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！

龙图腾网获悉中山大学申请的专利一种遥感图像光谱超分辨率重建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：CN119273545B 。

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：202411335103.3，技术领域涉及：G06T3/4053；该发明授权一种遥感图像光谱超分辨率重建方法是由贺智;周承乐;孙语聪设计研发完成，并于2024-09-24向国家知识产权局提交的专利申请。

本一种遥感图像光谱超分辨率重建方法在说明书摘要公布了：本发明公开了一种遥感图像光谱超分辨率重建方法，包括：获取遥感RGB图像数据集，并将每张遥感RGB图像对应转化为参考高光谱图像；将遥感RGB图像数据集输入构建的分层语义感知CNN‑Transformer模型中，生成对应的重构高光谱图像；根据所述参考高光谱图像和重构高光谱图像构建频谱和空间损失函数，对所述模型进行训练，得到训练好的分层语义感知CNN‑Transformer模型；将待重建遥感RGB图像，输入到训练好的模型，获得重建好的高光谱图像。本发明能够有效防止信息丢失，提升模型在不同使用情景下的稳定性，更准确地从遥感RGB图像中重建高光谱图像。

本发明授权一种遥感图像光谱超分辨率重建方法在权利要求书中公布了：1.一种遥感图像光谱超分辨率重建方法，其特征在于，包括： S1：获取遥感RGB图像数据集，并将每张遥感RGB图像对应转化为参考高光谱图像； S2：将遥感RGB图像数据集输入构建的分层语义感知CNN-Transformer模型中，生成对应的重构高光谱图像； S3：根据所述参考高光谱图像和重构高光谱图像构建总训练损失函数，对分层语义感知CNN-Transformer模型进行训练，得到训练好的分层语义感知CNN-Transformer模型； S4：获取待重建遥感RGB图像，输入到训练好的分层语义感知CNN-Transformer模型，获得重建好的高光谱图像； 所述分层语义感知CNN-Transformer模型包括初始频谱估计模块、第一深度卷积层、Concat层、第二深度卷积层、第一语义感知卷积神经网络-转换器单元、第三深度卷积层、第一拼接层、第一卷积层、PixelUnshuffle模块、第四深度卷积层、第二语义感知卷积神经网络-转换器单元、第五深度卷积层和PixelShuffle模块； 初始频谱估计模块、第一深度卷积层、Concat层、第二深度卷积层、第一语义感知卷积神经网络-转换器单元、第三深度卷积层、第一拼接层和第一卷积层依次连接； PixelUnshuffle模块、第四深度卷积层、第二语义感知卷积神经网络-转换器单元、第五深度卷积层和PixelShuffle模块依次连接，PixelShuffle模块的输出端与Concat层的输入端连接； 初始频谱估计模块的输出端还分别与PixelUnshuffle模块第一拼接层的输入端连接； 第一语义感知卷积神经网络-转换器单元包括N个依次连接的语义感知卷积神经网络-转换器模块，第二语义感知卷积神经网络-转换器单元包括N-1个依次连接的语义感知卷积神经网络-转换器模块； 每个所述语义感知卷积神经网络-转换器模块均包括依次连接的第一多态超像素卷积子模块、结构感知卷积神经网络子模块、第二拼接层、LeakyReLU激活层、第二多态超像素卷积子模块、频谱感知转换器子模块和第三拼接层； 第一多态超像素卷积子模块和第二多态超像素卷积子模块均由N个多态超像素卷积器依次连接； 第一多态超像素卷积子模块的输入端还与第二拼接层的输入端连接，LeakyReLU激活层的输入端还与第三拼接层的输入端连接； 所述多态超像素卷积器包括超像素语义器、第四拼接层、恢复频谱信息器、恢复空间细节器、频谱空间恢复器和融合器； 超像素语义器的输入端和输出端均与第四拼接层的输入端连接，第四拼接层的输出端分别与恢复频谱信息器、恢复空间细节器和频谱空间恢复器的输入端连接，恢复频谱信息器、恢复空间细节器和频谱空间恢复器的输出端均与融合器的输入端连接； 所述超像素语义器包括依次连接的第六深度卷积层、第二卷积层、Probability处理层、Softmax处理层和RegionLabels处理层。

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中山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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。