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！

龙图腾网获悉太原理工大学申请的专利一种基于显著性信息融合的图像质量评价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：CN120259234B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202510332652.3，技术领域涉及：G06T7/00；该发明授权一种基于显著性信息融合的图像质量评价方法是由邓红霞;杨茂达;张军;赵培森;李靖琳;王瑛设计研发完成，并于2025-03-20向国家知识产权局提交的专利申请。

本一种基于显著性信息融合的图像质量评价方法在说明书摘要公布了：本发明属于深度学习技术领域，具体涉及一种基于显著性信息融合的图像质量评价方法，包括首先提取图像的显著性目标掩码，进而通过编码显著区域和非显著区域的特征，利用注意力机制学习各组件之间的交互关系；然后通过通道解耦空间注意力模块，增强网络提取的特征，提升全局上下文感知能力；最后，设计了显著性目标指导的Transformer网络，通过自注意力机制和交叉注意力机制实现显著性信息与空间域特征的深度融合，从而更有效地提升图像质量评估的性能。本发明以组件形式划分显著目标区域和非显著目标区域，并在不同组件间和同一组件内分别计算自注意力，充分利用了显著目标信息，实现了更有效、更符合人类视觉感知的特征融合。

本发明授权一种基于显著性信息融合的图像质量评价方法在权利要求书中公布了：1.一种基于显著性信息融合的图像质量评价方法，其特征在于，包括下列步骤： S1、采用结合全参考和无参考任务的自适应预处理方法，提取输入图像的显著性目标掩码，用于后续特征提取； S2、将显著区域和非显著区域编码为组件，通过计算组件间注意力和组件内注意力来让模型学习不同组件的交互关系，显著目标嵌入网络通过显著目标组件编码器模块实现差异化特征处理； 首先，初级特征提取网络提取显著性和非显著性区域的特征，接着使用独立卷积层分别处理前景和背景特征，通过非共享权重优化卷积核参数；然后，通过组件划分与Tokenization，将两类特征划分为多个局部组件，并通过线性映射转化为特征向量序列，作为后续Transformer网络的输入；Transformer网络通过组件内和组件间的注意力计算，捕捉显著性区域与非显著性区域的内部关系和相互依赖，从而实现显著性信息的特征增强； 所述初级特征提取网络构建方法为：初级特征提取网络基于改进的ResNet50主干实现双分支特征分离，其中空间域特征提取分支通过四个阶段逐步生成256、512、1024和2048通道的多尺度特征图，最终输出包含纹理、边缘及颜色信息的2048维特征图；同时显著性目标提取分支利用预训练显著性检测算法生成二值掩码，将分解为前景特征和背景特征，通过掩码的逐元素相乘隔离显著与非显著区域信息； 所述显著目标嵌入网络的构建方法为：显著目标嵌入网络通过显著目标组件编码器SCE模块对两类特征进行差异化编码，首先采用参数隔离的独立1×1卷积层分别处理和，随后将特征沿空间维度划分为的重叠局部块组件，每个组件包含多个相邻图像块以保留局部上下文，并通过线性映射生成512维的Token序列，输出形状为； S3、使用通道解耦空间注意力加强特征提取网络提取的特征； S4、采用显著性目标指导的Transformer网络，该网络利用自注意力机制和交叉注意力机制，实现了显著性特征与空间域特征之间的深度交互和融合，从而更有效地利用显著性信息提升图像质量评估的准确性； 首先接收由通道解耦空间注意力模块加权后的空间域特征Fs'，旨在增强显著性区域的特征表达；然后，该模块利用Transformer网络中的自注意力机制，捕获图像中不同位置之间的长距离依赖关系，从而实现对图像全局结构的建模；为了进一步融合显著性特征，该模块引入了交叉注意力机制，其核心思想是利用显著性特征来引导空间特征的学习；将经过显著特征强化模块处理后的显著特征Fm'作为QueryQ，将空间域特征Fs'作为KeyK和ValueV，进行交叉注意力计算： 其中：Fm'代表经过显著特征强化模块处理后的显著特征，Fs'代表空间域特征，代表缩放系数。

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太原理工大学，其通讯地址为：030024 山西省太原市迎泽大街79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。