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！

龙图腾网获悉福州大学申请的专利一种基于多尺度混合模型的无人机航拍图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：CN115760632B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202211497560.3，技术领域涉及：G06T5/73；该发明授权一种基于多尺度混合模型的无人机航拍图去雾方法是由赵铁松;张婷;江楠峰;林俊鸿;徐艺文设计研发完成，并于2022-11-27向国家知识产权局提交的专利申请。

本一种基于多尺度混合模型的无人机航拍图去雾方法在说明书摘要公布了：本发明涉及一种基于多尺度混合模型的无人机航拍图去雾方法。首先，对无人机航拍图进行预处理，采用压缩激发模块SE，对图片特征进行压缩，从而获得全局感受野，捕捉长程信息；其次，采用不同扩张因子的空洞卷积模块DCLs设计上下文扩展模块CDB，提取并融合多尺度的语义特征，获取丰富的上下文信息；最后，利用训练模型预测出的结果和原始无人机航拍图对比，判断去雾任务的完成情况，在真实无人机航拍数据集上使用YOLOv4可视化去雾结果的目标检测性能。基于上述步骤，将基于多尺度混合模型的单图去雾方法部署在无人机预处理阶段。本发明方法较采用其他单图去雾算法相比本发明在视觉性能和目标检测精度上表现最好，并且处理速度较快，优势明显。

本发明授权一种基于多尺度混合模型的无人机航拍图去雾方法在权利要求书中公布了：1.一种基于多尺度混合模型的无人机航拍图去雾方法，其特征在于，包括如下步骤： 步骤S1：对无人机航拍图进行预处理，采用压缩激发模块SE，对图片特征进行压缩，从而获得全局感受野，捕捉长程信息，调整因雾霾天气带来的对比度低、颜色失真问题； 步骤S2：采用不同扩张因子的空洞卷积模块DCLs，提取并融合不同尺度的语义特征，获取丰富的上下文信息，防止无人机航拍图出现过度平滑和细节丢失； 步骤S3：利用多尺度学习机制构建网络，递进式学习背景特征；将预测出的去雾结果和原始无人机航拍图对比，并使用YOLOv4可视化去雾结果图的目标检测性能，执行模型运行时间，验证算法的可靠性； 所述步骤S1具体实现如下： 步骤S11：获取无人机航拍图I，对其进行预处理，使用卷积模块提取纹理特征； 步骤S12：基于S11提取出的背景纹理特征，采用压缩和激发操作SE与跳跃连接结合的方式，设计一个压缩激发残余模块SRB； 步骤S13：在步骤S12中，压缩激发残余模块SRB利用SE操作自适应地重新校准每个特征映射的特征响应λ，再与SRB输入特征相乘逐通道加权得到λX，完成在通道维度上对原始特征的重标定；基于SRB模块的特征重标定生成初步的去雾图像 所述步骤S2具体实现如下： 步骤S21：将步骤S1得到的特征进一步输入到上下文扩展模块CDB中采用多尺度机制学习，一个CDB模块主要由两个卷积层和两个空洞卷积层DCLs所组成； 步骤S22：基于S21的多尺度机制，DCLs集合了三个具有不同扩张因子dilated＝1,3,5，和相同感受野receptivefield＝3×3的卷积路径，每个路径根据扩张因子的变化获取到不同尺度的上下文信息d1,d2,d3； 步骤S23：将步骤S22得到的特征d1,d2,d3分别输入到对应dilated＝1,3,5的空洞卷积层，得到特征r1,r2,r3；最后将经过多尺度提取的特征r1,r2,r3融合并输出为特征r，经过卷积复原成去雾结果图Idehazed； 所述步骤S3具体实现如下： 步骤S31：引入均方根损失MSE和感知损失PerceptualLoss优化网络学习，对模型训练过程进行实时评价，实时保存训练模型和数据； 步骤S32：引入有参考的性能评价指标PSNR，SSIM和LPIPS，无参考的性能评价指标DHQI，FRFSIM对去雾任务完成情况进行评价； 步骤S33：引入运行时间对网络模型处理速度进行评价；并在真实雾天无人机航拍图上使用流行的预训练目标检测模型YOLOv4从去雾图像中检测出感兴趣的目标； 步骤S34：基于S33检测出的目标框，通过平均置信系数对所有的去雾结果进行排序，验证经过多尺度混合模型的去雾方法，目标检测性能有明显的提高，有助于户外无人机航拍应用。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。