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！

龙图腾网获悉哈尔滨工业大学申请的专利基于无监督学习的多源红外遥感图像特征对齐与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：CN120070525B 。

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：202510235945.X，技术领域涉及：G06T7/33；该发明授权基于无监督学习的多源红外遥感图像特征对齐与配准方法是由江世凯;卢泓宇;智喜洋;张鹏飞;胡建明;张伟设计研发完成，并于2025-02-28向国家知识产权局提交的专利申请。

本基于无监督学习的多源红外遥感图像特征对齐与配准方法在说明书摘要公布了：基于无监督学习的多源红外遥感图像特征对齐与配准方法，属于遥感图像处理领域。所述方法是：使用基于图像金字塔的多阶段网络提取特征相关性，以实现在特征层次上多尺度的预测；使用对全局特征和局部特征分别提取并融合的方法，以保障配准精度的有效提升；使用Transformer模块对目标图像和参考图像的特征进行相关性分析，以实现更远距离和更为精确的特征相关性捕捉；使用基于特征区域离散检测的细节特征提取机制，以去除冗余信息，有助于配准精度的提升。该方法采用多阶段特征提取网络和Transformer模块对图像相关性特征进行提取，并基于离散特征检测，在剔除异常特征区域的同时对有效局部特征区域进行挑选和拼接，实现局部高分辨率特征与全局低分辨率特征的融合。

本发明授权基于无监督学习的多源红外遥感图像特征对齐与配准方法在权利要求书中公布了：1.一种基于无监督学习的多源红外遥感图像特征对齐与配准方法，其特征在于：所述方法包括以下步骤： 步骤一：使用基于图像金字塔的多阶段网络提取特征相关性，以实现在特征层次上多尺度的预测；所述使用基于图像金字塔的多阶段网络提取特征相关性；具体为： 步骤一一：对两幅或多幅输入的红外遥感图像，采用共享权重的卷积神经网络层进行特征提取与降采样，网络结构采用YOLO-V8主干网络，由基础卷积模块和模块组合而成，利用跨步卷积实现图像的多尺度降采样； 步骤一二：多阶段网络在原分辨率、12分辨率及18分辨率三个层级上分别对图像特征进行提取； 步骤一三：利用每一层提取的图像特征逐级估计单应性，并将估计的上层单应性传递给下层，用以逐步提高单应性估计的精度，从而实现从粗到精的单应性预测； 步骤二：在步骤一基础上，使用对全局特征和局部特征分别提取并融合的方法，以保障配准精度的有效提升；所述全局特征通过图像金字塔顶层获得，具体为： 各级图像特征在基于上层单应性矩阵扭曲后重新通过剩余网络处理，最终得到顶层特征，且每级全局特征的分辨率和尺度相同；所述局部特征则是通过对每级图像特征进行抠块操作后拼接获得，每级局部特征的尺度相同，但分辨率逐级递增；步骤三：在步骤二对特征进行处理后，使用Transformer模块对目标图像和参考图像的特征进行相关性分析，以实现更远距离和更为精确的特征相关性捕捉；所述使用Transformer模块对目标图像和参考图像的特征进行相关性分析，以实现更远距离和更为精确的特征相关性捕捉；具体为： 步骤三一：全局特征采用整体特征图自注意力分析，通过Transformer模块捕捉大基线下的全局相关性，保障大基线下的相关性提取性能；局部特征采用Swim-Transformer模块，将开窗尺寸设置为分块尺寸，且深度为1； 步骤三二：在利用多阶段网络提取各级特征并计算相关性后，设计一个回归网络，由卷积层和全连接层组合而成，以预测用于确定单应性的四个顶点位移；除顶层特征外，多阶段网络的每一级对扭曲后的目标特征和参考特征进行相关性提取，即仅预测与上一级的残差偏移量，而不预测完整的偏移量； 步骤三三：通过求解最终偏移量计算获得的单应性对目标图像进行扭曲实现图像的粗对齐；各阶段的单应性估计能力利用每级得到扭曲图像和参考图像进行无监督训练； 步骤四：使用基于特征区域离散检测的细节特征提取机制，以去除冗余信息，提升配准精度；所述使用基于特征区域离散检测的细节特征提取机制，以去除冗余信息，提升配准精度；具体为： 步骤四一：提供一个特征检测头，该特征检测头由N+3层卷积层组合而成，其中前N层对当前阶段的高分辨率特征图进行N次下采样，中间两层对特征进行提取，最后一层为1×1卷积层，用于对强特征的置信度回归计算，以得到的置信度图，所述置信度图中每个位置的值表示该位置对应强特征区域的可信度； 步骤四二：在置信度图中，输出置信度最高的前个点的坐标，并将其恢复到原始分辨率下，获得强特征区域中心点坐标，公式如下所示： 式中，为下采样分辨率下特征点位置坐标，为原始分辨率下特征点位置坐标，为抠块宽度，H、W分别为特征图长和宽； 步骤四三：基于特征检测获得强特征区域中心点坐标后，以所述强特征区域中心点坐标为中心，以抠块宽度为半径构建强特征区域的位置掩膜，并对高分辨率特征图进行抠块提取； 步骤四四：对所述高分辨率特征图中每个像素进行位置编码； 步骤四五：生成绝对位置信息图，尺度为，其中，2表示两个通道的信息，两个通道中分别存储对应像素的行和列坐标，并对所述坐标进行归一化处理； 步骤四六：经由卷积层处理后生成尺度为的位置编码，并与原分辨率特征相加，实现位置信息的添加；其中，为特征通道的数量； 步骤四七：利用强特征区域位置掩膜对添加了位置编码的原分辨率特征进行分割抠块，获得个尺度为的图像块，其中，和分别为抠块图像的长和宽，大小为； 步骤四八：将图像块经由拼接重组，获得尺度为=的新局部特征图。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。