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！

龙图腾网获悉西安电子科技大学申请的专利基于深度学习的计算光谱成像误差矫正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：CN116740340B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310846672.3，技术领域涉及：G06V10/24；该发明授权基于深度学习的计算光谱成像误差矫正方法是由牛毅;陈绘琳;马明明;李甫;石光明设计研发完成，并于2023-07-11向国家知识产权局提交的专利申请。

本基于深度学习的计算光谱成像误差矫正方法在说明书摘要公布了：基于深度学习的计算光谱成像误差矫正方法，包括以下步骤；对成像系统获取的低分辨率光谱图像的误差进行分析和建模；搭建神经网络对低分辨率光谱图像的误差进行矫正；将矫正后的低分辨率光谱图像以及成像系统彩色相机捕获的RGB图像作为输入，通过深度学习的方法搭建图像的融合重建网络，计算光谱重构得到初步重建的目标图像；将目标图像进行成像系统的退化，并借助实际观测进行与退化的图像做约束，实现色差矫正网络、光谱融合网络的联合优化，实现光谱成像误差矫正。本发明以成像系统实际误差的可微建模为基础，建立联合观测提取，误差矫正，以及光谱重构的端到端联合优化框架，弥补当前实际系统成像质量与理论仿真质量之间的巨大差距。

本发明授权基于深度学习的计算光谱成像误差矫正方法在权利要求书中公布了：1.基于深度学习的计算光谱成像误差矫正方法，其特征在于，包括以下步骤； 步骤1：对成像系统获取的低分辨率光谱图像的误差进行分析和建模； 步骤2：搭建神经网络对低分辨率光谱图像的误差进行矫正，即离线定标； 步骤3：将矫正后的低分辨率光谱图像以及成像系统彩色相机捕获的RGB图像作为输入，通过深度学习的方法搭建图像的融合重建网络，计算光谱重构得到初步重建的目标图像； 步骤4：将所述初步重建的目标图像进行成像系统的退化，并借助实际观测进行与退化的图像做约束，实现色差矫正网络、光谱融合网络的联合优化，实现光谱成像误差矫正； 所述步骤2具体为： 离线定标过程就是利用数据集训练网络，实现网络对误差的矫正和调整，主要包括以下步骤： 2.1制作仿真数据集： 选取公开数据集，包含32组室内场景高光谱图像的CAVE数据集，其中包含31个光谱图像HR-HSI且有对应的一张彩色图像HR-MSI； 2.1.1得到低分辨率图像 采用遥感领域中常用的制作低分辨率图像规则，首先使用7×7的高斯模糊核对HR-HSI进行滤波，该模糊核均值为0，方差为2，然后再高光谱图像的行和列两个方向也步长为下采样倍数获取像素，接着进行最大最小归一化，得到低分辨率高光谱图像LR-HSI； 2.1.2得到CCD图像 对于得到的低分辨率图像，首先自定义采样模板，模板采样点为每隔48*48取一个模板间距时，光谱维度是31时，也就是48*48的块内只存在这1个对场景的采样点并色散了31个光谱通道；接着按照预设的采样模板在对应位置的点坐标将其还原到在CCD上得到排列，也就是CCD图像，这个CCD图像是没有误差的GT图像，接着按照建立的模型，对于CCD上的像素点的波段渐进倾斜和高斯滤波操作；对于同一个像素点的不同波段，波长越段倾斜度越高，扩散的滤波和越低；通过这个操作仿真成像系统的误差形成过程；每个像素点最大的倾斜度的倾斜范围为20个像素格，相邻像素点渐进变换，每次变化的步长为最大的倾斜角度像素宽的一半，高斯滤波核大小从3-10按照波段数线性变化； 2.2通过网络进行色差矫正； 2.2.1对上述制作的CCD误差数据集进行取patch操作，patch的大小为48*48； 2.2.2将patch送入网络，第一层卷积网络输入通道数为1，输出通道数为16卷积层采用的3*3的卷积核，通过LeakyRelu作为激活函数，接着通过池化层，池化层步长设置为2； 2.2.3接着将得到的特征图输入网络里面，网络的输入通道数是前一层的输出通道数，输出通道数为输入通道数的2倍，接着通过激活函数和池化层，激活函数为LeakyRelu，池化层步长为2，共设置5层卷积网络； 2.2.4将最后一层卷积网络输出的特征图进行两次全连接，第一层全连接输出的大小为512，第二层全连接输出的大小为光谱通道数31； 2.2.5通过设置损失函数为均方误差损失MSE-LOSS进行训练，优化器的选择为SGD，动量设置为0.9，训练500次，得到误差矫正后的初步结果； 2.2.6将网络矫正后的参数保存，并通过前向推理得到整幅图像的矫正结果； 所述步骤3具体为： 根据矫正后的低空间分辨率的光谱图像和高空间分辨率的RGB图像，通过融合得到高分辨率的光谱图像； 3.1首先对图像集预处理，按照大小为128，步长是64，分为若干小块patch,然后对于LR-HSI通过插值到与HR-MSI一样的倍数得到UP-HSI，分别将UP-HSI、HR-MSI作为网络的输入； 3.2第一次从UP-HSI取出8个通道，结合HR-MSI的三个通道，通过图像融合子网络得到输出，并作为下一层的输入； 3.3第二次从UP-HSI取出16个通道，结合HR-MSI的三个通道，通过图像融合子网络得到输出，并作为下一层的输入； 3.4下一层取出31个通道，结合HR-MSI的三个通道，以及上一层融合子网络的输处作为输入，通过融合子网络得到的输出结果与UP-HIS进行像素级加法得到输出； 3.4将之前的输出通过提纯网络即可得到最终的输出结果，提纯网络包含四层卷积网络，卷积核大小分别3、3、1、1的大小，最后输出重建的HR-HSI； 3.5保存网络参数。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路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。