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！

龙图腾网获悉中国矿业大学;燕园智能科技(徐州)有限公司申请的专利基于自监督学习的低照明度空间目标对比特征增强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：CN119991529B 。

龙图腾网通过国家知识产权局官网在2025-07-04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：202510476338.2，技术领域涉及：G06T5/90；该发明授权基于自监督学习的低照明度空间目标对比特征增强方法是由赵作鹏;成晓涵;李永康;刘文文;胡帅设计研发完成，并于2025-04-16向国家知识产权局提交的专利申请。

本基于自监督学习的低照明度空间目标对比特征增强方法在说明书摘要公布了：基于自监督学习的低照明度空间目标对比特征增强方法，步骤包括：采集空间图像；对采集到的空间图像进行预处理操作；对数据增强后的数据进行特征提取；对特征提取后的图像进行噪声抑制；对噪声抑制后的图像的关键区域进行特征增强；将特征增强后的图像进行相似特征归类并进行目标识别与分析；对已完成目标分析的图像进行图像增强。本发明实现了自监督学习驱动的图像特征增强，获得更全面和精准的场景信息；通过尺度不变特征变换算法，确保在低照明条件下图像特征的稳定性和一致性，提高特征增强的准确性。有效抑制低照明环境下的噪声干扰，增强目标特征的显著性，扩大了基于自监督学习的低照明图像特征增强技术的适用范围。

本发明授权基于自监督学习的低照明度空间目标对比特征增强方法在权利要求书中公布了：1.基于自监督学习的低照明度空间目标对比特征增强方法，其特征在于，包括如下步骤： Step1、采集低照明度空间场景下的空间图像； Step2、对Step1中采集到的低照明度空间图像进行数据输入和数据增强操作，包括旋转、裁剪； Step3、采用自监督对比学习机制对Step2中数据增强之后的图像进行特征提取； Step4、采用自适应噪声抑制机制对Step3中特征提取之后的图像进行动态噪声抑制；具体步骤包括： Step4.1、首先，对图像中的局部区域进行噪声强度估计，利用自监督学习框架自动识别图像中包含噪声的区域，并基于这些区域的噪声分布模型进行噪声的估计与抑制；其次，引入噪声权重映射W来表示每个区域的噪声强度，噪声抑制损失函数如公式所示： ； 其中，表示输入暗弱空间图像S中第i个区域的特征，是去噪后的图像中对应区域的特征，是根据区域噪声强度调整的自适应噪声权重，是指示函数； Step4.2、进一步引入自监督对比学习机制对动态噪声抑制之后的图像进行特征学习和对比优化，在对比学习过程中，设计一个包含正负样本对比的机制，正样本通过图像增强生成，负样本则来自不同图像或背景区域，对比学习的损失函数如公式所示： ； 其中，和分别是来自输入图像S和增强图像T的特征表示，是温度系数，是负样本，N是负样本的数量； Step5、采用注意力机制对Step4中动态噪声抑制之后的图像的关键区域进行特征增强； Step6、采用基于密度的聚类算法对Step5中特征增强后的图像进行相似特征归类并进行目标识别与分析； Step7、采用非正则化自监督学习机制对Step6中目标分析后的图像进行图像增强，具体步骤为：Step7.1、采用双边滤波技术对输入的低照明度图像进行平滑处理，初步估计照明图，通过以下公式实现： ； 其中，表示初步的照明图，S表示输入的低照明度图像； Step7.2、利用自监督学习模型进一步优化刚才得到的初步照明图，利用以下公式实现： ； 其中，为模型参数，通过优化训练得到；为自监督学习模型；为初步照明图，S为输入的低照明度图像； Step7.3、应用校正因子r对照明图进行调整，得到调整后的照明图，用以下公式实现： ； 其中，r为校正因子，通过训练过程自动学习得到，为调整后的照明图，为优化照明图； Step7.4、根据Retinex理论计算反射率图，通过以下公式实现： ； 其中，为反射率图，为输入的低照明度图像，为调整后的照明图； 将反射率图R作为增强后的图像，并通过放大其强度值实现可视化，通过以下公式实现： ； 其中，函数用于放大反射率图的强度值。

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中国矿业大学;燕园智能科技(徐州)有限公司，其通讯地址为：221100 江苏省徐州市铜山区大学路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”。