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！

龙图腾网获悉长春理工大学申请的专利一种基于频域强化与时空先验的红外低慢小目标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：CN120612559B 。

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：202511107530.0，技术领域涉及：G06V10/764；该发明授权一种基于频域强化与时空先验的红外低慢小目标增强方法是由徐小雨;詹伟达;张军;李锐;马元;蒋一纯;朱德鹏;陈宇;郭金鑫设计研发完成，并于2025-08-08向国家知识产权局提交的专利申请。

本一种基于频域强化与时空先验的红外低慢小目标增强方法在说明书摘要公布了：本发明属于图像超分辨率重建领域，尤其为一种基于频域强化与时空先验的红外低慢小目标增强方法，包括：S1，准备数据集：准备三种红外低慢小目标数据集，自制一种数据集，数据集一、二和三是公开数据集，数据集四是自制数据集，其中，数据集一和四用于训练、微调；数据集二和三用于测试。本发明是一种基于频域强化与时空先验的红外低慢小目标增强方法，设计了红外辐射特性编码、粗粒度帧间稀疏光流对齐、粗粒度帧内多分支高频增强和细粒度帧间‑帧内先验注意力融合方法。通过实验数据，证明本发明能够解决现有方法在红外低纹理场景下运动约束机制不足，导致目标匹配与对齐精度不高的问题；同时，能够增强局部纹理表达，提升目标纹理细节恢复。

本发明授权一种基于频域强化与时空先验的红外低慢小目标增强方法在权利要求书中公布了：1.一种基于频域强化与时空先验的红外低慢小目标增强方法，其特征在于：该方法具体包括如下步骤： S1，准备数据集：准备三种连续帧红外低慢小目标检测数据集，自制一种数据集，数据集一和数据集四用于网络训练和模型微调，数据集二和数据集三用于模型测试； S2，构建红外低慢小目标图像超分辨率重建模型：重建模型包括热梯度增强特征匹配，热梯度增强特征匹配由热梯度算子设计、Harris角点提取和热感知特征描述子组成； ①热梯度算子设计 基于红外图像温度分布具有空间一致性和局部对比度特性，设计了热梯度算子，该算子在计算过程中引入了温度敏感因子、热分布引导权重等信息，有效增强红外图像中目标边缘与局部温差突变区域的响应；该算子的数学表述如下所示： 其中，和分别表示x横向和y纵向的热梯度分量，上述不同方向的热梯度分量的数学表述如下所示： 其中，热梯度核和的数学表述如下所示： 其中，α表示热敏感系数，是根据图像的局部温度方差与全局温度方差自适应调节，从而强化热梯度对比度；该系数的数学表述如下所示： 其中，Wthermalx,y表示基于温度分布的权重函数，该函数是基于温度分布进行设计；该函数的数学表述如下所示： 其中，自适应权重A_{thermal}x,y是基于局部温度分布进行设计，其数学表述如下所示： 其中，μlocal和σlocal分别表示局部窗口内的均值和方差，β＝0.3为温度对比度增强系数； ②Harris角点提取 其次，对基于热梯度的增强图像采用改进的Harris角点检测器进行特征点提取；本发明依据热梯度图像形成的方向导数信息，定义对应的结构张量定义如下： 其中，Gx和Gy分别表示图像在x和y方向的热梯度响应；结构张量Mthermal在局部窗口内反映了灰度此处为热梯度强度变化的协方差信息，其本质上描述了图像局部区域的方向性特征和梯度分布模式； 同时，在角点区域的结构张量对应的两个特征值都较大，表示局部区域在两个方向上均存在显著变化；上述角点响应函数的数学表述如下所示： Rx,y＝detMthermal-k·trace2Mthermal 其中，表示局部梯度协方差矩阵的行列式，反映区域内梯度变化的整体强度；表示梯度变化的总量；k为经验设定的灵敏度调节系数，用于控制对角点与边缘点的响应差异； ③热感知特征描述子 然后，为提高特征匹配的准确性，本发明设计了融合热辐射信息的特征描述子；在传统SIFT描述子的基础上，引入温度梯度方向和幅值信息： Dthermal＝[DSIFT,Dtemp_grad,Dtemp_hist] 其中，温度梯度描述子Dtemp_grad记录主导温度梯度方向： Dtemp_grad[i]＝sum{x,yinR_i}Gthermalx,y×cosθthermalx,y-θi 温度直方图描述子Dtemp_hist统计局部温度分布： Dtemp_hist[j]＝1|R|×sum{x,yinR}I[Ix,yinBinj]； S3，训练网络模型：训练红外低慢小目标图像超分辨率重建模型，将步骤S1中准备好的数据集一和数据集四输入步骤S2中构建的重建模型并进行训练； S4，选择合适的损失函数并确定本方法的最优评价指标：选择合适的损失函数使得输出的重建图像与输入参考图像的差异最小、损失最小，设定训练损失阈值，不断迭代优化模型，直到训练次数达到设定阈值或损失函数的值达到设定阈值范围内即可认为模型参数已预训练完成，保存模型参数；选择数据集二和数据集三中的测试图像输入固化好的模型中得到目标预测结果，使用超分辨率重建效果最优评价指标衡量模型的精度和性能； S5，微调模型，用红外低慢小目标检测数据集二和数据集三对模型进行训练和微调，优化模型参数，提高重建网络性能，得到边缘更加清晰、纹理更加精确的重建结果； S6，保存模型，待S5微调训练完成后，固化微调后的网络参数，确定最终超分辨率重建模型。

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长春理工大学，其通讯地址为：130012 吉林省长春市朝阳区卫星路7089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。