像融合图像和红外图像彩色化图像； 计算多任务网络模型输出的不同图像与输入图像数据集中的红外图像和可见光图像之间的损失函数，对多任务网络模型进行循环训练，通过多次训练迭代计算损失函数值，直到训练次数达到设定阈值或损失函数的值到达设定范围； 其中，细节感知全局一致性损失、L1损失和结构相似性损失的组合为损失函数，细节感知全局一致性损失、L1损失和结构相似性损失函数的定义为： 其中，表示细节感知全局一致性损失函数，表示L1损失函数，表示结构相似性损失函数，表示局部细节保留损失，表示全局一致性损失，表示细节一致性损失，Iout表示不同解码器的输出图像，Igt表示原始输入图像，||||1表示计算L1范数，SSIM为计算两幅图像之间的结构相似性； 局部细节保留损失、全局一致性损失和细节一致性损失函数的定义为： 其中，表示Sobel梯度算子，H表示计算图像的直方图函数，N是直方图的灰度级数，j表示第几个灰度级，patchi表示图像的第i个局部区域，M是局部区域的数量，Autocorr表示自相关函数； 总损失函数的定义为： 其中，α、β、γ是为了平衡各个损失项的贡献，设计的权重参数；权重更新方法为： 计算损失变化率， 其中，表示各损失相对于时间的导数，表示计算导数，t表示时间； 自适应权重调整，基于损失变化率调整权重，权重更新公式如下： 其中，η是学习率超参数，用于控制权重调整的步长，是总损失变化率的归一化因子，为所有损失项变化率的和，t+1表示下一刻时间， 归一化权重，在每次更新后对权重进行归一化： 所述多粒度异构卷积模块由卷积块1-1、卷积块1-2、卷积块1-3、卷积块2-1、卷积块2-2、卷积块2-3、卷积块3-1、卷积块3-2、卷积块3-3组成，卷积块1-1、卷积块2-1和卷积块3-1的卷积核大小为n1×n1，使用HardSwish激活函数，卷积块1-2、卷积块2-2和卷积块3-2的卷积核大小为n2×n2，使用S型激活函数，卷积块1-3、卷积块2-3和卷积块3-3的卷积核大小为n3×n3，使用S型激活函数； 所述自适应精细结构强化模块由细节强化块1、细节强化块2、细节强化块3和细节强化块4组成，细节强化块1和细节强化块2接收多粒度异构卷积模块输出的特征信息，将细节强化块1和细节强化块2的输出交叉拼接之后输出到细节强化块3和细节强化块4，特征图的大小与输入图像大小一致。

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长春理工大学，其通讯地址为：130012 吉林省长春市卫星路7089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”。