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！

龙图腾网恭喜中国科学院长春光学精密机械与物理研究所申请的专利基于Swin Transformer网络的压缩成像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：CN119417918B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202510026982.X，技术领域涉及：G06T9/00；该发明授权基于Swin Transformer网络的压缩成像方法及系统是由王玮;赵晟杰;于宏柱;李文昊;吴峥;白雪龙;尹志宇设计研发完成，并于2025-01-08向国家知识产权局提交的专利申请。

本基于Swin Transformer网络的压缩成像方法及系统在说明书摘要公布了：本发明涉及图像处理技术领域，尤其涉及一种基于SwinTransformer网络的压缩成像方法及系统，先对训练数据利用CC哈达玛矩阵进行采样处理获得编码图像，再利用编码图像对基于SwinTransformer的神经网络进行训练，得到最优压缩重建模型；系统中将最优压缩重建模型加载到处理中心中，将探测器采集到的多幅低分辨率图像预处理得到编码图像后，再利用最优压缩重建模型得到重建图像。本发明提供的系统和方法相比于常用的采样矩阵，CC哈达玛矩阵采样后的重建效果更佳，有效提升图像的重建质量。

本发明授权基于Swin Transformer网络的压缩成像方法及系统在权利要求书中公布了：1.一种基于SwinTransformer网络的压缩成像方法，其特征在于：包括以下步骤：S1：获取数据集，并使用CC哈达玛矩阵对所述数据集中的原始图像进行重新编码得到编码图像；对所述编码图像及其对应的原始图像进行数据增强，得到训练集和测试集；步骤S1包括以下步骤：S11：生成一个大小为B2×B2的原始哈达玛矩阵，将所述原始哈达玛矩阵的每一行重新排列为一个B×B大小的哈达玛子矩阵；将所述哈达玛子矩阵中元素相同的一个区域视为一个块，统计所述原始哈达玛矩阵中每行对应的哈达玛子矩阵中块的个数；S12：将步骤S11中的所有哈达玛子矩阵按块的个数从小到大的顺序排列，重新排序后的哈达玛矩阵选取其中的前M个哈达玛子矩阵，并将M个哈达玛子矩阵中的-1元素替换为0；将替换后的M个哈达玛子矩阵按行展开并排列，得到所述CC哈达玛矩阵；S13：将大小为H×W的原始图像进行B×B大小的分块处理，得到N=HWB2个图像块；S14：将步骤S13中的所有图像块与步骤S11中的第j个哈达玛子矩阵对应元素相乘后，再将相乘结果相加得到对应像素值，其中，进而得到大小为HW×WB的低分辨率图像；将所述低分辨率图像按之字形排列得到一个1×N大小的向量；S15：重复M次步骤S14得到M个1×N大小的向量；将M个1×N大小的向量组成一个M×N大小的压缩信号矩阵，将所述压缩信号矩阵与步骤S13得到的CC哈达玛矩阵的伪逆矩阵相乘，得到编码矩阵，将编码矩阵的每一列恢复成B×B大小的图像块，至此得到N个图像块，再将N个图像块按之字形排列得到所述编码图像；S2：搭建神经网络；在所述神经网络中，输入图像依次经过浅层特征提取模块和深层特征提取模块的特征提取后，再经过残差特征重建模块，得到重建图像；所述浅层特征提取模块包括3×3卷积层，即所述输入图像经过所述浅层特征提取模块的3×3卷积操作后得到浅层特征；所述深层特征提取模块中，所述浅层特征经过块嵌入层后得到块嵌入特征；所述块嵌入特征经过不少于2个的残差提取层后得到残差特征；所述残差特征经过3×3卷积层后，得到深层特征；在所述块嵌入层中，对所述浅层特征中的每个特征图进行分块得到特征图块，再将所述特征图块按照特征图的列方向从上到下进行之字顺序排序，再将每个特征图块按列展开组合，得到所述块嵌入特征；S3：将步骤S1得到的训练集输入到步骤S2的神经网络中进行训练，得到压缩重建模型；S4：将步骤S1得到的测试集输入到步骤S3的压缩重建模型中进行测试，根据测试结果调整步骤S3的训练过程中的超参数，并重复步骤S3，直至得到最优压缩重建模型；S5：将待重建的图像输入步骤S4得到的最优压缩重建模型中，得到对应的重建后图像。

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中国科学院长春光学精密机械与物理研究所，其通讯地址为：130033 吉林省长春市经济技术开发区东南湖大路3888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”。