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！

龙图腾网获悉浙江大学申请的专利基于多尺度信息全局整合和显著区域保持的红外与可见光图像融合方法及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：CN120163718B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202510249011.1，技术领域涉及：G06T5/50；该发明授权基于多尺度信息全局整合和显著区域保持的红外与可见光图像融合方法及系统是由厉小润;李京穗;陈淑涵设计研发完成，并于2025-03-04向国家知识产权局提交的专利申请。

本基于多尺度信息全局整合和显著区域保持的红外与可见光图像融合方法及系统在说明书摘要公布了：本发明公开了一种基于多尺度信息全局整合和显著区域保持的红外与可见光图像融合方法及系统，涉及红外与可见光图像融合领域。方法包括：构造基于多尺度信息全局整合和显著区域保持的神经网络；构造基于显著性相似度的损失函数模块，对所述神经网络进行训练，得到训练好的所述神经网络；利用训练好的神经网络获得红外与可见光图像的融合图像结果。本发明基于多尺度信息进行全局整合，着重于挖掘多感受野特征之间的全局依赖关系，针对性地设计了多尺度信息全局整合的编码器模块、基于显著区域保持的特征融合模块以及基于网络中间层特征的显著性相似度损失函数，能够更好地提高红外与可见光融合图像的视觉效果和融合质量。

本发明授权基于多尺度信息全局整合和显著区域保持的红外与可见光图像融合方法及系统在权利要求书中公布了：1.一种基于多尺度信息全局整合和显著区域保持的红外与可见光图像融合方法，其特征在于，包括以下步骤： 步骤1：获取红外与可见光图像配准对齐的灰度图像，并获得可见光图像蓝色和红色浓度偏移量图； 步骤2：构造基于多尺度信息全局整合和显著区域保持的神经网络，所述神经网络以配准对齐的红外与可见光图像作为输入，最终输出融合后的灰度图像，所述神经网络包括多尺度信息全局整合的编码器模块、基于显著区域保持的特征融合模块、特征解码器模块； 步骤2中所述基于多尺度信息全局整合的编码器模块用于从源图像中挖掘包含有丰富的多尺度信息和全局相关性信息的多源特征，其中源图像为红外图像和可见光图像的亮度成分图；所述基于显著区域保持的特征融合模块针对多源特征获得自适应显著区域掩码，并对特征加权获得最终的融合特征；所述特征解码器模块处理融合特征并重构图像生成融合图像； 所述基于多尺度信息全局整合的编码器模块包括个串行的多尺度感知模块和一个基于Transformer的全局特征提取模块；多尺度感知模块首先基于输入的经过预处理的红外图像与可见光图像的亮度成分图，构建多级多尺度特征，计算公式如下： ； ； 其中，表示多尺度感知模块，；第个多尺度感知模块的输出会继续送入到第个多尺度感知模块；将多级的输出经过拼接得到最终的多尺度信息特征，计算公式如下： ； 其中，表述多级多尺度信息特征，表示通道拼接操作；为红外图像的多级多尺度信息特征，为可见光图像的多级多尺度信息特征； 然后，针对提取的多级多尺度信息特征和，构建基于Transformer的全局特征提取模块；首先将多级多尺度信息特征经过下采样并嵌入到隐藏层中，将密集特征块编码，为全局上下文提取做准备；基于Transformer的全局特征提取模块包含个Transformer层，每个层由归一化层、多头注意力机制和多层感知机组成；当编码后的特征通过个Transformer层后，特征逐步上采样以恢复空间维度，不同尺度的输出特征与下采样阶段的特征拼接，输出包含丰富局部上下文信息的红外图像特征张量和可见光图像特征张量；因此编码器共输出4个特征：； 步骤3：构造基于显著性相似度的损失函数，对基于多尺度信息全局整合和显著区域保持的神经网络进行训练，得到训练好的神经网络； 步骤4：对待融合的红外与可见光图像，利用训练好的神经网络获得融合后的灰度图像，并构造图像后处理模块，对神经网络输出的融合后的灰度图像进行图像模式变换，得到融合的彩色图像；实现对红外与可见光图像的融合。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。