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！

龙图腾网获悉东南大学申请的专利一种基于双级优化驱动高频增强的遥感影像泛锐化方法及系统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：CN119579460B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202411655375.1，技术领域涉及：G06T5/73；该发明授权一种基于双级优化驱动高频增强的遥感影像泛锐化方法及系统是由李俊伶;黄晨彤;后俊明;吴晨旭设计研发完成，并于2024-11-19向国家知识产权局提交的专利申请。

本一种基于双级优化驱动高频增强的遥感影像泛锐化方法及系统在说明书摘要公布了：本发明公开了一种基于双级优化驱动高频增强的遥感影像泛锐化方法及系统，该方法包括对原始遥感影像进行处理，并划分为训练集、验证集和测试集，构成遥感影像数据集；对遥感影像数据集中的影像，在不同模态间施加互信息最大化和对比学习的双重约束以进行双极优化，构建基于双极优化驱动高频增强的网络模型；利用遥感影像数据集中的训练集训练基于双极优化驱动高频增强的网络模型，得到训练完成的网络模型，该模型对应的网络参数为全局最优的网络参数；利用训练后的网络模型，得到泛锐化后的遥感影像，完成遥感影像的泛锐化。本发明实现了精确的细节重建，提升了融合的精度和效率，在不同数据集上具有优异的数值指标和视觉效果。

本发明授权一种基于双级优化驱动高频增强的遥感影像泛锐化方法及系统在权利要求书中公布了：1.一种基于双级优化驱动高频增强的遥感影像泛锐化方法，其特征在于，包括： S1、对原始遥感影像进行处理，得到低分辨多光谱遥感影像和高分辨率全色遥感影像，并将原始的遥感影像和得到的遥感影像共同划分为训练集、验证集和测试集，构成遥感影像数据集； S2、通过在不同模态间施加互信息最大化和对比学习的双重约束，对遥感影像数据集中的影像进行优化，构建基于双极优化驱动高频增强的网络模型；具体为： S201、基于双极优化驱动高频增强的网络模型包括高频对齐模块、高频校准模块和高频注入模块，高频注入模块包括空间注意力模块和通道注意力模块； S202、利用inter23tap插值将低分辨多光谱遥感影像上采样到与高分辨率全色遥感影像一样的大小，得到的遥感影像记为MSU，利用卷积计算将MSU、高分辨率全色遥感影像和高分辨率多光谱遥感影像投影到高维空间中，得到相应的高维特征，具体公式为： FG＝ConvGTGT FP＝ConvPANPAN FM＝ConvMSUMSU 其中，Conv·表示卷积层，FG表示高分辨率多光谱遥感影像的特征，FP表示高分辨率全色遥感影像的特征，FM表示低分辨率多光谱遥感影像的特征；GT表示原始遥感影像，PAN表示高分辨率全色遥感影像； S203、对步骤S202中得到的FP和FM进行融合，得到基础特征Fb，具体公式为： 其中，Cat·表示在通道维度上拼接，表示残差块的映射； S204、对步骤S202中得到的特征进行小波变换，提取高频分量，具体公式为： DWTZ＝ZLL,ZHL,ZLH,ZHH ZH＝CatZHL,ZLH,ZHH 其中，Z表示特征，Z＝FG,FP,FM，DWT·表示离散小波变换，ZLL表示Z的低频分量，ZHL、ZLH、ZHH分别表示Z的水平方向、垂直方向、对角线方向的高频分量，ZH表示三个高频分量在通道维度上拼接得到的高频分量； 则得到FG、FP和FM对应的高频分量和 S205、对和实施高频对齐，再对和实施高频校准，具体内容为： S2051、将和同时输入到高频对齐模块中，通过卷积层和全连接层将和分别变成向量Vg和Vp，对和的互信息值进行估计，具体公式为： MI＝DKLPVg,Vp||PVgPVp MI′＝DJSPVg,Vp||PVgPVp 其中，FC·表示全连接层，MI表示互信息值，MI′表示互信息的估计值，P·和P·,·分别表示边际概率分布和联合概率分布，DKL·表示KL散度，DJS·表示JS散度； 利用神经网络的拟合能力，对JS散度进行估计，得到JS散度估计值，具体公式为： 其中，表示JS散度的估计值，M、N均表示任意随机分布，m和n分别表示M和N中的元素，即m∈M，n∈N，Ep·表示期望值，θ表示神经网络Tθ中优化的网络参数； 基于JS散度估计值，利用互信息损失函数LMI，优化Vg与Vp之间的互信息值，互信息损失函数的表达式为： S2052、将和同时输入到高频校准模块中进行融合，得到第一融合特征Fmerge，具体公式为： 构造和的正负样本对，具体公式为： 其中，F+表示正样本，F-表示负样本，Norm·表示归一化； 利用对比学习的思想，结合对比学习损失函数LCL，对Fmerge的高频信息进行校准，得到多模态高频特征Fh；对比学习损失函数的表达式为： 其中，||·||1表示L1范数； S206、将Fb与Fh的差值，即Fb-Fh输入到高频注入模块中，经过空间注意力模块，通过卷积得到相应的特征，对该特征分别进行全局平均池化和全局最大池化后，再沿着通道维度拼接，并经过卷积和Sigmoid激活函数生成空间注意力图，具体公式为： SAFb-Fh＝SigmoidConvCatGMPConvFb-Fh,GAPConvFb-Fh 其中，SA·表示空间注意力图，GMP·表示全局最大池化，GAP·表示全局平均池化，Sigmoid·表示Sigmoid激活函数； 将得到的空间注意力图乘以Fh得到纹理细节的特征，通过残差连接将纹理细节的特征与Fb结合得到具体公式为： 将和Fh沿着通道维度进行拼接，经过通道注意力模块，依次通过第一卷积、全局平均池化、第二卷积块和Sigmoid激活函数的处理，生成通道注意力图，再利用该通道注意力图对输入特征进行加权，再通过卷积，得到通道注意力模块的输出结果，具体公式为： 其中，CA·表示通道注意力模块的输出结果； 将通道注意力模块的输出结果与Fb相加得到第二融合特征Fi，具体公式为： S207、重复步骤S205-S206，直到达到设定的重复次数T停止，并将步骤S205中每次计算得到的LMI和LCL输出； S3、利用遥感影像数据集中的训练集训练基于双极优化驱动高频增强的网络模型，得到训练完成的网络模型，该模型对应的网络参数为全局最优的网络参数；利用训练完成的网络模型，得到泛锐化后的遥感影像，完成遥感影像的泛锐化。

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东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2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。