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！

龙图腾网获悉中国科学院沈阳自动化研究所申请的专利基于物理成像模型的半监督学习图像去雾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：CN116612028B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202310568361.5，技术领域涉及：G06T5/77；该发明授权基于物理成像模型的半监督学习图像去雾方法是由陈希爱;王旭东;韩志;唐延东设计研发完成，并于2023-05-19向国家知识产权局提交的专利申请。

本基于物理成像模型的半监督学习图像去雾方法在说明书摘要公布了：本发明涉及一种基于物理成像模型的半监督学习图像去雾方法，属于计算机视觉和图像处理技术领域。该方法包括：S1：设计具有注意力机制的轻量型稠密特征融合网络，采用特征提取网络共享机制，使用自适应权重分配模块从降质图像中估计物理模型参数；S2：大气散射模型描述雾霾降质图像成像过程，提出一种具有自适应信息补偿的改进物理模型，计算恢复出清晰图像；S3：设计半监督学习策略，增强网络在实际雾霾场景中的去雾表现，减弱合成域与真实域间的域差。本发明能够以轻量的算法复杂度解决单幅图像去雾恢复的问题，并在真实数据集中对本发明进行实验验证，证明了本发明的优越性。

本发明授权基于物理成像模型的半监督学习图像去雾方法在权利要求书中公布了：1.基于物理成像模型的半监督学习图像去雾方法，其特征在于，建立包括特征提取网络、去雾网络的去雾系统网络结构，并迭代进行有监督训练和自增强半监督学习的梯度优化训练，生成最优图像去雾系统用于实际处理图像使得去雾，包括以下步骤： S1：合成清晰-含雾图像数据集作为去雾系统的训练集，并对数据集进行预处理； S2：构建图像特征提取网络：具有稠密连接的特征融合轻量级网络；具体包括以下步骤： S2a：特征提取网络包含n块卷积结构组，各卷积结构组均包括空洞卷积层、实例归一化层、空间注意力机制模块与Relu激活函数，其中仅第一块卷积结构组中不含有空间注意力机制模块； S2b：第一块卷积结构组的输入为降质的RGB图像，输入通道数为3，输出特征图组的通道数为6，并保持输入输出空间尺寸不变； S2c：第nn＝2,3,4块卷积结构组的输入为前n-1块卷积结构组输出的特征图组的拼接特征图组，输入通道数为n-1×6，输出特征图组的通道数均为6，并保持输入输出空间尺寸不变； S2d：将n块卷积结构组的输出特征图组共同拼接为通道数为6n的降质图像特征图组； S3：构建图像去雾网络：采用具有自适应补偿信息的改进物理成像模型恢复出清晰图像；具体包括以下步骤： S31：共享特征提取网络输出的6n组特征图组，分别通过两个自适应权重分配模块，为6n组特征图组赋予不同的权重； S32：两组加权的6n组特征图组分别通过一次卷积结构组将的通道数降为3，得到含有自适应补偿信息的改进大气散射模型两组参数矩阵Kx与Δbx； S33：根据改进的大气散射模型计算恢复出清晰的图像J； 改进的大气散射模型形式为： 其中，Ix为成像设备所捕获的降质图像中第x个像素值；jx为清晰图像的第x个像素值；A为大气光常值；tx为透射率矩阵；Kx与Δbx为待估计的参数；根据改进的大气散射模型，使用卷积神经网络从含雾图像中估计出参数Kx与直接信息补偿量Δbx，再将其带入模型即可得到无雾图像； S4：使用合成的清晰-含雾图像数据集对网络进行端到端的监督训练，生成具有初步图像去雾效果的去雾系统；根据自增强半监督学习策略进一步优化图像去雾系统，增强去雾效果。

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中国科学院沈阳自动化研究所，其通讯地址为：110016 辽宁省沈阳市沈河区南塔街114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”。

以上内容由龙图腾AI智能生成。