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！

龙图腾网获悉武汉大学申请的专利一种基于有监督、无监督学习相结合的遥感图像融合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：CN116205830B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202310116959.0，技术领域涉及：G06T5/50；该发明授权一种基于有监督、无监督学习相结合的遥感图像融合方法是由柯成杰;田昕;孙硕设计研发完成，并于2023-02-09向国家知识产权局提交的专利申请。

本一种基于有监督、无监督学习相结合的遥感图像融合方法在说明书摘要公布了：本发明提出了一种基于有监督、无监督学习相结合的遥感图像融合方法，来解决遥感图像融合领域中不同卫星下神经网络的弱泛化性导致融合图像不清晰的问题。我们利用Unet网络和Transformer网络相结合构建的有监督学习模型来学习全色、多光谱图像之间的先验映射关系。然后在切换卫星场景下，通过加载有监督学习中的模型参数得到初步融合图像，再利用损失函数驱动来对光谱、空间进行调整，克服了在某一颗卫星上训练的神经网络在其他遥感卫星下的弱泛化性。通过有监督、无监督相结合，既能够利用有监督学习全色、多光谱图像的一般先验映射关系，也能够利用无监督学习来自适应调整空间、光谱。因此，自适应调整后的多光谱图像空间细节清晰。

本发明授权一种基于有监督、无监督学习相结合的遥感图像融合方法在权利要求书中公布了：1.一种基于有监督、无监督学习相结合的遥感图像融合方法，其特征在于，包括如下步骤： 步骤1，构建细节差异提取模块，用于提取多光谱、全色图像间的细节差异； 步骤1的具体实现方式如下； 步骤1.1，将单通道全色图像沿通道方向复制为多通道图像，通道数与多光谱图像相同； 步骤1.2，将多光谱图像上采样，以匹配全色图像的尺寸； 步骤1.3，将复制得到的全色图像和上采样的多光谱图像相减，提取到多光谱、全色图像间的细节差异； 步骤2，构建Unetformer模块，通过有监督学习来调整注入细节，并将细节注入多光谱图像； 步骤2中所述Unetformer模块包括编码器、Transformer块和解码器，其输入为步骤1中的细节差异，具体实现方式如下； 步骤2.1，编码器采用4层卷积层，卷积核数量逐层增大，以提取多维度特征，前3层卷积层后面跟着一个平均池化操作，使得图像尺寸减小，卷积核的感受野就能覆盖到特征图的更多部分，来增加感受野的大小，最终编码器输出，C表示通道数； 步骤2.2，Transformer块中的块嵌入模块将特征图像切分成个图像块，并且将其展平成图像块序列： 其中，，，，是特征通道数量，H、W是图像的图像大小，h、w是图像块大小； 步骤2.3，使用三个矩阵、、与图像块序列相乘，映射得到查询向量、键向量、值向量，，将Q、K、V中的特征通道数量拆分到多个注意力头中： ，其中，是注意力头的数量，是每个注意力头的特征通道数量，、、这三个矩阵是可学习的参数，初始化是随机产生； 步骤2.4，对每个注意力头，计算和个特征通道上的特征相似度： 其中，表示第个注意力头上图像块序列内的两两图像块之间的自相似度； 步骤2.5，将步骤2.4得到的图像块序列间的相关性通过softmax函数进行归一化： 步骤2.6，针对计算出来的自相似度，对值向量的所有图像块序列进行加权求和计算，得到第个注意力头的输出向量计算如下： 步骤2.7，通过自注意力，同时得到各个注意力头的输出向量，最后将所有注意力头的输出向量拼接起来，得到最后的输出向量： 其中，； 步骤2.8，将输出向量通过维度变换折叠成特征图像，得到输出特征图像； 步骤2.9，解码器采用4层卷积层，在前3层卷积层中，特征图像首先通过反卷积增大图像尺寸，再与编码器对应层的输出级联，然后通过卷积层，最后第4层一个卷积核数量为4的卷积操作将图像从特征域映射回图像域； 步骤2.10，通过一个跳跃连接，将解码器输出与上采样的多光谱图像相加，将空间细节注入到多光谱图像中，得到最终的融合图像； 步骤3，构建有监督目标函数训练图像融合模型，学习遥感图像光谱和空间先验知识得到融合图像，所述图像融合模型包括细节差异提取模块、Unetformer模块； 步骤4，构建自适应调整网络以得到重建的融合图像，利用空间、光谱损失函数无监督驱动图像进行空间、光谱的调整； 步骤5，利用一颗卫星的仿真数据训练上述图像融合模型，并用训练好的图像融合模型在其他卫星上通过自适应调整网络进行图像调整。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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。