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！

龙图腾网恭喜北京交通大学申请的专利一种基于WPSN和CNN的超分辨率图像重建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：CN118982460B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202411041098.5，技术领域涉及：G06T3/4053；该发明授权一种基于WPSN和CNN的超分辨率图像重建方法是由廉巧芳;杨蕊设计研发完成，并于2024-07-31向国家知识产权局提交的专利申请。

本一种基于WPSN和CNN的超分辨率图像重建方法在说明书摘要公布了：本发明提供了一种基于WPSN和CNN的超分辨率图像重建方法。该方法包括：利用LR图像数据和HR图像数据构建训练数据集；构建新的特征提取器波包散射网络WPSN，设定实验参数；基于WPSN构建新的超分辨率图像重建模型WPSN‑CNN，设定模型超参数，通过所述训练数据集训练网络模型WPSN‑CNN，得到训练好的WPSN‑CNN网络模型；利用训练好的WPSN‑CNN网络模型进行超分辨率图像重建。本发明通过将波包系统引入WSN，并去掉WSN中的取模以及与低通滤波器的卷积操作，建立新的特征提取器，使得新提取的特征具有平移可交换性，更能充分利用图像多方向多尺度多频带的特征。使用WPSN‑CNN做超分辨率图像重建任务能够提取更丰富的图像特征，从而更精准地重建图像高频结构和复杂纹理，在小规模数据集上的收敛速度更快、PSNR和SSIM指标显著提高、视觉效果更逼真。

本发明授权一种基于WPSN和CNN的超分辨率图像重建方法在权利要求书中公布了：1.一种基于WPSN和CNN的超分辨率图像重建方法，其特征在于，包括：利用LR图像数据和HR图像数据构建训练数据集；构建新的特征提取器——波包散射网络WPSN，设定实验参数；基于WPSN构建新的超分辨率图像重建模型WPSN-CNN，设定模型超参数，通过所述训练数据集训练网络模型WPSN-CNN，得到训练好的WPSN-CNN网络模型；利用所述训练好的WPSN-CNN网络模型进行超分辨率图像重建；所述的构建新的特征提取器——波包散射网络WPSN，设定实验参数，包括：去掉WSN中的取模以及与低通滤波器的卷积操作，将局部平移不变特征改为平移可交换的特征，在WSN中引入波包变换，构建新的特征提取器WPSN，所述WPSN包括不同窗口大小、不同方向和不同频带的滤波器；在WPSN的第0层，输入LR图像f，输出波包散射系数在第1层，输入LR图像f，计算本层传播系数输出波包散射系数在第2层，输入第1层传播系数计算本层传播系数输出波包散射系数按此过程继续，在第m层输入第m-1层的传播系数计算本层传播系数输出波包散射系数假设WPSN有层，则WPSN输出每层的波包散射系数和最后一层计算出的传播系数的模，即：其中所涉及的定义及符号详述如下：对于LR图像伸缩算子和调制算子分别定义为：Djfu＝2―2jf2―ju，其中，为尺度参数，为调制参数；设对ψ进行旋转、伸缩、调制变换得到二维方向波包系统: 其中为尺度参数，0≤θπ表示旋转角度，表示调制参数，Rθ是旋转矩阵j取有限个值，不妨设j＝0,1,…,J，其中令对定义对于图像f和定义： 其中，★表示卷积，定义如下： 将长度为m的有序路径p组成的集合记为 对于图像f和有序路径f沿路径的传播系数定义为： 如果规定图像f沿路径的波包散射变换定义为： 其中，re·为取实部，如果规定其中WPSN网络输入LR图像f，输出的是每一层的波包散射系数和最后一层传播系数的模： WPSN特征有平移可交换性质和重建性质：平移可交换性，对于和平移参数定义平移算子为：Tcf·＝f·―c,则由于卷积、取模和取实部均与平移可交换，有： 重建性，若WPSN中的m＝1是最后一层，则利用和恢复结合恢复图像f；实验中WPSN所涉及的参数设定为：8个方向θ∈{kπ8}k＝―4,―3,…,1,2,3，3个尺度j＝0,1,2，4个调制参数η＝0,0,0.5,0,1,0,1.5,0，最大路径长度为2，m＝0,1,2，φ和ψ表达式如下： 其中σ＝0.8,β＜＜1以保证

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交通大学，其通讯地址为：100044 北京市海淀区西直门外上园村3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”。