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！

龙图腾网恭喜成都信息工程大学申请的专利一种基于遥感影像高分辨率重建的遥感监测识别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：CN115830440B 。

龙图腾网通过国家知识产权局官网在2025-04-25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：202211183041.X，技术领域涉及：G06V20/10；该发明授权一种基于遥感影像高分辨率重建的遥感监测识别系统是由李家;周钰谦;张秋燕设计研发完成，并于2022-09-27向国家知识产权局提交的专利申请。

本一种基于遥感影像高分辨率重建的遥感监测识别系统在说明书摘要公布了：本申请提供了一种基于遥感影像高分辨率重建的遥感监测识别系统，采集单元用于采集同一农作物病虫害重点监测区域的传感器的遥感影像，预处理单元用于对采集到的监测区域的遥感影像进行预处理，重建单元用于对所输入的无配对高分辨率影像的低分辨率影像进行高分辨率重建，提取单元用于在高分辨率重建影像上进行提取获得监测区域的重点监测作物种植范围，识别单元用于利用预设病虫害识别模型对作物病虫害情况进行识别，获得区域监测作物病虫害情况，预警显示单元用于利用预设病虫害专家指导系统对当前种植区域进行作物病虫害分级分类预警显示。本申请实现了作物病虫害在作物农田中空间分布和发展趋势的及时获取和精确监测、识别、预警。

本发明授权一种基于遥感影像高分辨率重建的遥感监测识别系统在权利要求书中公布了：1.一种基于遥感影像高分辨率重建的遥感监测识别系统，其特征在于，包括：采集单元，用于采集同一农作物病虫害重点监测区域的传感器的遥感影像；预处理单元，用于对采集到的监测区域的遥感影像进行传感器校准、大气校准、太阳高度校准、地形校准、几何校准和坐标对齐预处理，以获得预处理之后的影像；重建单元，用于接收预处理之后的影像，使用基于传感器误差修正和时空数据融合的遥感影像高分辨率重建方法，对所输入的无配对高分辨率影像的低分辨率影像进行高分辨率重建，以获得与该低分辨率影像配对的高分辨率重建影像；提取单元，用于在所述高分辨率重建影像上进行提取，获得监测区域的重点监测作物种植范围；识别单元，用于根据提取得到的所述重点监测作物种植范围和对应范围遥感影像的光谱信息利用预设病虫害识别模型对作物病虫害情况进行识别，获得所述区域监测作物病虫害情况；预警显示单元，根据识别单元对农作物种植区域监测作物病虫害情况进行分析评估，利用预设病虫害专家指导系统对当前种植区域进行作物病虫害分级分类预警显示；所述使用基于传感器误差修正和时空数据融合的遥感影像高分辨率重建方法，对所输入的无配对高分辨率影像的低分辨率影像进行高分辨率重建包括以下步骤：获取第一时相低分辨率影像、第二时相低分辨率影像和第三时相低分辨率影像，其中，所述第一时相低分辨率影像有配对的同一区域同一时相的第一时相高分辨率影像，所述第三时相低分辨率影像有配对的同一区域同一时相的第三时相高分辨率影像；将所述第一时相低分辨率影像和第二时相低分辨率影像输入超分辨率卷积神经网络，获得第一二时相过渡残差影像，将所述第二时相低分辨率影像和第三时相低分辨率影像输入超分辨率卷积神经网络，获得第二三时相过渡残差影像；将所述第一二时相过渡残差影像输入偏置特征提取卷积神经网络，获得第一二时相传感器偏差，将所述第二三时相过渡残差影像输入偏置特征提取卷积神经网络，获得第二三时相传感器偏差；将所述第一时相高分辨率影像、第一二时相过渡残差影像和第一二时相传感器偏差相加，获得第二时相前向过渡高分辨率影像，将所述第三时相高分辨率影像、第二三时相过渡残差影像和第二三时相传感器偏差相加，获得第二时相后向过渡高分辨率影像；将所述第二时相前向过渡高分辨率影像和第二时相后向过渡高分辨率影像输入时间融合卷积神经网络，获得第二时相高分辨率重建影像；所述将所述第一时相低分辨率影像和第二时相低分辨率影像输入超分辨率卷积神经网络，获得第一二时相过渡残差影像，将所述第二时相低分辨率影像和第三时相低分辨率影像输入超分辨率卷积神经网络，获得第二三时相过渡残差影像具体为：使用损失函数公式losssrθsr＝MSEΔLij,SRCNNΔMij,θsr训练所述超分辨率卷积神经网络，式中，SRCNN表示超分辨率卷积神经网络的映射函数，θsr表示该映射函数的训练权重参数，ΔLij＝Lj-Li为训练集中第j时相高分辨率影像Lj与第i时相高分辨率影像Li的差，ΔMij＝Mj-Mi为训练集中第j时相低分辨率影像Mj与第i时相低分辨率影像Mi的差，其中||·||表示欧氏模长，m为X、Y影像长度上的分辨率，n为X、Y影像宽度上的分辨率；计算第一时相低分辨率影像和第二时相低分辨率影像的影像差，将该影像差输入已训练好的超分辨率卷积神经网络得到获得第一二时相过渡残差影像；计算第二时相低分辨率影像和第三时相低分辨率影像的影像差，将该影像差输入已训练好的超分辨率卷积神经网络得到获得第二三时相过渡残差影像；所述将所述第一二时相过渡残差影像输入偏置特征提取卷积神经网络，获得第一二时相传感器偏差，将所述第二三时相过渡残差影像输入偏置特征提取卷积神经网络，获得第二三时相传感器偏差具体为：使用损失函数lossbiaθbia＝MSEΔLij-ΔFij,BIACNNΔFij,θbia训练所述偏置特征提取卷积神经网络，式中，BIACNN表示偏置特征提取卷积神经网络的映射函数，θbia表示偏置特征提取卷积神经网络映射函数的训练权重参数，ΔLij＝Lj-Li为训练集中第j时相高分辨率影像Lj与第i时相高分辨率影像Li的差，ΔFij为第i，j时相过渡残差影像；将所述第一二时相过渡残差影像输入已训练好的所述偏置特征提取卷积神经网络，获得第一二时相传感器偏差；将所述第二三时相过渡残差影像输入已训练好的所述偏置特征提取卷积神经网络，获得第二三时相传感器偏差；所述将所述第二时相前向过渡高分辨率影像和第二时相后向过渡高分辨率影像输入时间融合卷积神经网络，获得第二时相高分辨率重建影像具体为：使用Bicubic插值法对第一时相低分辨率影像、第二时相低分辨率影像和第三时相低分辨率影像进行上采样，得到第一时相上采样影像、第二时相上采样影像和第三时相上采样影像，其中上采样比例与高分辨率重建后的图像采样比例相同；将第一时相上采样影像与第二时相上采样影像做差，获得第一二时相上采样残差影像，将第二时相上采样影像与第三时相上采样影像做差，获得第二三时相上采样残差影像；使用损失函数losstiθti＝MSELj,TICNNΔCij,ΔCjk,Lij,Lkj,θti-SSIMLj,TICNNΔCij,ΔCjk,Lij,Lkj,θti训练所述时间融合卷积神经网络，式中，TICNN表示时间融合卷积神经网络的映射函数，θti表示该映射函数的训练权重参数，i,j,k表示训练集中的第i,j,k时相，Lj为第j时相高分辨率影像，Lij为第j时相来自第i时相的前向过渡高分辨率影像，Lkj为第j时相来自第k时相的后向过渡高分辨率影像，ΔCij＝Cj-Ci为第i,j时相上采样残差影像，ΔCjk＝Cj-Ck为第j,k时相上采样残差影像，Ci,Cj,Ck分别为对第i,j,k时相低分辨率影像进行上采样得到的第i,j,k时相上采样影像，为图片结构相似性函数，其中μx,μy分别表示影像X,Y中所有元素的均值，σx,σy分别表示影像X,Y中所有元素的标准差，σxy表示影像X,Y中元素的协方差，c1,c2为两个很小的常数，防止分母为0；将所述第二时相前向过渡高分辨率影像、第二时相后向过渡高分辨率影像、第一二时相上采样残差影像和二三时相上采样残差影像输入已训练好的时间融合卷积神经网络得到第二时相高分辨率重建影像。

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成都信息工程大学，其通讯地址为：610225 四川省成都市西南航空港经济开发区学府路1段24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”。