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！

龙图腾网获悉浙江大学申请的专利一种基于分组运动估计和邻域细化采样的图像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：CN121095301B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202511631595.5，技术领域涉及：G06T7/33；该发明授权一种基于分组运动估计和邻域细化采样的图像配准方法是由朱浩楷;曹思源;沈会良设计研发完成，并于2025-11-10向国家知识产权局提交的专利申请。

本一种基于分组运动估计和邻域细化采样的图像配准方法在说明书摘要公布了：本发明公开了一种基于分组运动估计和邻域细化采样的图像配准方法。方法包括：构建包括共享特征提取模块、稀疏运动模块和稠密运动模块的图像配准网络；获取源图像和目标图像对图像配准网络进行训练，依次进行提取共享特征、分组运动估计和邻域细化采样，直至损失函数收敛完成训练；将待配准的源图像及其目标图像通过网络处理，最终获得配准运动流将目标图像配准至源图像。本发明方法通过引入分组运动估计对输入特征进行稀疏建模，并结合自适应融合机制增强局部形变表达能力，同时设计邻域细化采样方法，在运动流采样过程中引入可学习的局部加权校正机制，有效提升稠密运动场的边界清晰度与细节精度，显著提升图像配准的精度与鲁棒性。

本发明授权一种基于分组运动估计和邻域细化采样的图像配准方法在权利要求书中公布了：1.一种基于分组运动估计和邻域细化采样的图像配准方法，其特征在于，包括： 步骤S1：构建包括依次连接的共享特征提取模块、稀疏运动模块和稠密运动模块的图像配准网络； 步骤S2：获取若干对源图像及其不同视角的目标图像并输入图像配准网络进行训练，通过共享特征提取模块提取共享特征，通过稀疏运动模块进行分组运动估计，最后基于稠密运动模块进行邻域细化采样，直至图像配准网络的损失函数收敛，获得训练完成的图像配准网络； 步骤S3：将待配准的源图像及其目标图像输入训练完成的图像配准网络中，获得待配准的源图像及其目标图像的稠密运动流，进而获得配准运动流，基于配准运动流将目标图像配准至源图像，处理后输出配准完成的目标图像，实现图像配准； 所述的步骤S1中，通过稀疏运动模块对源图像Is的低分辨率特征图Fsn和目标图像It的低分辨率特征图Ftn作为两个输入特征图进行共同处理，将源图像Is的高分辨率特征图Fsm和目标图像It的高分辨率特征图Ftm进行形变变换后再作为两个输入特征图通过稀疏运动模块进行共同处理，形变变换后的源图像Is的高分辨率特征图Fsm和目标图像It的高分辨率特征图Ftm如下： FTm'=warpFTm,D1''，T=s或t 其中，Fsm'和Ftm'分别为形变变换后的源图像Is的高分辨率特征图和目标图像It的高分辨率特征图；warp为形变变换操作；D1''为通过源图像Is的高分辨率特征图Fsm和目标图像It的高分辨率特征图Ftm获得的最终的稠密运动流； 在稀疏运动模块中，首先构建两个特征图之间的相似度矩阵Sg，然后通过运动隐特征提取器提取运动隐特征Fc，然后输入分组运动估计单元中进行处理，获得稀疏运动流； 所述的分组运动估计单元具体为首先将运动隐特征Fc均匀划分为Ng组子特征组，每组中有Cg个子特征，Cg=CcNg，Cc为运动隐特征Fc的总子特征数；然后针对每组子特征组，对子特征组中的各个子特征进行线性变换处理，然后将处理后的各组子特征组进行拼接后再依次经过激活函数ReLU和线性层处理后获得稀疏运动流； 所述的步骤S1中，稠密运动模块首先将两个特征图之间的相似度矩阵Sg通过邻域采样掩码生成器处理后获得邻域采样掩码M，然后基于稀疏运动流和邻域采样掩码M，通过邻域细化采样单元进行处理，获得最终的稠密运动流。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。