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上下文感知的多聚焦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：CN116630763B 。

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：202310767148.7，技术领域涉及：G06V10/80；该发明授权一种基于多尺度上下文感知的多聚焦图像融合方法是由刘羽;齐争争;成娟设计研发完成，并于2023-06-27向国家知识产权局提交的专利申请。

本一种基于多尺度上下文感知的多聚焦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上下文感知的多聚焦图像融合方法，包括：1数据准备与预处理、构建多尺度上下文感知网络，包括：编码器、粗定位解码器、感受野增强模块和多尺度特征交互模块，其中，编码器为视觉转换器，用于多尺度特征提取，解码器包括：卷积及激活函数，用于多尺度特征粗解码，感受野增强模块包括卷积及激活函数，用于特征感受野增强，多尺度特征交互模块包括：卷积及激活函数，用于多级特征融合；2对输入的多聚焦图像进行融合，包括：网络训练和多聚焦图像融合。本发明能充分利用不同散焦图像中的互补和冗余信息来融合出质量更好的全聚焦图像，为人眼观察提供质量较好的图像，同时给图像的识别、分割等计算机视觉任务提供支持。

本发明授权一种基于多尺度上下文感知的多聚焦图像融合方法在权利要求书中公布了：1.一种基于多尺度上下文感知的多聚焦图像融合方法，其特征在于，包括如下步骤： 步骤1：获取P对RGB多聚焦图像并转为灰度图像，记为和并作为训练集，其中，和分别表示第p对灰度图像中的前景聚焦图像和背景聚焦图像；将第p对灰度图像所对应的第p个真实地面掩膜作为第p个标签，记为Gp，从而构建P对RGB多聚焦图像的标签集合{G1,G2,…,Gp,…GP}； 步骤2：构建多尺度上下文感知网络，包括：编码器、粗定位解码器、感受野增强模块和多尺度特征交互模块； 步骤2.1：所述编码器包括1个用于调整通道数的第一卷积块Conv3×3和Y个视觉转换器，其中，Conv3×3表示1个卷积核为3×3的卷积层与1个ReLU激活函数； 将第p对灰度图像和经过通道维度上的拼接后，输入多尺度上下文感知网络中，并经过编码器的第一卷积块Conv3×3的处理后，得到第p个输入特征Ip，再依次经过Y个视觉转换器的处理后，相应得到第p对灰度图像对应的Y个初级特征图其中，表示第y个初级特征图； 步骤2.2：所述粗定位解码器由若干个多级跨尺度连接的第二卷积块Conv3×3和1个第一卷积块Conv1×1组成，并对Y个初级特征图进行MR个阶段的特征解码，得到第p个粗定位解码器特征和第p个初始决策图其中，Conv1×1表示1个卷积核为1×1的卷积层； 步骤2.3：所述感受野增强模块由4条结构相同但参数k和r不同的感受野增强支路以及5个第二卷积块Conv1×1、1个ReLU激活函数组成，其中，每条感受野增强支路均由1个非对称卷积块Conv1×k，1个非对称卷积块Convk×1和1个第一跨步卷积块Convk×k,r依次堆叠形成；其中，Conv1×k表示1个卷积核为1×k的非对称卷积层，Convk×1表示1个卷积核为k×1的非对称卷积层，Convk×k,r表示1个卷积核为k×k，步长为r的对称卷积层； Y-1个初级特征图并行输入到感受野增强模块中，其中，通过5个第二卷积块Conv1×1的调整通道后，得到5个输出特征将后4个输出特征图分别对应输入到4条感受野增强支路中进行处理，得到4个受野增强支路特征图再与进行通道维度上的拼接后，得到第y个融合特征图并再次输入第二卷积块Conv1×1进行调整通道后，得到调整后的第y个特征图将与相加并经过激活函数ReLU的处理后，得到最终输出的第y个感受野增强的特征图从而得到Y-1个感受野增强的特征图 步骤2.4：所述多尺度特征交互模块由预处理模块、多尺度特征金字塔模块、第三卷积块Conv3×3组成，并依次对第p个粗定位解码器特征和第p个初始阶段决策图进行处理后，得到1-Y-1个感受野增强的特征图对应的第p个系列多尺度交互特征图与第p个系列决策图其中，表示第y个感受野增强的特征图，表示第p个系列多尺度交互特征图中第k阶段特征图，表示第p个系列决策图中第k阶段决策图； 步骤2.5：将第p个下采样决策图进行上采样处理后，得到第1个融合决策图分别与第p个系列决策图逐级相加后，得到第p个系列融合决策图其中，表示第p对灰度图像和的第k个融合决策图； 步骤2.6：经过上采样操作和Sigmoid激活函数的处理后，得到第p个多级输出决策图其中，表示第p对灰度图像和的第k个输出决策图，将作为第p对灰度图像和的最终决策图； 步骤3：利用式1构建损失函数 式1中，LwBCE表示加权二元交叉熵损失，LwIOU表示加权交并比损失； 利用式2构建多尺度上下文感知网络的总损失函数Ltotal： 步骤4：基于所述训练集，采用反向传播算法对所述多尺度上下文感知网络进行训练，并计算所述总损失函数Ltotal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上下文感知网络； 步骤5：利用最终决策图取反后，得到反向决策图分别将最终决策图与反向决策图与进行逐像素相乘后，得到部分清晰图像与将部分清晰图像与进行逐像素相加，从而获得第p对灰度图像和的预测的全聚焦图像

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。