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申请的专利一种面向通用光照条件的神经形态相机去噪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：CN117132490B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202311029207.7，技术领域涉及：G06T5/70；该发明授权一种面向通用光照条件的神经形态相机去噪方法是由朱林;郑沄龙;王立志;张磊;黄华设计研发完成，并于2023-08-15向国家知识产权局提交的专利申请。

本一种面向通用光照条件的神经形态相机去噪方法在说明书摘要公布了：一种面向通用光照条件的神经形态相机去噪方法，属于视频去噪领域。依据脉冲流噪声强度与场景光照的关系，将连续的时空脉冲流转化为特定窗口下的图片特征表示，适配传统神经网络的输入；通过标定的暗电流矩阵和响应非一致性矩阵，去除暗电流噪声和响应非一致性噪声；通过二维离散小波变换将图像特征转换为频域特征，利用频域噪声分离的特性实现低成本的噪声去除；通过融合相邻窗口的频域特征，去除散粒噪声和截断噪声；通过深度自注意力网络对频域上的残留噪声进行彻底的去除；最后，为抑制去噪带来的过度平滑，利用频域上的融合特征来精炼去噪结果。本发明适用于视频去噪领域，用于重建干净图像，降低图像中的噪声，减少噪声对下游任务的影响。

本发明授权一种面向通用光照条件的神经形态相机去噪方法在权利要求书中公布了：1.一种面向通用光照条件的神经形态相机去噪方法，其特征在于：包括如下步骤， 步骤1、通过对脉冲相机的噪声进行物理建模，将总噪声解耦为多个噪声分量之和； 步骤2、依据步骤1的物理噪声模型，使用由标定数据测得的暗电流矩阵、相对电荷矩阵和响应非一致性矩阵合成符合真实噪声分布的带噪脉冲流，形成干净图-带噪脉冲流配对数据，以供基于全监督学习的深度网络模型训练； 步骤3、依据神经形态相机采样原理和噪声强度与脉冲密度的关系,自适应生成脉冲流表征，在该表征上计算脉冲流代表的图像特征； 步骤4、建立图像特征与相对电荷矩阵、暗电流矩阵、响应非一致性矩阵的关系，并基于脉冲数据的时序特性，构建深层神经网络去除脉冲流的暗电流噪声和响应非一致性噪声，得到； 步骤5、根据脉冲数据的时序特性，建立基于的多尺度分解网络，当时，令；使用多尺度的离散小波变换对已经去除暗电流噪声和响应非一致性噪声的特征进行表示域转换，该过程表示为： 其中，代表二维图像离散小波变换，代表频域子图集合，为低通滤波器，为高通滤波器，则代表先执行低通滤波再执行高通滤波后的结果； 步骤6、在多尺度上融合和，利用时域信息去除时域噪声，时域融合从最底层特征开始，先使用卷积神经网络从当前帧和前一帧的低频子图上预测融合掩膜，该过程表示为： 其中代表时域融合模块的卷积神经网络，表示尺度2上的融合掩膜，依据其加权融合连续两帧的频域特征，具体公式为： 其中为尺度2上的频域融合特征，相较于当前的频域特征抑制了时域噪声；另外更高尺度0,1上的时域融合在预测时同时需参考低一层的： 尺度0上的频域融合特征经过离散小波逆变换后得到图像域特征； 步骤7、构建各个尺度上的去噪网络模块，在频域上实现噪声的进一步去除，得到每个尺度的去噪结果，同时高层特征去噪需利用底层去噪结果指导，实现细粒度的噪声去除； 步骤8、使用卷积层提取步骤6输出和步骤7输出的融合掩膜并加权融合从而细化去噪结果得到，以解决去噪导致的过度平滑问题，同时使用离散小波逆变换将频域特征转换为图像特征，即为时刻最终的去噪结果； 步骤9、当脉冲数据全部处理完毕时停止，得到最终时刻的重建结果，若仍有脉冲数据，继续执行下一时刻的图像重建，令，，跳转到步骤3继续执行； 步骤10、经由步骤3-步骤9，完成神经网络模型的搭建，并使用步骤2生成的配对数据对其进行全监督训练及测试，生成用于图像重建的网络模型。

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北京理工大学，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。