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！

龙图腾网获悉西北大学申请的专利一种用于高光谱图像增强的网络模型训练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：CN119809938B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202411880818.7，技术领域涉及：G06T3/4076；该发明授权一种用于高光谱图像增强的网络模型训练方法是由彭进业;付毅豪;张涵毓;王珺;俞凯;刘璐;彭盛霖;王琳;梁海达设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本一种用于高光谱图像增强的网络模型训练方法在说明书摘要公布了：本发明公开了一种用于高光谱图像增强的网络模型训练方法，方法包括以下步骤：获取训练数据集；将训练数据集中的高光谱图像HLR以及上采样得到的高光谱图像H'HR输入至网络模型的光谱校正分支中，以对训练数据集中的高光谱图像HLR进行校正，得到校正后的高光谱图像将多光谱图像IHR输入至网络模型的空间重建分支中进行分解和重组，以提取多光谱图像IHR中的空间信息并利用可学习权重将其注入光谱校正分支中，使其自适应地将空间信息注入至高光谱图像H'HR中得到高光谱图像采用混合损失函数对网络模型进行训练。本发明解决了现有技术忽略不同波段所需信息有所差异、空间细节提取不充分的问题，从而获取更丰富的空间细节，保证具有较好的空间结构质量。

本发明授权一种用于高光谱图像增强的网络模型训练方法在权利要求书中公布了：1.一种用于高光谱图像增强的网络模型训练方法，其特征在于，所述方法包括以下步骤： S1、获取多个场景下多对相同角度的多光谱图像IHR和高光谱图像HLR，以得到训练数据集； S2、将所述训练数据集中的高光谱图像HLR以及对所述高光谱图像HLR进行上采样得到的高光谱图像H'HR输入至网络模型的光谱校正分支中，以对所述训练数据集中的高光谱图像HLR进行校正，得到校正后的高光谱图像其中，所述光谱校正分支具有光谱拼接模块和压缩校正模块； 对于输入样本Fx,x∈{H,L}，将所述光谱校正分支的输入通道采用任意大小的卷积核压缩，然后将输入样本Fx通过所述光谱校正分支的输入通道分若干次输入，并通过所述光谱拼接模块将若干次输入的样本数据依次拼接起来，得到隐式特征 通过所述压缩校正模块squeeze计算输入样本FH的信道关注向量VFH和输入样本FL的信道关注向量VFL： 通过含有1x1卷积+sigmoid函数组成的Correction层计算校正向量Vr： 所述高光谱图像HLR的光谱校正参数F'x为： 通过所述光谱校正参数F'x校正所述高光谱图像HLR，得到所述高光谱图像 将多光谱图像IHR输入至网络模型的空间重建分支中进行分解和重组，以提取所述多光谱图像IHR中的空间信息，并得到重组后的多光谱图像其中，通过高通滤波器提取所述多光谱图像IHR中的高频信息并作为先验信息来弥补空间信息提取的不足，所述空间重建分支利用高频信息引导卷积神经网络学习和提取多光谱图像IHR细节； 其中，HFcnn为高通滤波器提取到的高频信息，HFnon为高通滤波器提取到的非高频信息，G为高通滤波，HF为多光谱图像IHR的高频信息，C·表示卷积运算； 将学习到的HFcnn和HFnon进行重建得到多光谱图像 其中，Rebuild·为重建层，所述多光谱图像采用3×3的卷积核重建； 利用一个可学习权重将提取到的空间信息注入对应层的光谱校正分支中，使其自适应地将空间信息注入至高光谱图像H'HR中，得到增强后的高光谱图像 S3、采用混合损失函数对网络模型进行训练，直至收敛。

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大学，其通讯地址为：710000 陕西省西安市太白北路229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。