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！

龙图腾网获悉南京审计大学申请的专利基于跨尺度的octave卷积网络的多光谱和高光谱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：CN115512192B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202210982427.0，技术领域涉及：G06V10/80；该发明授权基于跨尺度的octave卷积网络的多光谱和高光谱图像融合方法是由詹天明;毕作琳;吴华朋;吴泽彬设计研发完成，并于2022-08-16向国家知识产权局提交的专利申请。

本基于跨尺度的octave卷积网络的多光谱和高光谱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跨尺度的octave卷积网络的多光谱和高光谱图像融合方法，包括以下步骤：将用于训练的高空间分辨率的高光谱图像分别进行空间下采样和光谱下采样用于模拟使用传感器捕获到的同一区域、相同时间的多光谱图像HR‑MSI和高光谱图像LR‑HSI；将得到的模拟的多光谱图像和高光谱图像选取一定比例作为训练集。对于训练集，生成训练集中每个训练对对应的张量，并将每对训练对张量输入到卷积网络中，最后得到用于多光谱和高光谱图像融合的最优模型参数；将训练好的模型用于将传感器捕获到的低空间分辨率的高光谱图像和高空间分辨率的多光谱图像融合，得到同时具有高空间分辨率和高光谱分辨率的高光谱图像。

本发明授权基于跨尺度的octave卷积网络的多光谱和高光谱图像融合方法在权利要求书中公布了：1.基于跨尺度的octave卷积网络的多光谱和高光谱图像融合方法，其特征在于，包括以下步骤： 步骤A：将高光谱数据集分别进行空间下采样和光谱下采样，得到具有高空间分辨率的多光谱图像和低空间分辨率的高光谱图像对来模拟使用传感器捕获的同一时期、同一区域的多光谱和高光谱图像对； 步骤B：将图像对按照一定比例划分成训练集和测试集，并生成训练集中每个训练样本对对应的张量对，使用提出融合方法提取张量对的空间-光谱特征，训练卷积网络模型，得到适用于该高光谱数据集的模型参数；具体步骤为： 步骤B1：将高光谱数据集作为训练集的标签，并将高光谱数据集分别进行空间下采样和光谱下采样用于生成成对的训练集； 步骤B2：将每个训练样本提取出来形成对应的张量； 步骤B3：将训练样本对应的张量及其对应的标签作为输入，对每对张量通过卷积神经网络提取空间-光谱特征，获取对应神经网络模型参数； 步骤B3的具体步骤为： 步骤B31：使用离散小波分解提取高空间分辨率的多光谱图像的低频信息，并将其与上采四倍后的低空间分辨率的高光谱图像沿着通道维度拼贴，使用3*3*64的卷积核，将输入的尺寸为W2*H2*L+l的张量通过四倍尺度下的空间-光谱特征提取网络同时提取两幅图像的空间和光谱信息，并将其依次通过3*3*128和3*3*L的卷积核形成1个W2*H2*L的特征张量； 步骤B32：将W2*H2*L的特征张量与上采样四倍的低空间分辨率的高光谱图像相加得到一个新的W2*H2*L特征张量，将其上采样两倍之后作为八倍尺度下空间-光谱特征提取网络的输入； 步骤B33：使用3*3*64的卷积核之后将得到的特征张量分别进行下采样两倍和四倍，得到三个不同尺度的特征张量作为一系列跨尺度octave卷积网络模块的输入用于提取空谱联合特征，最后将在每一个跨尺度octave卷积网络模块的输出得到的特征张量与上采样八倍的LR-HSI分别相加，共得到6个尺寸为W*H*L的特征张量； 步骤B34：将步骤B32中得到的前五个特征张量分别命名为将最后一个特征张量命名为OSR，并将其作为输入的多光谱图像和高光谱图像之后得到的重构图像； 步骤B35：将步骤B34中得到的6个特征张量及其对应的标签信息输入到损失函数中获得损失值，并根据损失值对卷积神经网络进行反向传播，对权重参数进行更新； 卷积网络的损失函数为： l1Z,OSR＝||Z-OSR||1 其中Z和OSR分别表示目标图像和重构图像；Zi,j,OSRi,j则分别表示Z和OSR在i,j像素的值；网络共有n个输出，将第n个输出作为重构图像；网络第k个输出，k＝1,2…n-1；为了避免分母为0，使c＝1e-10；β和是权衡因子，网络分别设置为1、1和0.1； 步骤B36：当iteration＝20000时结束训练，将最近一次损失值下降时对应的模型参数作为最优权重参数保存； 步骤C：将训练好的模型对测试集的样本对进行融合，得到最终的融合结果图。

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南京审计大学，其通讯地址为：210000 江苏省南京市雨山西路86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。