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！

龙图腾网获悉西北工业大学申请的专利一种基于互补融合网络的全色锐化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：CN116228577B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202310186246.1，技术领域涉及：G06T5/73；该发明授权一种基于互补融合网络的全色锐化方法是由邢颖慧;张妍;瞿立涛;张艳宁;张秀伟;尹翰林设计研发完成，并于2023-03-01向国家知识产权局提交的专利申请。

本一种基于互补融合网络的全色锐化方法在说明书摘要公布了：本发明公开了一种基于互补融合网络的全色锐化方法，通过构建互补融合网络模型处理全色锐化问题，该模型包含局部、全局两分支以及融合增强、重构两模块；其中局部分支主要由卷积层组成以充分利用其局部感受野提取局部信息；全局分支在空谱结合的小波域内使用可变形交叉注意力进行全局范围的引导融合；经过两个分支可得到三种初始融合特征，融合增强模块则将其作为输入，通过空间和通道注意力增强其中互补的部分并削弱冗余的部分，整合结果后形成最终的融合特征；最后经过重构模块得到全色锐化结果图像。本发明能够充分利用多光谱图和全色图中蕴含的丰富互补与冗余信息，从而在增强空间细节信息的同时减少光谱失真。

本发明授权一种基于互补融合网络的全色锐化方法在权利要求书中公布了：1.一种基于互补融合网络的全色锐化方法，其特征在于，包括以下步骤： 步骤1：数据集准备； 对成对、配准的大幅遥感图像MS图像和PAN图像按照从左到右、从上到下的顺序截取图像块，并将这些图像块分为训练集、验证集和测试集；先对训练集、验证集和测试集进行归一化处理；再对训练集、验证集和测试集中的图像块按照Wald协议进行处理，然后将处理过的图像块作为模型的输入；未经Wald协议处理的原始MS图像块作为参考图像； 步骤2：互补融合网络模型构建； 所述互补融合网络模型包括四个部分：局部分支、全局分支、融合增强模块和重构模块； 具体各个部分的构建过程如下： 步骤2-1：构建局部分支； 所述局部分支由卷积层、跳连接与融合模块组成； 所述卷积层窗口尺寸为3×3，填充为1，步长为1；由卷积层和其它层组成CB1卷积块和CB2卷积块；所述CB1卷积块为卷积层、批量归一化BN层、LReLU激活函数、卷积层、BN层、LReLU激活函数顺序级联的结构；所述CB2卷积块指在CB1卷积块的结构上将CB1卷积块最初的输入与第二个BN层的输出相加送入最后一个LReLU激活函数的残差结构；所述跳连接指相邻两模块的输出同时输入到另一模块的连接操作；所述融合模块包含将输入按照通道维拼接的操作与1×1的卷积层； 全色图像P与上采样的多光谱图像在通道维拼接后作为局部分支的输入，输入先经过一个3×3的卷积层，得到初步的浅层特征F1，再经过3个级联的CB2卷积块，分别得到F2、F3和F4三个从浅到深的特征；接下来将得到的特征送入3个跳连接融合模块中，F1与F2送入一个融合模块得到Fr1，F3与F4送入一个融合模块得到Fr2，所得Fr1与Fr2送入一个融合模块得到最终的输出Flocal； 步骤2-2：构建全局分支网络； 所述全局分支包含两个分支，即MS分支与PAN分支，其输入分别为与P； 所述MS分支与PAN分支结构相同，都包含各自的一个频率感知块FAB以及共享的一个引导融合模块GFM；所述频率感知块由一个DWT层与并行的两条卷积支路耦合而成；所述卷积支路由一个CB1卷积块与一个CB2卷积块级联而成；所述引导融合模块由两个可变形交叉注意力DCA模块与两个相应的IDWT层组成； 与P经过各自的频率感知块，分别得到各自的高低频感知特征与接着分别将与经过变换得到Q1、V1与Q2、V2；所述变换指将四阶张量特征的最后两个维度合并为一个维度，并与原本的第二维度相交换的操作，特别地还先通过一个1×1卷积层处理，使其通道维数与保持一致；将所得Q1、V2与Q2、V1分别送入一个可变形交叉注意力模块中，分别得到所需的光谱特征Fspec与所需的空间特征Fspat；最后，将与Fspec送入一个IDWT层得到融合特征Fglobal1，与通过1×1卷积层的Fspat送入另一个IDWT层得到融合特征Fglobal2； 步骤2-3：融合增强模块； 所述融合增强模块包括三个通道空间注意力CSA模块与一个融合模块； 所述通道空间注意力模块包含级联的一个通道注意力模块与一个空间注意力模块；所述通道注意力模块指将输入分别经过通道平均池化、通道最大池化后分别经过CB3卷积块处理，所得结果矩阵相加后经过sigmoid函数得到权重系数，最后将所得权重系数与输入矩阵相乘；所述CB3卷积块指1×1的卷积层、ReLU激活函数、1×1的卷积层按照顺序级联的结构；通道注意力模块的结果送入空间注意力模块；所述空间注意力模块指将输入分别经过空间平均池化、空间最大池化后，所得结果在通道维度拼接后送入7×7卷积，再经过sigmoid函数得到权重系数，最后将所得权重系数与输入矩阵相乘；所述融合模块包含将输入按照通道维拼接的操作与1×1的卷积层； 局部与全局分支网路所得初步融合特征Flocal与Fglobal1，Fglobal2分别通过各自的一个空间+通道注意力模块，所得输出直接送入一个融合模块整合，得倒最终的融合特征Ffusion； 步骤2-4：重构模块； 所述重构模块由一个CB2卷积块与一个CB1卷积块级联而成； 将最终的融合特征Ffusion经过重构模块得到全色锐化结果； 步骤3：损失函数； 所述损失函数包含KL散度损失与平均绝对误差MAE损失； 所述KL散度损失定义如下： 其中，对输入的两个特征Fin1与Fin2使用softmax函数处理，以保证两个概率分布的所有值之和均为1；该损失函数限制Fin1的分布向Fin2的分布靠近；Fin1i，j和Fin2i，j分别表示特征Fin1与Fin2的像素值； 所述MAE损失定义如下： 其中，B代表图像通道数，Rb代表第b个参考图的通道，代表第b个结果图的通道，||*||代表一范数计算操作； 整体的损失函数表示为： 其中，R*代表将四阶张量特征的最后两维度合并的操作，α代表平衡参数； 步骤4：采用损失函数使用训练集对网络模型进行训练，训练过程中采用验证集，得到训练后的网络模型，最后使用测试集进行测试以测试模型的有效性。

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西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路；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”。