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！

龙图腾网获悉重庆市畜牧科学院;生猪技术创新中心(重庆)申请的专利一种基于深度学习的可见光-红外双模态图像配准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：CN120525935B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202511020876.7，技术领域涉及：G06T7/33；该发明授权一种基于深度学习的可见光-红外双模态图像配准方法是由王浩;刘易雪;曾雅琼;齐仁立;谭琼设计研发完成，并于2025-07-24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可见光-红外双模态图像配准方法在说明书摘要公布了：本发明公开了一种基于深度学习的可见光‑红外双模态图像配准方法，该方法包括：获取同一场景下的可见光图像和红外图像；图像预处理；对预处理后的可见光图像和预处理后的红外图像分别进行特征提取，并使用双注意力机制对特征提取结果进行特征增强；对增强的可见光图像特征和增强的红外图像特征进行多尺度特征融合，生成跨模态的融合特征；将跨模态的融合特征输入变形场估计网络，生成对变形场的估计结果；将变形场的估计结果应用到红外图像以配准对应的可见光图像。本发明的方法有效解决了面向生猪体温非接触式预测场景的可见光图像与红外热成像之间的跨模态配准难题，实现高精度的像素级对齐，为非接触式猪只体温监测提供技术基础。

本发明授权一种基于深度学习的可见光-红外双模态图像配准方法在权利要求书中公布了：1.一种基于深度学习的可见光‑红外双模态图像配准方法，其特征在于，包括： 步骤1：获取同一场景下两个不同模态的图像，即可见光图像和红外图像； 步骤2：对可见光图像和红外图像分别进行预处理； 步骤3：对预处理后的可见光图像和预处理后的红外图像分别进行特征提取，并使用双注意力机制对特征提取结果进行特征增强，生成增强的可见光图像特征图和增强的红外图像特征图，双注意力机制包括通道注意力和空间注意力； 步骤4：对增强的可见光图像特征和增强的红外图像特征进行多尺度特征融合，生成跨模态的融合特征； 步骤5：将跨模态的融合特征输入变形场估计网络，生成对变形场的估计结果，其中，变形场估计网络为基于可变形卷积的分层变形场估计网络，变形场估计网络包含多层变形场估计子网络，每层变形场估计子网络生成该层对应的变形场估计结果； 步骤6：将变形场的估计结果应用到红外图像以配准对应的可见光图像，其中，步骤5包括： S51：将跨模态的融合特征构建为多层特征金字塔结构，每层的空间分辨率依次递减，分辨率最高的一层为第一层，分辨率最低的一层为最上层，每层特征对应一个变形场估计子网络； S52：对于最上层，使用该层特征进行变形场估计，生成最上层的变形场估计结果； S53：对于除最上层之外的其他层，使用该层特征以及上一层的变形场估计结果的上采样结果作为该层变形场估计子网络的输入，从而得到该层的变形场估计结果； S54：将第一层的变形场估计结果作为总的变形场估计结果D，变形场估计网络的输出还包括用于预测对数方差的分支，所述方法还包括在变形场估计网络的最高分辨率层进行贝叶斯不确定性建模，贝叶斯不确定性包括认知不确定性和偶然不确定性，对贝叶斯不确定性建模包括： 在贝叶斯框架下将第一层的变形场估计子网络中的权重参数建模为概率分布，并在推理阶段保持Dropout层激活； 通过多次前向传播并对变形场的预测结果进行采样，从而计算变形场的均值和方差，即认知不确定性的均值和方差； 将跨模态的融合特征通过预测对数方差的分支，从而生成偶然不确定性的方差； 通过认知不确定性方差和偶然不确定性方差，得到总的不确定性方差，所述总的不确定性方差用于生成置信度图，以评估配准质量。

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重庆市畜牧科学院;生猪技术创新中心(重庆)，其通讯地址为：402460 重庆市荣昌区昌州街道昌龙大道51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”。