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！

龙图腾网恭喜广东海洋大学申请的专利一种遥感图像的特征增强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：CN118840565B 。

龙图腾网通过国家知识产权局官网在2025-04-22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：202411079569.1，技术领域涉及：G06V10/42；该发明授权一种遥感图像的特征增强方法及系统是由吴园园;黄梦醒;林聪设计研发完成，并于2024-08-07向国家知识产权局提交的专利申请。

本一种遥感图像的特征增强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，具体涉及遥感图像的特征增强方法及系统，方法包括：构建特征增强模型，特征增强模型包括双向自适应局部‑全局特征编码器、解码器和重构单元；双向自适应局部‑全局特征编码器用于提取精分辨率图像的多分辨率局部‑全局特征和粗分辨率图像的多分辨率局部‑全局特征；通过将待处理图像输入双向自适应局部‑全局特征编码器，提取浅层局部特征和多个分辨率的局部‑全局特征；将浅层局部特征和多个分辨率的局部‑全局特征经解码器从低分辨率向高分辨率逐级融合，生成理想分辨率的融合特征，进而通过重构单元将理想分辨率的融合特征生成高分辨率图像；本发明能够增强遥感影像多尺度局部和全局特征的表达。

本发明授权一种遥感图像的特征增强方法及系统在权利要求书中公布了：1.一种遥感图像的特征增强方法，其特征在于，所述方法包括以下步骤：S100，构建特征增强模型，所述特征增强模型包括双向自适应局部-全局特征编码器、解码器和重构单元；其中，所述双向自适应局部-全局特征编码器用于提取精分辨率图像的多分辨率局部-全局特征和粗分辨率图像的多分辨率局部-全局特征；S200，获取待处理图像，将所述待处理图像输入所述双向自适应局部-全局特征编码器，提取浅层局部特征和多个分辨率的局部-全局特征；其中，所述待处理图像包括精分辨率图像和粗分辨率图像；S300，将所述浅层局部特征和多个分辨率的局部-全局特征经解码器从低分辨率向高分辨率逐级融合，生成理想分辨率的融合特征，进而通过重构单元将所述理想分辨率的融合特征生成高分辨率图像；所述双向自适应局部-全局特征编码器包括两条编码器支路，每条所述编码器支路均包括MDconv模块、分别与N+1个分辨率阶层对应的RMDCT模块和采样模块；S200中，所述将所述待处理图像输入所述双向自适应局部-全局特征编码器，提取浅层局部特征和多个分辨率的局部-全局特征，包括：S210，将所述待处理图像输入MDconv模块，提取所述待处理图像的浅层局部特征；S220，通过N+1个分辨率阶层的RMDCT模块和N次采样操作对所述待处理图像提取得到N+1个分辨率阶层的局部-全局特征；S210中，所述将所述待处理图像输入MDconv模块，提取所述待处理图像的浅层局部特征，包括：通过所述MDconv模块提取所述待处理图像的浅层局部特征，数学表达式如下： 其中，SF0和SCN分别表示精分辨率图像和粗分辨率图像的浅层局部特征，表示核大小为3、空洞率是i的空洞卷积操作，FIi和CIi分别表示由提取的精分辨率图像和粗分辨率图像的特征，表示卷积核为1的卷积操作，κlrelu·表示泄露线性整流函数，κconcat·表示沿通道方向的拼接操作，FI代表精分辨率图像，CI表示粗分辨率图像；S220中，所述通过N+1个分辨率阶层的RMDCT模块和N次采样操作对所述待处理图像提取得到N+1个分辨率阶层的局部-全局特征，包括：通过以下公式对所述待处理图像提取得到N+1个分辨率阶层的局部-全局特征：F0＝κRMDCTSF0；Fn＝κRMDCTDFn-1n＝1,…,N； CN＝κRMDCTSCN；Cn-1＝κRMDCTUCnn＝1,…,N； 其中，κRMDCT·表示RMDCT模块处理的函数，Fn表示由所述双向自适应局部-全局特征编码器的一条编码器支路的第n分辨率阶层的RMDCT模块对精分辨率图像提取的局部-全局特征，Cn表示由另一条编码器支路的第n分辨率阶层的RMDCT模块对粗分辨率图像提取的局部-全局特征，DFn表示对Fn进行下采样操作获得的局部-全局下采样特征，κunshuffle·表示下采样操作，UCn表示对Cn进行上采样操作获得的局部-全局上采样特征，κshuffle·表示上采样操作，表示核为3的卷积操作；其中，n＝0,1,…,N；所述RMDCT模块包括残差-MDconv模块和MDCT模块，所述MDCT模块为多头深度卷积Transformer模块，所述残差-MDconv模块和MDCT模块构成残差结构；所述残差-MDconv模块采用残差连接避免梯度消失，用于提取和增强局部信息；所述MDCT模块包括层归一化处理模块、多头深度卷积注意力模块、增强的前向传递网络和残差连接；所述RMDCT模块处理的过程包括：S510，对MDCT模块的输入图像Z进行层归一化操作得到归一化后的特征ZLN，对所述归一化后的特征ZLN通过一个1×1卷积层聚集像素级跨通道上下文和1个3×3深度卷积编码通道分离空间上下文并生成查询、键和值；其中，第一分辨率阶层的MDCT模块的输入图像Z是所述浅层局部特征，后续MDCT模块的输入图像Z为前一分辨率阶层输出的局部-全局下采样特征或局部-全局上采样特征；层归一化操作和生成查询、键和值的过程表达式如下：ZLN＝κLNZ； 其中，κLN是层归一化操作，Z和ZLN是MDCT模块的输入图像和对所述输入图像层归一化处理后的归一化特征，Q、K、V分别为生成的查询、键和值，和表示映射生成Q的核为3×3的深度卷积操作和核为1的卷积操作；和表示映射生成K的核为3×3的深度卷积操作和核为1的卷积操作；和表示映射生成V的核为3×3的深度卷积操作和核为1的卷积操作；S520，将查询Q和键K变形得到Qr和Kr，并进行点积和Softmax操作生成转置注意力图A，得到查询Q和键K之间相关性的全局注意力权重；其中，所述生成转置注意力图A的过程表达式如下： 其中，A为转置注意力图像，Qr、Kr是分别对Q、K经变形操作获得；是用于调节幅值的可学习参数；S530，对值V变形得到Vr，将所述Vr与转置注意力图A相乘得到校正后的特征，有助于得到有用的局部上下文；最后对所述校正后的特征变形并通过1×1卷积实现特征互联得到互联特征ZA，将所述互联特征ZA与输入图像Z进行残差连接生成第一局部-全局特征Z′；其中，所述生成互联特征ZA和第一局部-全局特征Z′的过程表达式如下： Z′＝Z+ZA；其中，ZA是经卷积自注意力校正后的互联特征，表示核为1的卷积操作，κr为变形操作，Vr是对V经变形操作获得，Z′是经归一化处理、卷积自注意力和残差连接后输出的第一局部-全局特征；S540，所述第一局部-全局述特征Z′通过层归一化操作、增强的前向传递网络和残差连接生成第二局部-全局特征Z″；其中，所述生成第二局部-全局特征Z″的过程表达式如下： 其中，Z″为通过层归一化操作、增强的前向传递网络、残差连接后生成的第二局部-全局特征，κGELU是高斯误差线性单元激活函数；S550，将所述MDCT模块生成的第二局部-全局特征Z″、经过残差-MDconv模块操作的输入图像进行残差连接生成所述双向自适应局部-全局特征编码器中第n分辨率阶层RMDCT模块的局部-全局特征。

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广东海洋大学，其通讯地址为：524000 广东省湛江市麻章区海大路1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”。