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！

龙图腾网获悉南京信息工程大学申请的专利基于小波卷积和语义-内容引导融合的交通图像去雾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：CN121353135B 。

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：202511902967.3，技术领域涉及：G06T5/77；该发明授权基于小波卷积和语义-内容引导融合的交通图像去雾方法是由瞿治国;秦天;余益民;孙乐;王硕设计研发完成，并于2025-12-17向国家知识产权局提交的专利申请。

本基于小波卷积和语义-内容引导融合的交通图像去雾方法在说明书摘要公布了：本发明公开了一种基于小波卷积和语义‑内容引导融合的交通图像去雾方法，采集有雾图像并对图像进行预处理；设置初始化模型参数；在编码器中通过多尺度小波卷积提取特征并进行特征增强，使用图像块嵌入模块进行下采样，生成嵌入特征图；将嵌入特征图输入特征变换层，进一步提取特征，进行上采样，将上采样后的特征与编码器中的浅层特征进行融合；将融合后的特征输入解码器，逐步恢复图像尺寸，同时结合编码器的浅层细节特征，最后输出去雾图像；计算输出去雾图像与真实图像的结构相似性指数和峰值信噪比，保留效果最好的模型并判断是否达到预设的迭代次数，达到迭代次数后得到效果最优的去雾模型参数，应用于交通图像去雾。

本发明授权基于小波卷积和语义-内容引导融合的交通图像去雾方法在权利要求书中公布了：1.一种基于小波卷积和语义-内容引导融合的交通图像去雾方法，其特征在于，包括如下步骤： 步骤1、采集有雾图像并对图像进行预处理，将处理后的图像作为模型的输入； 步骤2、设置初始化模型参数，包括编码器、解码器以及特征变换层的参数以及训练参数； 步骤3、在编码器通过多尺度小波卷积进行特征增强，然后通过多尺度的卷积核提取特征，并基于自适应融合策略实现多尺度特征融合，使用图像块嵌入模块进行下采样，将图像划分为多个固定大小的图像块，将每个图像块映射为高维特征向量，生成嵌入特征图； 步骤4、将嵌入特征图输入特征变换层，利用多尺度小波卷积对深层语义特征进行融合，并通过图像块还原模块进行上采样，使用语义-内容引导融合模块将上采样后的特征与编码器中输出的浅层特征进行融合，得到融合后的特征； 步骤4具体包括如下步骤： 步骤4.1、利用多尺度小波卷积对深层特征进行融合； 步骤4.2、通过图像块还原模块实现上采样，接收嵌入模块输出的特征表示后通过卷积操作扩展特征通道数，使用PixelShuffle重排通道，恢复图像形状并向后传输； 步骤4.3、使用语义-内容引导融合模块融合低级特征以及与其相应的高级特征，先通过跨空间维度的全局平均池化操作、跨空间维度的全局最大池化和跨通道维度上的全局平均池化处理特征，得到空间和通道上的权重WS和WC； 步骤4.4、通过一个加法操作将WS和WC融合在一起，接着将其与原输入进行通道拼接，并通过通道洗牌将每个通道重新排列，最后通过7×7的卷积和Sigmoid激活函数，得到最终的空间重要性图W： 6； 其中，表示Sigmoid激活函数，将任意实数输入映射到0,1区间，表示卷积核大小为7×7的分组卷积，X表示输入特征； 通过加权求和的方式作用到低级特征和相应的高级特征上： 7； 其中，表示初步处理后的特征，表示卷积核尺寸为1×1的卷积，用来调整输出通道数；表示底层特征，表示与底层特征相应的高级特征； 步骤4.5、使用分组卷积门控模块获取门控特征Fgate，具体公式如下： 8； 其中，表示输入门控模块的特征，GClow和GChigh分别表示用于处理低级特征和高级特征的分组卷积； 步骤4.6、将门控特征Fgate融入初步处理后的特征Ffuse中，得到最终的融合特征Fscg： 9； 其中，α是可学习的权重系数； 步骤5、将融合后的特征输入解码器，通过多尺度小波卷积与图像还原模块逐步恢复图像尺寸，同时使用语义-内容引导融合模块结合编码器的浅层细节特征，最后输出去雾图像； 步骤6、对模型进行训练，计算输出去雾图像与真实图像的结构相似性指数和峰值信噪比，保留效果最好的模型并判断是否达到预设的迭代次数，如果没有则返回步骤3，达到迭代次数后得到效果最优的去雾模型参数，将其应用于交通图像去雾。

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信息工程大学，其通讯地址为：210032 江苏省南京市江北新区宁六路219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。