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！

龙图腾网获悉南京理工大学申请的专利利用非对称注意力与小波子带注入的高光谱超分辨方法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：CN114782246B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202210273806.2，技术领域涉及：G06T3/4053；该发明授权利用非对称注意力与小波子带注入的高光谱超分辨方法是由肖亮;方健设计研发完成，并于2022-03-19向国家知识产权局提交的专利申请。

本利用非对称注意力与小波子带注入的高光谱超分辨方法在说明书摘要公布了：本发明公开了一种利用非对称注意力与小波子带注入的高光谱超分辨方法，该方法主要包括：利用离散小波变换抽取多光谱多分辨率高频细节特征；构建细节提取网络编码器；构建细节提取网络解码器；对低分辨率高光谱图像进行预处理；构建空谱融合网络编码器；构建非对称特征选择注意力模块；构建空谱融合网络编码器；使用L1损失函数训练网络。本发明通过小波网络提取多光谱的深度多分辨率细节注入到U‑Net，使学习到的高光谱图像具有更好的空谱细节信息。

本发明授权利用非对称注意力与小波子带注入的高光谱超分辨方法在权利要求书中公布了：1.一种利用非对称注意力与小波子带注入的高光谱超分辨方法，其特征在于，包括以下步骤： 第一步，利用离散小波变换抽取多光谱多分辨率高频细节特征； 第二步，对高频图像W1，利用3×3的卷积得到细节提取编码器的第一个输出的深度特征，此过程表示为 WE1＝Conv3×3W1 其中，Conv3×3.表示卷积核为3×3的卷积操作；对WE1做离散小波变换获得深度细节信息，并在通道维拼接得到W3；将高频图像W2和W3在通道维拼接，并通过一个3×3的卷积获得细节提取编码器的第二个输出的深度特征，此过程表示为 WE2＝Conv3×3ConcatW2,W3 第三步，细节提取网络解码器由步长为2的反卷积和一个3×3卷积组成；解码器三个输出的深度特征，表示为 其中，Deconv.表示反卷积，WDn表示第n个阶段细节提取网络解码器输出的深度特征； 第四步，对低分辨率高光谱图像做预处理，即对低分辨率高光谱图像上采样至多光谱图像同样的空间大小； 第五步，使用残差块来提取深度特征，残差块由两个3×3的卷积和Relu激活函数组成，此过程表示为 RBXin＝Conv3×3ReluConv3×3Xin+Xin 其中，Xin表示输入特征，Relu.表示ReLU函数，RB.表示残差块操作；编码器的第一个输出特征是将上采样的HS图像与MS图像在通道维拼接作为原始输入，然后利用3×3的卷积和残差块学习拼接后的深度特征，最后得到的深度特征；接下来利用编码器n-1阶输出的最大池化特征与深度细节特征拼接，并利用3×3的卷积和残差块学习拼接后的深度特征，得到编码器的n阶输出特征；此过程表示为 其中，MUen表示第n阶段编码器的输出特征，RB·表示残差操作，maxpool.表示最大池化操作； 第六步，利用非对称特征选择注意力模块，对空谱融合网络编码器输出的深度多分辨率特征进行选择； 第七步，利用卷积、残差块和反卷积对MUe2提取深度特征得到解码器的第一个输出；然后将非对称特征选择注意力模块的输出AFSSCn-1、空谱融合网络编码器的输出MUdn-1和细节提取网络解码器输出WDn-1进行拼接，然后利用3×3卷积和残差块，最后使用反卷积得到空谱融合模块解码器的第n个输出；此过程表示为 其中，MUdn表示第n阶段的解码器；然后将解码器的输出MUd2和细节提取的解码器WD2在通道维上拼接，并利用3×3卷积提取特征，接着将上采样的HS图像与提取的特征逐像素相加，最后对相加结果使用Relu激活函数得到融合图像此过程表示为 第八步，使用L1损失函数训练网络。

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南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200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”。