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！

龙图腾网获悉南京大学申请的专利基于视差估计的多模态图像配准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：CN115471397B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202210824492.0，技术领域涉及：G06T7/33；该发明授权基于视差估计的多模态图像配准方法是由岳涛;李娜;黄志聪;胡雪梅设计研发完成，并于2022-07-14向国家知识产权局提交的专利申请。

本基于视差估计的多模态图像配准方法在说明书摘要公布了：本发明公开了一种基于视差估计的多模态图像配准方法。具体步骤为：1搭建阵列成像系统；2构造数据集；3将图像输入神经网络，采用双支路策略，提取共有特征与特有特征；4利用通道注意力增强模块进行特征增强，构建基于视差的匹配代价，通过视差回归得到视差图；5利用所求得视差图，通过单应性扭曲进行图像对齐，实现多模态图像的配准融合；6构建损失函数，包括平均绝对损失函数和最小二乘生成对抗损失函数；7将测试集的图像输入神经网络，得到风格生成图、预测视差图和对齐融合后的多模态图。本发明的方法可以通过不同视角的多模态图像得到视差图，进而求得配准融合后的多模态图像。

本发明授权基于视差估计的多模态图像配准方法在权利要求书中公布了：1.基于视差估计的多模态图像配准方法，其特征在于，该方法包括以下步骤： 步骤1，同时采集不同波段的红外图像和可见光图像，并进行图像的畸变矫正与立体矫正，得到红外-可见光的多模态立体图像对； 步骤2，构建数据集，包括训练集和测试集；所述数据集中包括步骤1得到的多模态立体图像对以及利用生成对抗网络得到的多模态立体图像对； 步骤3，将训练集中的多模态立体图像对数据输入神经网络，所述神经网络包括特征提取编码器、风格迁移解码器、立体匹配子网络以及对齐融合模块；对于红外-可见光的两种不同模态的输入图像，所述神经网络采用双支路策略，通过特征提取编码器对不同模态图像分别提取其对应的共有特征与特有特征，然后将跨模态的不同特征交叉送入所述风格迁移解码器，完成图像的风格迁移；所述风格迁移解码器接收来自特征提取编码器的共有特征与不同尺度的深层特有特征，使用反卷积进行上采样操作；所述风格迁移解码器在深层网络使用不同尺度的特有特征，以类U-Net型网络结构不断进行特征连接与融合，并在浅层网络连接共有特征，通过不断地上采样-特征连接-特征融合操作，得到风格迁移后的生成图像；所述风格迁移解码器在解码过程中进行两次解码，第一次是域内解码，使用相同模态的共有特征和特有特征，实现模态内原图像重建；第二次是跨域解码，使用不同模态的共有特征与特有特征，完成跨模态交叉风格转换，保证不同的特征具备其对应的模态性质，同时实现图像的风格迁移； 步骤4，将步骤3所得的不同模态图像的共有特征送入所述立体匹配子网络，其包括通道注意力增强模块、匹配代价构建模块、代价聚合模块以及视差回归模块；所述通道注意力增强模块先对不同模态图像的共有特征进行特征增强，然后所述匹配代价构建模块根据增强后的特征构建基于视差的匹配代价，再通过所述代价聚合模块进行匹配代价的正则化，最终通过视差回归模块得到输出视差图； 步骤5，利用步骤4所求得的视差图，通过所述对齐融合模块，采用单应性扭曲方法将不同模态和不同视角的图像对齐到同一视角，实现多模态图像的配准融合； 步骤6，构建所述神经网络的损失函数，该损失函数包括平均绝对损失函数与最小二乘生成对抗损失函数；对所述神经网络进行训练； 步骤7，在测试阶段，将测试集中的多模态立体图像对数据输入到已训练的神经网络中，得到配准融合后的多模态图像。

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大学，其通讯地址为：210046 江苏省南京市栖霞区仙林大道163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。