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！

龙图腾网获悉西北大学申请的专利一种基于深度学习的多时相遥感图像厚云去除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：CN117237213B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202311103905.7，技术领域涉及：G06T5/73；该发明授权一种基于深度学习的多时相遥感图像厚云去除方法是由姜博;贾俊豪;汪霖;陈晓璇;屈宏佳;种豪展;周延;孟娜;张嘉洋设计研发完成，并于2023-08-30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多时相遥感图像厚云去除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多时相遥感图像厚云去除方法，包括以下步骤：步骤1，构建模拟厚云遮挡遥感数据集；步骤2，构建第一阶段全局多时相特征融合网络；步骤3，构建第二阶段局部单时相信息恢复网络；步骤4，通过两阶段网络构建多时相遥感图像厚云去除总网络模型；步骤5，以L1损失函数为基础构建关于第一阶段和第二阶段网络总损失函数；步骤6，通过遥感图像模拟数据集训练多时相遥感图像厚云去除网络模型，通过总损失函数驱动网络模型的训练并指导网络模型的优化。本发明结合CNN卷积神经结构和Transformer结构，为遥感图像处理中具有挑战性的厚云去除问题提供了有效的解决方案。

本发明授权一种基于深度学习的多时相遥感图像厚云去除方法在权利要求书中公布了：1.一种基于深度学习的多时相遥感图像厚云去除方法，其特征在于，包括以下步骤： 步骤1，生成厚云遮挡遥感图像，构建厚云遮挡遥感图像模拟数据集； 步骤2，通过CNN结构和Transformer结构设计处理模块，所述处理模块对多时相级联图像进行全局特征融合，构建模型第一阶段全局多时相特征融合网络； 步骤3，构建模型第二阶段局部单时相信息恢复网络，通过跨阶段特征融合第一阶段的全局多时相信息，在去云过程中对遥感图像厚云遮挡区域进行信息补充； 步骤4，通过第一阶段全局多时相特征融合网络和第二阶段局部单时相信息恢复网络构建多时相遥感图像厚云去除网络模型； 步骤5，以L1损失函数为基础构建关于第一阶段全局多时相特征融合网络和第二阶段局部单时相信息恢复网络的总损失函数； 步骤6，通过所述厚云遮挡遥感图像模拟数据集对所述多时相遥感图像厚云去除网络模型进行训练，在训练过程中通过总损失函数指导网络模型参数的优化； 所述第一阶段的全局多时相特征融合网络的构建方法为： 1），通过CNN结构和Transformer结构分别设计处理模块； 2），通过处理模块对多时相级联图像进行特征粗提取、特征细化与特征融合，生成融合多时相信息的全局特征图，本发明以三时相为例； 3），通过跳跃连接形成全局多时相特征融合网络模型； 所述第一阶段的全局多时相特征融合网络模型构建方法的流程化公式如式一所示： 式一； 其中，表示对三时相进行级联，为多时相级联后的图像，W表示特征粗提取模块，M表示编码器解码器模块，为生成的多时相全局特征注意力图，Split表示切片操作，表示第一阶段生成三个时相图像对应的特征图； 在步骤3中，所述第二阶段局部单时相信息恢复网络的构建过程为： S1，输入单时相图像； S2，采用特征细化模块对提取的特征图进行进一步细化； S3，通过跨阶段特征融合的方式将所述第一阶段全局多时相特征融合网络中的全局特征信息传递到所述第二阶段局部单时相信息恢复网络中，通过所述第二阶段局部单时相信息恢复网络去除遥感图像中的厚云遮挡，用以恢复被厚云遮挡的局部地面纹理与结构； 所述第二阶段局部单时相信息恢复网络的构建过程的流程化公式如式五所示: 式五； 其中，X M 表示第一阶段编码器解码器模块跨阶段传递的信息，用于第二阶段局部单时相信息恢复，X k 表示第k个待去云的时相图像，表示第k个已经完成局部厚云去除的图像，W表示特征粗提取模块，M表示编码器解码器模块。

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西北大学，其通讯地址为：710000 陕西省西安市太白北路229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”。