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！

龙图腾网获悉广东海洋大学申请的专利基于深度学习的红外图像和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：CN120107089B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202510585967.9，技术领域涉及：G06T5/60；该发明授权基于深度学习的红外图像和可见光图像融合方法及系统是由李声师;张永滋;肖秀春设计研发完成，并于2025-05-08向国家知识产权局提交的专利申请。

本基于深度学习的红外图像和可见光图像融合方法及系统在说明书摘要公布了：本发明涉及图像处理技术领域，具体涉及一种基于深度学习的红外图像和可见光图像融合方法及系统，方法包括：构建图像融合网络，所述图像融合网络包括编码器、融合模块和解码器；所述编码器包括红外编码器和可见光编码器；将所述编码器和解码器构成一个U形网络，基于第一阶段损失函数对所述U形网络进行训练，得到训练好的编码器；将所述编码器的参数固定，基于第二阶段损失函数对所述图像融合网络进行训练，得到训练好的图像融合网络；采用训练好的图像融合网络对输入的红外图像和可见光图像进行融合，生成融合图像；本发明能够提高融合图像的质量。

本发明授权基于深度学习的红外图像和可见光图像融合方法及系统在权利要求书中公布了：1.一种基于深度学习的红外图像和可见光图像融合方法，其特征在于，所述方法包括以下步骤： 构建图像融合网络，所述图像融合网络包括编码器、融合模块和解码器；所述编码器包括红外编码器和可见光编码器； 将所述编码器和解码器构成一个U形网络，基于第一损失函数对所述U形网络进行训练，得到训练好的编码器； 将所述编码器的参数固定，基于第二损失函数对所述图像融合网络进行训练，得到训练好的图像融合网络； 采用训练好的图像融合网络对输入的红外图像和可见光图像进行融合，生成融合图像； 所述采用训练好的图像融合网络对输入的红外图像和可见光图像进行融合，生成融合图像，包括： 获取输入的红外图像和可见光图像； 将红外图像和可见光图像输入编码器，输出多层特征图；所述特征图包括红外特征图和可见光特征图； 在通道方向上分别将每层特征图中的红外特征图和可见光特征图进行拼接，得到多层拼接图； 将多层拼接图输入融合模块进行处理，得到融合特征图； 将融合特征图输入解码器进行处理，得到融合图像； 所述红外编码器和可见光编码器均包括依次级联的3个用于编码器的小波卷积模块和2个基于分块的柯尔莫哥洛夫-阿诺尔德特征提取模块；所述用于编码器的小波卷积模块依次由普通卷积层、反射填充层、小波卷积层、批归一化层和修正线性单元组成； 所述融合模块包括通道注意力机制、大核注意力机制和卷积模块，所述卷积模块包括普通卷积层、反射填充层、批归一化层和修正线性单元； 所述将多层拼接图输入融合模块进行处理，得到融合特征图，包括： 将多层拼接图分别输入对应的通道注意力机制，得到通道注意力特征图；所述通道注意力机制用公式表示如下： ； 其中，表示第层的通道注意力特征图，表示全局平均池化，表示全连接层；表示sigmoid激活函数；符号表示矩阵乘法；是第层的拼接图； 将通道注意力特征图输入大核注意力机制，得到大核卷积注意力特征图；所述大核注意力机制用公式表示如下： ； ； 其中，表示第层大核卷积注意力特征图，表示深度卷积；表示深度扩张卷积；表示的卷积操作； 由卷积模块对多层注意力拼接图进行处理，得到融合特征图；所述卷积模块用公式表示如下： ； 其中，表示第层融合特征图，表示卷积操作，其卷积核为3，步长为1；表示反射填充操作，其填充数为1；表示批归一化操作；表示修正线性单元。

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广东海洋大学，其通讯地址为：524000 广东省湛江市麻章区海大路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”。