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！

龙图腾网获悉山东师范大学申请的专利结合自监督特征对齐的红外与可见光图像融合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：CN121213374B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202511745499.3，技术领域涉及：G06T5/50；该发明授权结合自监督特征对齐的红外与可见光图像融合方法及系统是由张建萍设计研发完成，并于2025-11-26向国家知识产权局提交的专利申请。

本结合自监督特征对齐的红外与可见光图像融合方法及系统在说明书摘要公布了：本发明公开了结合自监督特征对齐的红外与可见光图像融合方法及系统，属于图像融合技术领域，结合自监督特征对齐的红外与可见光图像融合方法包括：获取红外图像与可见光图像；基于分层双流异构模型分别对红外图像与可见光图像进行特征提取，并基于跨模态投影模型分别生成红外图像与可见光图像的外观特征和几何特征；基于双空间层级自监督对齐模型将外观特征与几何特征进行对齐，分别生成红外图像与可见光图像的对齐特征；基于频谱‑图神经联合融合模型对红外图像与可见光图像的对齐特征进行特征融合，得到融合特征；基于融合特征重建融合图像并输出。本发明能够有效提高融合图像的清晰度、细节完整性和目标显著性。

本发明授权结合自监督特征对齐的红外与可见光图像融合方法及系统在权利要求书中公布了：1.结合自监督特征对齐的红外与可见光图像融合方法，其特征在于，包括： 获取红外图像与可见光图像； 基于分层双流异构模型分别对红外图像与可见光图像进行特征提取，并基于跨模态投影模型分别生成红外图像与可见光图像的外观特征和几何特征； 分层双流异构模型包括三条分支，分别为红外分支、可见光分支和共享几何分支；其中，红外分支采用轻量化多尺度卷积神经网络，同时引入频谱注意力子模块，用于重点保留热谱的局部强度与形状边界；可见光分支采用混合CNN-Transformer，利用卷积神经网络提取局部纹理，后端小型Transformer提取全局纹理与颜色分布；共享几何分支采用一个浅层卷积神经网络，同时引入小型可学习偏移模块，用于捕捉两模态共同的几何结构； 基于双空间层级自监督对齐模型将外观特征与几何特征进行对齐，分别生成红外图像与可见光图像的对齐特征，具体包括： 对红外和可见光的外观特征、和几何特征、进行L2归一化，并通过线性投影层将其嵌入到对齐空间；其中，外观特征映射表示为： ； 几何特征映射表示为： ； 式中，表示外观分支映射函数；表示几何分支映射函数； 基于局部patch且带空间权重的InfoNCE进行外观空间对齐；在外观空间对齐时，以局部patch为正样本，结合可学习偏移进行空间匹配，损失函数为： 式中，表示显著性权重，根据梯度图计算；表示自适应温度；表示负样本集合；表示红外外观特征图在位置的外观特征；表示空间位置索引，为patch中心；表示负样本； 几何对齐分支采用改进型特征流网络FFN，基于几何对齐分支预测跨模态位移场与置信度图，对红外和可见光的几何特征进行空间对齐； 几何空间对齐损失具体表示为： 式中，表示红外几何特征图在位置的特征向量；表示在可见光几何特征图中，经预测位移后对应的特征向量；表示正则化权重参数； 将红外外观特征按位移场进行重采样，使其映射到可见光特征坐标系下，使得红外与可见光特征在空间上对齐； 基于频谱-图神经联合融合模型对红外图像与可见光图像的对齐特征进行特征融合，得到融合特征；频谱-图神经联合融合模型采用频谱-图神经双分支结构，低频分量用于构建空间图，在空间图上采用多层图注意力网络提取拓扑一致的结构，得到结构增强后的低频分量并进行跨模态融合，得到低频融合特征；高频分量通过频谱注意力进行外观纹理、几何边缘增强，得到外观纹理增强高频分量和几何边缘增强高频分量并进行跨模态融合，得到高频融合特征；将低频融合特征和高频融合特征执行逆变换得到低频增强特征和高频增强特征，并在空间域通过cross-attention融合，得到融合特征； 基于融合特征重建融合图像并输出。

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山东师范大学，其通讯地址为：250000 山东省济南市长清区大学科技园大学路1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。