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！

龙图腾网获悉大连理工大学申请的专利一种面向弱照度近红外图像的可学习张量低秩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：CN121746266B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202610222831.6，技术领域涉及：G06T5/90；该发明授权一种面向弱照度近红外图像的可学习张量低秩增强方法是由徐易;黄小茜;宋佳讯;苗长龙;连晓聪;季向阳设计研发完成，并于2026-02-25向国家知识产权局提交的专利申请。

本一种面向弱照度近红外图像的可学习张量低秩增强方法在说明书摘要公布了：本发明属于深度学习与图像处理技术领域，公开了一种面向弱照度近红外图像的可学习张量低秩增强方法。依据输入图像的局部亮度均值与噪声方差估计结果，对图像进行非均匀自适应划分，并在每个图像块上利用轻量级卷积特征提取网络构建包含空间高度、宽度与亮度通道的三维局部特征张量。随后，基于图像块的亮度能量，自适应确定各块的张量分解秩；通过因子生成网络与核张量预测网络分别生成各方向因子矩阵和核张量；通过对核张量奇异值实施阈值抑制以去除噪声子空间，并结合对高频方向因子进行尺度调节以增强纹理细节，可有效恢复弱照度条件下退化的边缘结构。最终，采用基于重叠区域亮度差最小化的加权融合方式对恢复后的图像块进行整图重建。

本发明授权一种面向弱照度近红外图像的可学习张量低秩增强方法在权利要求书中公布了：1.一种面向弱照度近红外图像的可学习张量低秩增强方法，其特征在于，步骤如下： 步骤1：依据弱照度近红外图像的局部亮度均值与局部噪声方差，对弱照度近红外图像进行非均匀自适应划分，得到多个图像块； 步骤1的具体实现过程如下： 首先对弱照度近红外图像进行局部统计估计，其中，H为弱照度近红外图像的高度，W为弱照度近红外图像的宽度；采用的滑动窗口，通过对滑动窗口内的像素点计算局部亮度均值和局部噪声方差，得到该滑动窗口的亮度均值图和噪声方差图，其中，局部亮度均值和局部噪声方差计算如下： 局部亮度均值： 局部噪声方差： 其中，表示以像素点为中心的局部邻域；表示局部邻域内位置为的像素强度值； 随后，根据局部亮度均值和局部噪声方差联合分布定义难度指标： 其中，为图像亮度的最大值，、为权重系数； 根据难度指标所在区间，将弱照度近红外图像划入不同尺寸级别的图像块；阈值、分别设置为弱照度近红外图像中所有难度指标数值分布的低分位值与高分位值，阈值： 若，则判定以像素点为中心的滑动窗口区域为高难度区域，并对该滑动窗口区域采用小图像块进行分块处理； 若，则判定滑动窗口区域为中等难度区域，并对该滑动窗口区域采用中图像块进行分块处理； 若，则判定滑动窗口区域为低难度区域，并对该滑动窗口区域采用大图像块进行分块处理； 得到一组图像块，其中，每个图像块的空间尺寸表示为，、为图像块的高度和宽度；图像块根据尺寸大小分为小图像块、中图像块和大图像块，其中，小图像块、中图像块和大图像块分别对应预先设定的图像块尺寸，其边长取值范围分别为8～16像素、16～32像素和32～64像素； 步骤2：利用轻量级卷积特征提取网络对各图像块进行特征映射，将其表示为包含空间结构信息与亮度相关特征的三维局部特征张量； 步骤3：构建秩映射函数，基于图像块亮度能量，以单调映射规则自适应确定各图像块的张量分解秩； 步骤4：通过可学习张量分解模块中的因子生成网络与核张量预测网络，分别生成各方向因子矩阵与三维核张量； 步骤5：对三维核张量实施奇异值阈值抑制，以削弱弱照度条件下的噪声子空间分量； 步骤6：对因子矩阵施加高频方向增强，以提升边缘与纹理细节的重建能力； 步骤7：基于亮度一致性约束，对各增强后的图像块进行加权融合，生成整体亮度均匀、细节清晰的增强图像。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。