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！

龙图腾网获悉北京理工大学;北京环境特性研究所申请的专利一种偏振图像识别及像素级分类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：CN115953629B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202310023622.5，技术领域涉及：G06V10/764；该发明授权一种偏振图像识别及像素级分类方法是由马旭;李金山;陈汉唐;陈伟力设计研发完成，并于2023-01-09向国家知识产权局提交的专利申请。

本一种偏振图像识别及像素级分类方法在说明书摘要公布了：本发明属于偏振成像、图像分类、像素级分类和深度学习技术领域，尤其涉及一种偏振图像识别及像素级分类方法。该方法能够区分偏振图像与非偏振图像，以及进一步识别具有不同偏振特征的I偏振图像、Q偏振图像、U偏振图像、DOP偏振图像、AOP偏振图像五类偏振图像。首先，由于Q偏振图像和U偏振图像特征相似，本发明先将Q和U两类偏振图像归为一类QU偏振图像，利用偏振图像五分类ResNet50残差网络模型进行I、QU、DOP、AOP和无偏图像五分类训练。其次，将QU偏振图像进行了图像锐化处理，增强了两类图像的偏振特性差异，再利用偏振图像二分类ResNet50残差网络模型进行Q偏振图像和U偏振图像二分类训练，提升了分类精度。

本发明授权一种偏振图像识别及像素级分类方法在权利要求书中公布了：1.一种偏振图像识别及像素级分类方法，其特征在于包括如下步骤： S1：将目标场景未知类别的偏振图像和非偏振图像输入到偏振图像六分类网络模型中进行六分类，得到目标场景的六分类图像，六分类图像分别为I偏振图像、Q偏振图像、U偏振图像、DOP偏振图像、AOP偏振图像五类偏振图像和非偏振图像； S2：将步骤S1得到的六分类图像中的I偏振图像、Q偏振图像、U偏振图像、DOP偏振图像、AOP偏振图像五类偏振图像堆叠到一起，构成目标场景五通道偏振图像； S3：将步骤S2中堆叠得到的目标场景五通道偏振图像输入到像素级分类网络模型中对目标场景五通道偏振图像的每一点进行类别判断，完成目标场景五通道偏振图像的像素级分类； 所述的步骤S1中，六分类方法具体步骤为： S101：通过足够数量且已知类别的I偏振图像、Q偏振图像、U偏振图像、DOP偏振图像、AOP偏振图像和非偏振图像建立偏振图像分类任务的数据集，其中，I偏振图像、Q偏振图像、U偏振图像的计算公式为： 其中，、、和为偏振相机拍摄的不同偏振角度的图像； 计算偏振度DOP图像和偏振角AOP图像： S102：训练偏振图像五分类ResNet50残差网络模型，将步骤S101计算得到的Q偏振图像和U偏振图像归为一类QU偏振图像，建立I偏振图像、QU偏振图像、DOP偏振图像、AOP偏振图像和非偏振图像五分类任务数据集，五分类任务数据集的真值标签集合为，为五分类任务数据集中图像的数量，将五分类任务数据集输入进偏振图像五分类ResNet50残差网络模型进行I、QU、DOP、AOP和非偏振图像五分类任务，得到五分类任务数据集的分类预测值集合，每一张图像的预测值都是一个长度为的向量，为五分类任务的类别数量，其中每个元素分别为该图像被预测为每个类别的概率； S103：根据真值集合和预测值集合构造交叉熵损失函数： 其中，为五分类任务数据集的图像数量，为图像类别，为五分类任务数据集的类别数量，为符号函数0或1，如果样本的真实类别等于则取1，否则取0，为观测样本属于类别的预测概率，判断五分类任务数据集的真值集合与预测值集合之间的损失函数值是否满足预设定要求，若满足，则当前的五分类网络模型为最终的偏振图像五分类ResNet50残差网络模型，完成I、QU、DOP、AOP和非偏振图像五分类ResNet50残差网络模型的训练，进入步骤S105，若不满足，则进入步骤S104； S104：按照设定规则更新偏振图像五分类ResNet50残差网络模型中的参数权重，重新执行步骤S102-S103，更新五分类任务数据集的预测值集合，并重新计算五分类任务数据集真值集合和预测值集合之间的损失函数值，直至满足预设定要求； S105：将QU偏振图像进行边缘锐化处理； S106：训练偏振图像二分类ResNet50残差网络模型，步骤S105边缘锐化后的QU偏振图像作为Q和U偏振图像二分类任务的数据集，二分类任务数据集的真值标签集合为，为二分类任务数据集中图像的数量，将二分类任务数据集输入进偏振图像二分类ResNet50残差网络模型进行Q和U图像二分类任务，得到二分类任务数据集的预测值集合，每一张图像的预测值都是一个长度为的向量，为二分类任务类别数量，其中每个元素分别为该图像被预测为每个类别的概率； S107：根据Q和U偏振图像真值集合和预测值集合构造交叉熵损失函数： 其中，为二分类任务数据集的图像数量，为图像类别，为二分类任务数据集的类别数量，为符号函数0或1，如果样本的真实类别等于则取1，否则取0，为观测样本属于类别的预测概率，判断真值集合与预测值集合之间的损失函数值是否满足预设定要求，若满足，则当前的二分类网络模型为最终的Q和U偏振图像二分类ResNet50残差网络模型，完成Q和U偏振图像二分类ResNet50残差网络模型的训练，进入步骤S109，若不满足，则进入步骤S108； S108：按照设定规则更新偏振图像二分类ResNet50残差网络模型中的参数权重，重新执行步骤S106-S107，更新二分类任务数据集的预测值集合，并重新计算二分类任务数据集的真值集合和预测值集合之间的损失函数值，直至满足预设定要求； S109：将目标场景未知类别的偏振图像和非偏振图像首先输入进训练好的I、QU、DOP、AOP和非偏振图像五分类ResNet50残差网络模型，进行五分类预测，将预测结果为QU的偏振图像进行图像边缘锐化处理，之后输入进训练好的Q和U偏振图像二分类ResNet50残差网络模型，进行Q和U图像的分类预测，最终得到目标场景所有图像的类别，实现目标场景I偏振图像、Q偏振图像、U偏振图像、DOP偏振图像、AOP偏振图像五类偏振图像和非偏振图像的识别。

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北京理工大学;北京环境特性研究所，其通讯地址为：100081 北京市海淀区中关村南大街5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。