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！

龙图腾网获悉武汉大学申请的专利一种四分支神经网络遥感影像融合方法及计算机可读介质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：CN117274121B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202311062157.2，技术领域涉及：G06T5/50；该发明授权一种四分支神经网络遥感影像融合方法及计算机可读介质是由杨光义;王孟依;王文高;黄和;曹伟男;张洪艳;贺威;金伟正设计研发完成，并于2023-08-22向国家知识产权局提交的专利申请。

本一种四分支神经网络遥感影像融合方法及计算机可读介质在说明书摘要公布了：本发明方法提出了一种四分支神经网络遥感影像融合方法及计算机可读介质。本发明对每幅原始高光谱影像进行光谱维度的下采样处理，获得每幅低光谱分辨率的多光谱影像；对每幅原始高光谱影像进行空间维度的模糊处理和下采样处理，获得每幅低空间分辨率的高光谱影像；构建四分支神经网络模型，结合每幅低光谱分辨率的多光谱影像、每幅低空间分辨率的高光谱影像进行迭代优化，得到训练后的四分支神经网络模型；实时采集高光谱影像，将实时采集的高光谱影像结合训练后的四分支神经网络模型进行融合，得到每幅预测的实时高光谱影像。本发明能够充分地从高光谱和多光谱影像中提取空间特征和光谱特征，并在计算复杂度和空间复杂度方面表现出了巨大优势。

本发明授权一种四分支神经网络遥感影像融合方法及计算机可读介质在权利要求书中公布了：1.一种四分支神经网络遥感影像融合方法，其特征在于： 对每幅原始高光谱影像进行光谱维度的下采样处理获得每幅低光谱分辨率的多光谱影像； 对每幅原始高光谱影像进行空间维度的模糊处理和下采样处理获得每幅低空间分辨率的高光谱影像； 通过特征提取模块、特征融合模块和影像恢复模块依次级联构建四分支神经网络模型，结合每幅低光谱分辨率的多光谱影像、每幅低空间分辨率的高光谱影像通过ADAM优化器迭代优化，得到训练后的四分支神经网络模型；其中，所述四分支神经网络模型包括：特征提取模块、特征融合模块和影像恢复模块；所述的特征提取模块、特征融合模块和影像恢复模块依次级联；所述特征提取模块由第一特征提取子模块、第二特征提取子模块、第三特征提取子模块和第四特征提取子模块并联构成；所述特征融合模块包括第一特征融合子模块、第二特征子融合模块和第三特征融合子模块；所述的第一特征提取子模块、第二特征提取子模块和第一特征融合子模块连接；所述的第三特征提取子模块、第四特征提取子模块和第二特征融合子模块连接；所述的第一特征融合子模块、第二特征融合子模块和第三特征融合子模块连接；所述第三特征融合子模块和多尺度模块连接；所述影像恢复模块包括多尺度子模块和多层级子模块；所述多尺度子模块和多层级子模块连接； 所述第一特征提取子模块以每幅低光谱分辨率的多光谱影像为输入，对每幅低光谱分辨率的多光谱影像进行特征提取，得到每幅低光谱分辨率的多光谱影像空间特征；所述第二特征提取子模块以每幅低光谱分辨率的多光谱影像为输入，对每幅低光谱分辨率的多光谱影像进行特征提取，得到每幅低光谱分辨率的多光谱影像光谱特征；所述第三特征提取子模块以每幅低空间分辨率的高光谱影像为输入，对每幅低空间分辨率的高光谱影像进行特征提取，得到每幅低空间分辨率的高光谱影像空间特征；所述第四特征提取子模块以每幅低空间分辨率的高光谱影像为输入，对每幅低空间分辨率的高光谱影像进行特征提取，得到每幅低空间分辨率的高光谱影像光谱特征； 所述第一特征融合子模块以每幅低光谱分辨率的多光谱影像空间特征、每幅低光谱分辨率的多光谱影像光谱特征为输入，进行特征融合，得到每幅低光谱分辨率的多光谱影像空谱特征，并输出至所述所述第三特征融合子模块；所述第二特征融合子模块以每幅低空间分辨率的高光谱影像空间特征、每幅低空间分辨率的高光谱影像光谱特征为输入，进行特征融合，得到每幅低空间分辨率的高光谱影像空谱特征，并输出至所述所述第三特征融合子模块；所述第三特征融合子模块以每幅低光谱分辨率的多光谱影像空谱特征、每幅低空间分辨率的高光谱影像空谱特征为输入，进行特征融合，得到每幅预测影像空谱特征，并输出至所述多尺度子模块；所述第一特征融合子模块包括一个信道连接模块和一个1×1卷积层，其中信道连接模块与1×1卷积层连接；所述第二特征融合子模块包括一个信道连接模块和一个1×1卷积层，其中信道连接模块与1×1卷积层连接；所述第三特征融合子模块包括一个信道连接模块和一个1×1卷积层，其中信道连接模块与1×1卷积层连接； 所述多尺度子模块以每幅预测影像空谱特征为输入，进行特征提取，得到每幅预测高光谱影像的多尺度空谱特征；所述多尺度子模块包含并联的第一空洞特征提取模块、第二空洞特征提取模块、第三空洞特征提取模块、第四空洞特征提取模块、一个信道连接模块、一个1×1卷积层；所述的第一空洞特征提取模块、第二空洞特征提取模块、第三空洞特征提取模块、第四空洞特征提取模块分别以每幅预测影像空谱特征为输入，进行特征提取，分别得到每幅预测高光谱影像的第一多尺度空谱特征、每幅预测高光谱影像的第二多尺度空谱特征、每幅预测高光谱影像的第三多尺度空谱特征、每幅预测高光谱影像的第四多尺度空谱特征；所述的第一空洞特征提取模块、第二空洞特征提取模块、第三空洞特征提取模块、第四空洞特征提取模块均包含级联的一个空洞卷积卷积层和一个PReLU激活层；所述第三特征融合子模块分别与第一空洞特征提取模块、第二空洞特征提取模块、第三空洞特征提取模块、第四空洞特征提取模块连接；所述多尺度子模块中的多尺度信道连接模块与第一空洞特征提取模块、第二空洞特征提取模块、第三空洞特征提取模块、第四空洞特征提取模块连接；所述多尺度子模块中的多尺度1×1卷积层与所述多尺度子模块中的信道连接模块连接；所述多层级子模块以每幅预测影像的多尺度空谱特征为输入，进行特征提取，得到每幅预测高光谱影像；所述多层级子模块包括级联的多层级1×1卷积层、多层级信道连接模块； 实时采集每幅低光谱分辨率的多光谱影像和低空间分辨率的高光谱影像，通过训练后的四分支神经网络模型进行融合，得到每幅预测的实时高光谱影像。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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。