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！

龙图腾网获悉重庆邮电大学申请的专利光学遥感图像与SAR图像融合的渐进式修复框架去云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：CN117058059B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202311027337.7，技术领域涉及：G06T5/77；该发明授权光学遥感图像与SAR图像融合的渐进式修复框架去云方法是由罗小波;郭海洪设计研发完成，并于2023-08-15向国家知识产权局提交的专利申请。

本光学遥感图像与SAR图像融合的渐进式修复框架去云方法在说明书摘要公布了：本发明涉及一种光学遥感图像与SAR图像融合的渐进式修复框架去云方法，属于遥感图像去云领域，该渐进式修复框架具体分为粗略、细化两个阶段，并在第二阶段细化修复网络中嵌入连贯语义注意层CSA，从而保留上下文结构，通过建模缺失区域特征之间的语义相关性更有效的预测缺失部分，此外，为了提高图像的结构相似性和全局一致性，本发明还构建损失函数时区分有云区域与无云区域，并且约束有云区域的边界，使得云去除图像结构更加清晰。

本发明授权光学遥感图像与SAR图像融合的渐进式修复框架去云方法在权利要求书中公布了：1.一种光学遥感图像与SAR图像融合的渐进式修复框架去云方法，其特征在于：包括以下步骤： S1：获取光学遥感影像数据集，并划分为训练集、验证集和测试集；所述数据集中包括哨兵1号SAR图像、哨兵2号有云光学图像以及哨兵2号临近时间无云光学图像； S2：批量将哨兵2号有云光学图像、哨兵1号SAR图像输入到渐进式修复框架中，基于简单的扩张卷积结合重建损失对缺失区域进行训练得到粗略预测；再提取和融合SAR图像和RGB图像的全局和局部信息，得到细化修复后的图像；根据哨兵2号无云图像与细化网络修复后的云去除图像计算模型的损失函数并评估去云模型精度，依据模型精度变化调整网络模型参数，多次调整和训练后完成模型收敛；步骤S2中所述的渐进式修复框架，具体分为粗略、细化两个阶段； 其中粗略修复阶段采用的是通用编码器-解码器网络结构，网络包括11层，前5层形成收缩路径，第6层到第10层形成扩展路径；在收缩路径中，所有三个网络的第j层的大小为，j=1、2、3、4、5，卷积块执行多通道二维卷积，步长为1或2；扩展路径与生成器G和判别器D的转置卷积块具有对称结构，在每层中的通道数量增加了一倍；第11层是具有卷积操作和sigmoid激活函数的标准输出层；ConvBlock由多通道2-D卷积和整流线性单元ReLU组成，转置的ConvBlock由转置的2-D卷积、批量归一化BN和ReLU组成，在本步骤中遵循并在激活函数之前执行BN操作； 步骤S2中的细化修复阶段包含残差分支和重建分支；所述残差分支复制并保留输入的哨兵2号有云图像，等待与重建分支的输出合并；所述重建分支有三个步骤：预处理、编码-解码和图像恢复；在预处理中，提取多源图像的浅层特征，并将其映射到编码阶段指定的形状；编解码部分为U型结构，预处理后得到的浅层特征首先进入编码阶段，得到高维特征；在编码阶段，对高维特征进行解码以获得具有与输入相同形状的重构特征图；此外，连贯语义注意层CSA嵌入在编码器的第四层；解码器的结构与没有CSA层的编码器对称，所有4×4卷积都是反卷积的；在图像恢复阶段，建立映射以确保重建分支的输出与RGB图像的形式一致，最终将重建的图像与RGB输入图像合并；所述连贯语义注意层CSA用于构建缺失区域的深度特征之间的相关性； 所述连贯语义注意层CSA的计算步骤如下： 输入当前批次的特征图集； 提取已知区域中的图像块并将其重塑为卷积滤波器，应用于缺失区域M； 计算得到记录最大的相互关联值和最接近的匹配神经补丁： 使用最相似的上下文初始化； 计算两个相邻生成补丁之间的相似性 得到的注意图： ,=0 将注意图与结合得到注意矩阵； 重用已知区域作为反卷积得到特征图集； 输出重建的特征图集； S3：基于步骤S2完成训练的模型，批量输入云区验证样本数据集，生成无云的光学图像，完成云去除任务。

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邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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”。

以上内容由龙图腾AI智能生成。