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！

龙图腾网获悉大连大学申请的专利一种基于全局-局部聚合学习的多曝光图像融合系统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：CN115661012B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202211239436.7，技术领域涉及：G06T5/50；该发明授权一种基于全局-局部聚合学习的多曝光图像融合系统是由周士华;雷佳;李嘉伟设计研发完成，并于2022-10-11向国家知识产权局提交的专利申请。

本一种基于全局-局部聚合学习的多曝光图像融合系统在说明书摘要公布了：本发明公开了一种基于全局‑局部聚合学习的多曝光图像融合系统，包括：协同聚合模块，获取融合所需的图像特征；融合模块，根据图像特征对融合结果进行重构；循环精校模块，利用循环机制不断地从图像中挖掘信息，对融合结果进行微调。本发明可以根据低动态范围图像直接生成细节丰富曝光平衡的高动态范围图像；利用协同聚合模块从源图像中挖掘相关特征，成功构建一种融合全局信息和局部信息的特征提取机制。其次，提出了一种特殊的融合模块来重建融合后的图像，有效地避免了伪影，抑制了信息的衰减。此外，还利用循环精校模块进一步微调融合结果，从源图像中捕捉更多的纹理细节。

本发明授权一种基于全局-局部聚合学习的多曝光图像融合系统在权利要求书中公布了：1.一种基于全局-局部聚合学习的多曝光图像融合系统，其特征在于，包括： 协同聚合模块，获取融合所需的图像特征； 融合模块，根据图像特征对融合结果进行重构； 循环精校模块，利用循环机制不断地从图像中挖掘信息，对融合结果进行微调； 所述协同聚合模块，包括： 非局部注意力推理模块，用于从特征映射中获取全局依赖关系； 局部自适应学习模块，作为学习相关局部特征的补充； 所述非局部注意力推理模块，通过高斯随机特征逼近和改变乘法顺序来获得图像的全局特征信息，具体为： 用三个不同的卷积层处理初始图像特征Fo，得到中间特征表示序列K、Q、V； 获取m个不同的高斯随机样本F1···Fm，并将它们连接成一个高斯随机矩阵F； 序列Q，序列K与高斯随机矩阵F相乘，完成Q、K到的具体映射； 序列V与再相乘； 对结果进行归一化处理，生成聚集全局信息的特征序列 其中，表示高斯随机变换，即Q，K到的映射过程，N表示归一化； 所述非局部注意力推理模块，在卷积层处理初始图像特征Fo过程中，将初始特征图Fo乘以放大系数kk1，增强非局部注意权重的稀疏性，具体表示为其中θ·是特征变换； 所述局部自适应学习模块，包括下采样阶段和上采样阶段； 在第一个下采样阶段，对初始图像特征Fo进行全局平均池化，然后使用最大池操作来保存邻域中最重要的信息，分辨率降低到 后，传递到卷积层以获取特征图a；在第二个下采样阶段，使用平均池化操作处理特征图a，将处理后的结果传递到另一卷积层以获得大小为的中间特征图； 在上采样阶段，对中间特征图使用Sub-pixel进行上采样，得到大小为的特征图b； 将特征图a和特征图b在通道上进行级联，然后传入1×1卷积层；使用Sub-pixel产生局部权值图的特征序列并用Sigmoid函数将归一化为[0，1]；其中h为图像高，w为图像宽，为特征图输出表示； 所述融合模块，首先级联特征序列与初始图像特征Fo，然后对级联后的特征进行四次卷积运算，获得初步融合特征；将初始图像特征Fo与第二次卷积输出结果相加在一起，得到融合图像 所述循环精校模块，构造了一个具有三个卷积层的递归精化网络所述循环精校模块被定义为其中pt和pt-1分别是第t次迭代和第t-1次迭代的预测特征图。

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大连大学，其通讯地址为：116622 辽宁省大连市经济技术开发区学府大街10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”。