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！

龙图腾网获悉四川大学申请的专利一种基于非局部和局部先验的深度图像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：CN119831838B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202311301577.1，技术领域涉及：G06T3/4053；该发明授权一种基于非局部和局部先验的深度图像超分辨方法是由何小海;张莹莹;陈洪刚;任超;吴晓红;王正勇设计研发完成，并于2023-10-10向国家知识产权局提交的专利申请。

本一种基于非局部和局部先验的深度图像超分辨方法在说明书摘要公布了：本发明公开了一种基于非局部先验和局部先验的深度图像超分辨重建方法。其步骤如下：对外部高分辨率训练图像集分块，按欧式距离为各图像块寻找相似块并组成相似块组，学习并优化适配深度边缘不连续特性的高斯混合模GMM，提取训练集非局部先验并构建非局部约束。再在梯度域与空间域分析图像局部结构：梯度域引入基于深度与彩色图像局部结构相关性的自适应加权超拉普拉斯分布，建模梯度以增强深度边缘对齐与细节保留；空间域提出基于局部梯度相似性硬切换机制的自适应自回归模型AR，动态控制彩色引导权重以获取深度图像局部相关性。最后将将两类先验融合于统一优化框架，迭代求解高分辨率深度图像。

本发明授权一种基于非局部和局部先验的深度图像超分辨方法在权利要求书中公布了：1.一种基于学习的非局部先验和增强的局部先验深度图像超分辨率重建方法，其特征在于，所述方法包括非局部先验学习、非局部约束建立、局部约束建立和联合模型的建立四个部分： 所述非局部先验学习部分用EM算法对外部高分辨率训练图像集学习高斯混合模型以提取非局部先验； 所述非局部约束建立部分用于将学习到高斯混合模型构建非局部先验约束，对低分辨率深度图像分块处理，并为每个图像块搜索其最相似的个图像块构成相似块组；然后，为每个相似块组通过评估其由第个高斯分量生成的后验概率选择最合适的高斯分量, 假设第个高斯分量是最适合相似块组的分量，可以通过对其协方差矩阵的奇异值分解来获得字典： 其中是正交矩阵；是特征值的对角矩阵；最终，用表示相似块组的结构，则似块组中块的稀疏表示： ， 其中为权重参数； 所述局部约束建立部分用超拉普拉斯分布拟合图像的梯度分布，并对彩色图像与深度图像的结构相似性进行分析，建立基于结构相似的AR模型对深度图像的空间域进行约束，对图像的梯度分布用自适应加权的超拉普拉斯分布进行约束，该自适应加权的超拉普拉斯分布利用深度图像及相应彩色图像在几何结构方面具有强烈的相关性确定加权向量，其表示为： ， 其中和表示沿水平和垂直方向的梯度提取算子；是控制超拉普拉斯算子稀疏性的参数；所述加权向量由以下形式的彩色图像加权项和深度图像加权项组合得到： 其中是深度图像加权项，能够随着重建深度图的更新而自适应地变化；是彩色图像加权项，利用了彩色图像中丰富的高频信息；表示彩色图像，是常量； 其特征在于，首先用结构相似性度量： 探究了深度图像与彩色图像之间的结构相似性，其中是深度图像块，是彩色图像块，是水平方向和垂直方向上梯度的级联，表示点积运算，表示绝对值算子，是向量的欧几里得范数； 然后用得到的结构相似性构建基于结构相似的AR模型对深度图像的空间信息进行约束，基于结构相似的AR模型表示为： ， 其中，颜色权重项定义如下： ， 其中表示阈值； 所述联合模型的建立部分将上述各先验约束联合构建统一的优化框架中，以获得高分辨率图像的估计，生成的超分辨率重建图像恢复模型为： ， 其中表示退化矩阵，是待恢复的高分辨率深度图像，是低分辨率观测值；、和是正则化参数；是与权重系数相对应的权重矩阵；是片稀疏表示的集合；是子集的集合，。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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。