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可学习低秩表示的红外偏振图像融合增强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：CN117291850B 。

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：202310982062.6，技术领域涉及：G06T5/50；该发明授权一种基于可学习低秩表示的红外偏振图像融合增强方法是由齐美彬;李坤袁;庄硕;项厚宏;刘一敏设计研发完成，并于2023-08-07向国家知识产权局提交的专利申请。

本一种基于可学习低秩表示的红外偏振图像融合增强方法在说明书摘要公布了：本发明公开了一种基于可学习低秩表示的红外偏振图像融合增强方法，其步骤包括：1、采集不同方向的红外偏振图像，计算Stokes矢量；2、构建基于可学习低秩表示的红外偏振图像融合网络；3、对融合后的红外偏振图像进行编解码重构，并获取引导滤波后的偏振图像；4、建立输入的红外偏振图像与融合图像之间的损失函数；5、用红外偏振图像对该网络进行训练，并用训练后的模型对待处理的红外偏振图像进行融合增强。本发明通过构建端到端的深度学习网络来实现红外偏振图像的低秩特征表示，能有效提取偏振图像中的显著性目标信息，并降低网络模型参数，同时，设计了基于偏振特征重构的融合损失函数，可以抑制红外偏振图像背景噪声干扰。

本发明授权一种基于可学习低秩表示的红外偏振图像融合增强方法在权利要求书中公布了：1.一种基于可学习低秩表示的红外偏振图像融合增强方法，其特征在于，是按如下步骤进行： 步骤1、获取红外偏振图像，计算偏振Stokes矢量； 分别获取N组包含0°，45°，90°，135°方向的红外偏振图像，并计算对应的N组偏振Stokes矢量{{I1,Q1,U1}...,{In,Qn,Un},...,{IN,QN,UN}}，从而得到红外强度图像集合{I1,...,In,...,IN}、偏振度图像集合{D1,...,Dn,...,DN}、偏振角图像集合{A1,...,An,...,AN}以及偏振组合参量图像集合{C1,...,Cn,...,CN}，其中，In表示第n张红外强度图像，即第n组偏振Stokes矢量的第一分量，Qn和Un分别表示第n组偏振Stokes矢量的第二和第三分量，表示第n张偏振度图像，表示第n张偏振角图像，表示第n张偏振组合参量图像； 步骤2、构建基于可学习低秩表示的红外偏振图像融合网络，包括：红外强度低秩特征编码模块Encoder_I、红外偏振低秩特征编码模块Encoder_D、注意力引导滤波融合模块AGFF以及融合特征解码模块Decoder； 步骤2.1、所述第n张红外强度图像In输入到Encoder_I中进行处理后，得到第n个红外强度编码特征张量EN_In； 步骤2.2、构建Encoder_D与Encoder_I具有相同的结构，并将第n张偏振度图像Dn输入Encoder_D中进行处理后，得到第n个偏振编码特征张量EN_Dn； 步骤2.3、在通道维提取EN_In的前一半特征张量，即红外强度低秩编码特征张量，记为L_In，同时在通道维提取EN_Dn的后一半特征张量，即偏振稀疏编码特征张量，记为S_Dn； 步骤2.4、注意力引导滤波融合模块AGFF对L_In与S_Dn进行处理，得到第n个融合后的特征张量IGn； 步骤2.5、所述融合特征解码模块Decoder是由H个特征解码单元DeU、一个回归输出单元RU组成；其中，每个特征解码单元DeU由卷积核为3×3的卷积层、LeakyReLU激活层组成，回归输出单元RU是由卷积核为3×3的卷积层、Tanh激活层组成； 将第n个融合后的特征张量IGn输入到融合特征解码模块Decoder中进行处理，输出第n个融合增强后的红外偏振图像Fn，从而得到融合增强后的红外偏振图像集合{F1,…,Fn,…,FN}； 步骤3、对融合后的红外偏振图像进行编解码重构，并获取引导滤波后的偏振图像； 步骤3.1、将Fn分别输入到Encoder_I、Encoder_D中，分别得到第n个红外强度融合编码张量EIn与第n个偏振融合编码张量EDn，再将EIn与EDn分别输入Decoder中进行解码，相应得到第n张重构后的红外强度图像RIn与第n张重构后的红外偏振度图像RDn； 步骤3.2、将第n张红外强度图像In作为引导图，分别对第n张偏振度图像Dn与第n张偏振组合参量图像Cn进行引导滤波，从而得到第n张引导滤波后的偏振度图像GDn与第n张偏振组合参量图像GCn； 步骤4.建立输入的红外偏振图像与融合图像之间的损失函数； 步骤4.1、利用式4构建多尺度结构相似性损失 式4中，MWSSIM·表示多尺度结构相似性损失函数； 步骤4.2、利用式5构建编码重构损失 式5中，MAE表示平均绝对误差损失函数； 步骤4.3、通过式6计算基于偏振特征重构的融合损失 式6中，与分别表示第n张重构后的0°、60°与120°方向的偏振图像； 步骤4.4、利用式7构建红外偏振图像融合增强的总损失函数Ln： 式7中，λ1,λ2,λ3为三个加权系数； 步骤5、基于红外强度图像集合{I1,...,In,...,IN}、偏振度图像集合{D1,...,Dn,...,DN}、偏振角图像集合{A1,...,An,...,AN}以及偏振组合参量图像集合{C1,...,Cn,...,CN}，利用梯度下降算法对红外偏振图像融合网络进行训练，并计算总损失函数Ln以更新网络参数，当训练迭代次数达到设定的次数时，停止训练，从而得到训练后的红外偏振图像融合增强模型，用于实现对红外强度与偏振度图像的融合增强。

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。