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！

龙图腾网获悉中国科学院长春光学精密机械与物理研究所申请的专利一种面向高性能视频编码应用中图像厚云去除的预处理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：CN121437308B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202511527523.6，技术领域涉及：G06T5/70；该发明授权一种面向高性能视频编码应用中图像厚云去除的预处理方法是由黎明清;王宇庆;张德浩;唐艳慧设计研发完成，并于2025-10-24向国家知识产权局提交的专利申请。

本一种面向高性能视频编码应用中图像厚云去除的预处理方法在说明书摘要公布了：本发明涉及一种面向高性能视频编码应用中图像厚云去除的预处理方法，涉及图像处理技术领域，解决难以充分捕捉跨尺度的互补特征，在全局结构与局部细节之间的平衡方面存在不足的技术问题。该预处理方法包括：基于非下采样剪切波变换的引导图像估计和基于非下采样剪切波变换引导的全连接张量分解云去除模型进行多时遥感图像厚云去除。本发明的面向高性能视频编码应用中图像厚云去除的预处理方法，实现了高质量参考图像的生成：为获取包含更多细节的参考图像，首先对多时相遥感影像进行伽马校正，以归一化辐射强度；随后在NSST域中应用改进的自适应PCNN融合算法，从而在保持影像能量分布的同时增强细节表征，最终得到高质量的参考图像。

本发明授权一种面向高性能视频编码应用中图像厚云去除的预处理方法在权利要求书中公布了：1.一种面向高性能视频编码应用中图像厚云去除的预处理方法，其特征在于，其是基于非下采样剪切波变换的引导图像估计和基于非下采样剪切波变换引导的全连接张量分解云去除模型的多时遥感图像厚云去除方法，其中： 基于非下采样剪切波变换的引导图像估计，包括以下步骤： 步骤一：数据集分解； 将多时遥感图像按时间序列划分为两个互斥的集合： ； 其中，M表示空间高度，N表示空间宽度，B表示光谱波段数，T、T1、T2均表示时间序列长度且T=T1+T2，为cloud缩写表示含有云污染，为free缩写表示不含有云污染； 步骤二：伽马校正； 针对于每一幅云污染影像，对所有的无云影像独立地进行伽马校正，、表示时间序列索引且，，从而得到：； 步骤三：非下采样剪切波分解和参数自适应脉冲耦合神经网络融合； 对于步骤二中生成的伽马校正图像，对其进行非下采样剪切波分解，从而得到： ； 其中，表示伽马变换系数，表示低频子带，表示在分解层数与方向下的高频子带；NSST表示非下采样剪切波分解；表示含有云污染的伽马校正图像； 对于低频子带与高频子带，其融合后的子带按照以下规则获得： ； ； 其中，表示参数自适应脉冲耦合神经网络输入图像中像素位置的固定灰度值，m表示空间高度索引，n表示空间宽度索引，b表示光谱波段数索引，、表示时间序列索引；表示迭代过程中当前轮次累计得到的脉冲触发次数，表示迭代过程中上一轮次累计得到的脉冲触发次数，表示迭代过程中当前轮次参数自适应脉冲耦合神经网络神经元输出，表示迭代次数索引，表示沿着索引方向累计脉冲触发次数最高的图像，最高次数的索引记为，表示沿着索引方向与具有最高峰值信噪比的图像，最高信噪比的索引记为，表示峰值信噪比,表示无云像元的索引集合，为投影算子，其作用是保留集合内的元素，并将其他位置的元素置零，表示融合后的图像，表示非下采样剪切波反变换； 对于高频成分，将其作为参数自适应脉冲耦合神经网络的输入，具体为；在迭代过程中累积得到的脉冲触发次数记为，对每一个像素位置选择中脉冲触发次数最高的图像像素值作为；具有最高脉冲触发次数的图像索引记作；对于低频成分，对每一个像素位置选择中与具有最高峰值信噪比的图像作为，具有最高峰值信噪比的图像索引记作；最终，通过逆NSST变换重建得到融合影像； 随后，将融合影像的结果添加到不含云污染干净图像中，从而构建增广后的不含云污染干净多时相遥感数据集； 步骤四：最小二乘拟合； 采用最小二乘回归来建立不同时间图像中无云区域之间的关系，并确定最优拟合系数，从而得到引导图像：； 基于非下采样剪切波变换引导的全连接张量分解云去除模型，表达式为： ； 其中，表示重建的无云影像，表示含厚云污染像，为的四个FCTN因子；为引导图像，FCTN表示全连接张量网络分解，表示在分解层数和方向下的高频子带系数，、分别为正则化参数，表示Frobenius范数，表示约束项。

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中国科学院长春光学精密机械与物理研究所，其通讯地址为：130033 吉林省长春市经济技术开发区东南湖大路3888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。