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！

龙图腾网获悉河南科技大学申请的专利基于渐进上采样深度先验网络的单高光谱图像超分辨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：CN118864248B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202410878119.2，技术领域涉及：G06T3/4053；该发明授权基于渐进上采样深度先验网络的单高光谱图像超分辨方法是由王海军;郑文丽;王要威设计研发完成，并于2024-07-02向国家知识产权局提交的专利申请。

本基于渐进上采样深度先验网络的单高光谱图像超分辨方法在说明书摘要公布了：本发明公开了一种基于渐进上采样深度先验网络的单高光谱图像超分辨方法，属于图像处理领域，包括对数据集内的图像进行预处理；将图像划分为训练集Str和测试集Ste；构建渐进上采样深度先验网络，得到渐进上采样深度先验模型，学习低分辨‑高分辨图像对之间的映射；计算损失函数的导数，将高分辨图像IHR和超分辨结果ISR之间的误差进行反向传播，更新渐进上采样深度先验网络的各个权重值。本发明采用上述的一种基于渐进上采样深度先验网络的单高光谱图像超分辨方法，以有效利用高光谱图像在空间上的非局部自相似性和光谱间的高度相关性，基于渐进上采样的分组卷积模型实现图像超分辨。

本发明授权基于渐进上采样深度先验网络的单高光谱图像超分辨方法在权利要求书中公布了：1.一种基于渐进上采样深度先验网络的单高光谱图像超分辨方法，其特征在于，包括如下步骤： S1、获取数据集，对数据集内的图像进行预处理； S2、将预处理后的图像划分为训练集和测试集； S3、构建渐进上采样深度先验网络，使用训练集对渐进上采样深度先验网络进行训练，得到训练后的渐进上采样深度先验模型，使用渐进上采样深度先验模型学习低分辨-高分辨图像对之间的映射； S31、将图像输入渐进上采样深度先验网络中，得到超分辨结果； S32、通过损失函数来衡量模型预测值与真实值之间的差异，损失函数的定义如下： ； 其中，表示平衡参数，，表示损失函数，表示损失函数，损失函数的定义为： ； 其中表示网络的参数，表示批量大小，表示重建图像的索引；GTV损失函数的定义为： ； 其中，表示模型预测的每个像素在高度方向上的梯度；表示GroundTruth中每个像素在深度方向上的斜率；表示模型预测图像在宽度方向上的每个像素的梯度；而表示GroundTruth中每个像素在宽度方向的梯度；和分别表示高分辨率图像的高度、宽度和批量大小； S4、在S3的模型训练过程中，计算损失函数的导数，将高分辨图像和超分辨结果之间的误差进行反向传播，更新渐进上采样深度先验网络的各个权重值，继续输入下一批次训练集训练模型，直到模型的损失函数值达到设定的阈值停止； 渐进上采样深度先验网络包括基于残差连接的组卷积渐进上采样块和重建层，渐进上采样深度先验网络的公式如下： ； 其中表示渐进上采样深度先验网络的输入，表示组卷积渐进上采样块的映射函数，表示重建层的映射函数，重建层由一个卷积核大小为3×3的卷积层构成，为模型超分辨得到的结果； 组卷积渐进上采样块由两个组卷积渐进上采样模块构成，在每组中，卷积层提取浅层特征，每一组均包含X个有效波段和u个重叠波段，且每一组均包含m个级联的空间光谱注意力融合单元、上采样模块和卷积层： ； 其中，表示组卷积渐进上采样块的映射函数，表示组卷积渐进上采样块的输出结果； 空间光谱注意力融合单元由空间注意力块SAB和通道注意力块CAB组成： ； ； 其中，是第一个块的输入特征；表示SAB的映射函数；表示第一个块中的第一个SAB的输出；表示CAB的映射函数，表示第一个块中的第一个CAB的输出； 模块的整体操作可以表示为， ； 其中，表示第一个块的输出特征，是块中的映射函数，经过M个块的操作后，得到： ； 空间注意力块SAB和通道注意力块CAB构成如下： 空间注意力块SAB包括卷积层、LeakyReLU激活函数层、卷积层、并联的跨通道平均池化和跨通道最大池化、卷积层，表示为： ； 其中，表示SAB模块的输入特征，表示SAB模块的映射函数，表示SAB模块的输出特征； 通道注意力块CAB包括卷积层、LeakyReLU激活函数层、卷积层、自适应平均池化层、卷积层、ReLU激活函数层、卷积层、Sigmoid激活函数层，表示为： ； 其中，表示CAB模块的输入特征，表示CAB模块的映射函数，表示CAB模的输出特征。

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河南科技大学，其通讯地址为：471000 河南省洛阳市洛龙区开元大道263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”。