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！

龙图腾网获悉中国电建集团北京勘测设计研究院有限公司;中国水利水电科学研究院申请的专利一种基于深度学习的航拍图像细节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：CN119624810B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202411714364.6，技术领域涉及：G06T5/60；该发明授权一种基于深度学习的航拍图像细节增强方法是由刘慧文;詹红丽;郭兴;马壮;胡小青;张大伟设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本一种基于深度学习的航拍图像细节增强方法在说明书摘要公布了：本发明提供一种基于深度学习的航拍图像细节增强方法，包括：构建带有记忆状态的循环卷积神经网络；所述带有记忆状态的循环卷积神经网络包括去噪网络、事件重构图像网络和融合网络；低光照场景，通过视觉相机和普通相机，在每个采集周期，分别采集得到目标区域的低质量视频帧序列VL*和低质量事件流FL*，输入到训练完成的所述带有记忆状态的循环卷积神经网络，输出重建的第一高质量视频帧序列VHR1*，即为最终得到的图像细节增强后的视频帧序列。本发明所设计的模型，同时利用了事件流数据所具备的高动态范围信息，与图像帧序列数据所具备的高纹理细节信息，可融合构建出同时具备高动态范围与高纹理细节信息的视觉感知增强图像。

本发明授权一种基于深度学习的航拍图像细节增强方法在权利要求书中公布了：1.一种基于深度学习的航拍图像细节增强方法，其特征在于，包括以下步骤： 步骤S1，获取训练样本集；所述训练样本集中的每个训练样本同时包括对同一个区域真实采集得到的对应同一段时间区间的高质量事件流、低质量事件流、低质量视频帧序列和高质量视频帧序列； 其中：所述高质量事件流和所述低质量事件流，通过视觉相机采集得到；所述高质量视频帧序列和所述低质量视频帧序列，通过普通相机采集得到； 步骤S2，对于每个训练样本，进行数据预处理，得到预处理后的训练样本；所述预处理后的训练样本中，包括预处理后的高质量事件流、低质量事件流、低质量视频帧序列和高质量视频帧序列，将高质量事件流、低质量事件流、低质量视频帧序列和高质量视频帧序列，分别表示为：高质量事件流FH、低质量事件流FL、低质量视频帧序列VL和高质量视频帧序列VH； 步骤S3，构建带有记忆状态的循环卷积神经网络；所述带有记忆状态的循环卷积神经网络包括去噪网络、事件重构图像网络和融合网络； 步骤S4，采用所述预处理后的训练样本，对所述带有记忆状态的循环卷积神经网络进行训练，得到训练完成的所述带有记忆状态的循环卷积神经网络，具体训练方法为： 步骤S4.1，将所述低质量事件流FL输入所述去噪网络，经所述去噪网络进行去噪处理，生成事件流FL1； 步骤S4.2，将步骤S4.1生成的事件流FL1输入到所述事件重构图像网络，所述事件重构图像网络输出重建的视频帧序列VR； 步骤S4.3，将所述步骤S4.2得到的重建的视频帧序列VR和所述低质量视频帧序列VL输入到所述融合网络，所述融合网络输出重建的第一高质量视频帧序列VHR1； 步骤S4.4，将所述高质量事件流FH输入到所述事件重构图像网络，所述事件重构图像网络输出重建的第二高质量视频帧序列VHR2； 步骤S4.5，计算重建的视频帧序列VR和重建的第二高质量视频帧序列VHR2之间的第一损失函数值； 计算重建的视频帧序列VR和高质量视频帧序列VH之间的第二损失函数值； 计算重建的第一高质量视频帧序列VHR1和高质量视频帧序列VH之间的第三损失函数值； 对第一损失函数值、第二损失函数值和第三损失函数值进行综合，得到综合损失函数值； 步骤S4.6，根据所述综合损失函数值，更新所述带有记忆状态的循环卷积神经网络的网络参数； 返回步骤S4.1，采用下一个训练样本，对所述带有记忆状态的循环卷积神经网络进行继续训练，直到所述带有记忆状态的循环卷积神经网络达到训练终止条件； 步骤S5，在低光照场景，通过视觉相机和普通相机，在每个采集周期，分别采集得到目标区域的低质量视频帧序列VL*和低质量事件流FL*，输入到训练完成的所述带有记忆状态的循环卷积神经网络，输出重建的第一高质量视频帧序列VHR1*，即为最终得到的图像细节增强后的视频帧序列。

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电建集团北京勘测设计研究院有限公司;中国水利水电科学研究院，其通讯地址为：100024 北京市朝阳区定福庄西街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”。