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！

龙图腾网获悉合肥工业大学申请的专利一种基于多尺度自编码器的多曝光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：CN115689962B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202211424921.1，技术领域涉及：G06T5/50；该发明授权一种基于多尺度自编码器的多曝光图像融合方法是由刘羽;杨智刚;成娟;李畅;宋仁成;陈勋设计研发完成，并于2022-11-14向国家知识产权局提交的专利申请。

本一种基于多尺度自编码器的多曝光图像融合方法在说明书摘要公布了：本发明公开了一种基于多尺度自编码器的多曝光图像融合方法，包括：1数据准备、数据预处理、构建多尺度自编码器网络，主要包括多尺度编码器和解码器，其中编码器包括卷积及激活函数、视觉转换器，主要做多尺度特征提取；编码器为多尺度融合密集跨连接的卷积及激活函数，主要做图像重建；2对输入的多曝光图像对进行融合，包括网络训练和多曝光图像融合。本发明能充分利用过曝光图像和欠曝光图像中的互补和冗余信息来融合出质量更好的高质量图像，为人眼观察提供质量较好的图像，同时给图像的分割、分类等计算机视觉任务提供支持，从而辅助人眼识别和计算机分析处理等研究。

本发明授权一种基于多尺度自编码器的多曝光图像融合方法在权利要求书中公布了：1.一种基于多尺度自编码器的多曝光图像融合方法，其特征在于，包括如下步骤： 步骤1：获取P个RGB自然图像并转为灰度图像后，记为{I1,I2,…,Ip,…,IP}并作为训练集，其中，Ip表示第p个灰度图像； 步骤2、构建多尺度自编码器网络，包括：多尺度编码器和解码器； 步骤2.1：所述多尺度编码器包括W个卷积块A1,A2,…,Aw,…,AW、X个卷积块N1,N2,…,Nx,…,NX和Y个视觉转换器Trans1,Trans2,…,Transy,…,TransY，其中，Aw表示第w个卷积块，且所述第w个卷积块Aw包括一个卷积核为A×A的卷积层与一个ReLU激活函数；Nx表示第x个卷积块；且所述第x个卷积块Nx包括一个卷积核为N×N的卷积层与一个ReLU激活函数；Transy表示第y个视觉转换器；Y＝W-2； 步骤2.1.1：所述第p个灰度图像Ip输入所述多尺度编码器中，并依次经过第1个卷积块A1和第1个卷积块N1的处理后，得到的初级浅层特征图IN1再依次经过Y个视觉转换器Trans1,Trans2,…,Transy,…,TransY的处理后，相应得到Y个初级深层特征图其中，表示第y个初级深层特征图； 步骤2.1.2：将输入第2个卷积块A2中进行处理，得到通道数为C的浅层特征图将依次对应输入W-2个卷积块A3,…,Aw,…,AW中进行处理，相应得到通道数为C的深层特征图其中，表示第w-2个深层特征图；由浅层特征图和深层特征图组成W-1个综合特征图 步骤2.1.3：第W-1个综合特征图经过第X个卷积块NX的处理后，得到第X-1个多尺度特征图 步骤2.1.4：对第W-1个综合特征图进行上采样后得到第W-2个上采样特征所述上采样特征再与第W-2个综合特征图进行逐元素加法操作后得到第W-2个中间特征图所述第W-2个中间特征图经过第X-1个卷积块NX-1后得到第X-2个特征 步骤2.1.5：对进行上采样后得到第W-3个上采样特征再与第W-3个综合特征进行逐元素加法操作后得到第W-3个中间特征图所述第W-3个中间特征图经过第X-2个卷积块NX-2后得到第X-3个特征 步骤2.1.6：按照步骤2.1.5的过程依次对进行处理后，得到X-1个多尺度特征图表示第x-1个多尺度特征图； 步骤2.2：所述解码器由P个卷积块和一个输出块Conv组成，其中，P个卷积块之间为上三角密集连接，并依次记为其中，Decoderi,j表示第i列第j行的卷积块，且所述第i列第j行的卷积块Decoderi,j包括一个卷积核为N×N的卷积层与一个ReLU激活函数；I＝J＝X-2， 所述输出块Conv包括一个卷积核为A×A的卷积层与一个ReLU激活函数； 步骤2.2.1：将编码器输出的X-1个多尺度特征所对应的解码器的行下标分别记为1,2,…,j…,J；则将依次记为其中，表示第j个输出的多尺度特征； 步骤2.2.2：第1列第j行的解码器Decoder1,j的输入为及其上采样特征图第1列第j行的Decoder1,j的输出为特征I1,j； 步骤2.2.3：除第一列以外的其余列第j行的卷积块Decoderi,j的输入为第j多个尺度特征图第j+1行第i-1列解码器输出特征Ii-1,j+1的上采样特征图以及由第j行第i-1列、第j行第i-2列到第j行第1列的解码器输出的特征图Ii-1,j…I1,j拼接后的特征图；卷积块Decoderi,j的输出为特征图Ii,j，从而由经过解码器的P个卷积块后得到特征II,1；所述特征II,1再经过输出块Conv的处理后得到输出结果Op； 步骤3：利用式1构建多尺度自编码器网络的总损失函数L： L＝Lssim+λLpixel1 式1中，λ表示像素损失的权重系数，Lssim表示结构相似性损失函数，并由式2得到，Lpixel表示像素损失函数，并由式3得到； Lssim＝1-SSIMIp,Op2 式2中，SSIM表示结构相似性； 步骤4：基于所述训练集，采用反向传播算法对所述多尺度自编码器网络进行训练，并计算所述总损失函数L以调整网络参数，直到达到最大迭代次数为止，从而得到训练好的多尺度自编码器网络； 步骤5：获取B对多曝光图像并转换到Ycbcr色域后仅保留Y通道的图像对，从而得到预处理后的B对多曝光图像{Io1,Iu1,Io2,Iu2,…,Iob,Iub,…,IoB,IuB}，其中，Iob,Iub表示第b对多曝光图像，Iob表示第b个Y通道的过曝光图像，Iub表示第b个Y通道的欠曝光图像； 步骤6：将多曝光图像对{Io1,Iu1,Io2,Iu2,…,Iob,Iub,…,IoB,IuB}分别输入给训练好的多尺度编码器中进行处理，得到S个尺度的过曝光图像特征{Iof1，Iof2，…,Iofs，…,IofS}和欠曝光图像特征{Iuf1,Iuf2,…,Iufs,…,IufS}，其中，Iofs表示第s个过曝光图像特征，Iufs表示第s个欠曝光图像特征； 将第s个过曝光图像特征Iofs和第s个欠曝光图像特征Iufs相加后取平均，得到第s个融合特征fs，从而得到融合特征集合{f1,f2,…,fs,…,fS}并输入训练好的解码器中，从而得到融合结果{Output1,Output2,…,Outputb,…,OutputB}，其中，Outputb表示第b个Y通道的过曝光图像Iob与第b个Y通道的欠曝光图像Iub的融合结果； 将{Output1,Output2,…,Outputb,…,OutputB}通过Ycbcr域转到RGB域，最终得到曝光均匀的彩色图像{Result1,Result2,…,Resultb,…,ResultB}，其中，Resultb表示第b个彩色图像结果。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。