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！

龙图腾网恭喜中国矿业大学;燕园智能科技(徐州)有限公司申请的专利基于多尺度低秩结构表征的深空目标数据融合增强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：CN120012024B 。

龙图腾网通过国家知识产权局官网在2025-07-04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：202510472087.0，技术领域涉及：G06F18/25；该发明授权基于多尺度低秩结构表征的深空目标数据融合增强方法是由赵作鹏;李永康;刘文文;成晓涵;徐珊珊设计研发完成，并于2025-04-16向国家知识产权局提交的专利申请。

本基于多尺度低秩结构表征的深空目标数据融合增强方法在说明书摘要公布了：基于多尺度低秩结构表征的深空目标数据融合增强方法，步骤包括：收集深空目标多源图像以及部分非图像数据；对收集到的数据进行预处理并表示为多尺度数据的形式；利用低秩稀疏矩阵分解对多尺度数据进行显著特征提取；对各个尺度上的低秩结构特征进行融合；对融合后的图像进行去噪、锐化以及增强的后处理操作；将融合后的特征表示输入到分类或检测网络中，执行具体任务。本发明解决了多光谱数据的冗余、噪声及尺度差异的问题，提升了空间目标探测精度与鲁棒性，有效减少冗余和噪声干扰，提高数据融合的准确性。通过卷积融合多源数据融合策略，降低数据维度，消除不同数据源之间的复杂性，实现低秩结构表征的多源数据的高效融合。

本发明授权基于多尺度低秩结构表征的深空目标数据融合增强方法在权利要求书中公布了：1.基于多尺度低秩结构表征的深空目标数据融合增强方法，其特征在于，包括如下步骤： Step1、采集来自同一空间目标在不同时序条件下的多光谱数据，包括可见光图像、红外图像和红外光谱数据； Step2、对Step1中采集的可见光和红外图像数据通过均值滤波去噪和自适应直方图均衡化的方法进行预处理，对红外光谱数据通过高斯平滑去噪和多项式基线校正的方法进行预处理； Step3、采用高斯金字塔方法将Step2中得到的多源数据分解表示为多尺度矩阵的形式，采用交替最小二乘优化算法进行低秩稀疏矩阵分解的求解，对多时序多光谱数据进行共享特征提取；具体步骤包括： Step3.1-1、为了提取多源数据的主要成分，采用高斯金字塔分析方法将数据进行多尺度分解； 将预处理过的深空目标多源数据表示为矩阵，作为金字塔的第1层，即高斯金字塔的底层； 首先对第一层数据应用高斯滤波，滤波器计算公式为： ； 其中，是标准差，决定了滤波器的宽度，控制了平滑的程度； 对高斯滤波结果进行下采样，即得到第二层数据； 随后对第二层数据继续应用高斯滤波和下采样，即得到第三层数据，从而得到了三个不同尺度下的多源数据信息，高斯金字塔的每一层代表了数据在不同尺度上的特征； Step3.2-1、为了提取多源多尺度数据的共享特征，采用交替最小二乘优化算法对数据进行低秩稀疏矩阵分解，设为各个尺度的数据，低秩稀疏矩阵分解的目的是将分解为和两个部分的矩阵之和，其中是低秩矩阵，表示数据的主要结构或趋势，是稀疏矩阵，表示数据中的异常值、噪声或稀有特征，采用交替最小二乘优化方法对低秩稀疏矩阵分解进行优化，即在每一步中固定一个矩阵，最小化另一个矩阵，从而逐步逼近最优解； 在初始时，需要对矩阵和进行初始化，将初始化为矩阵M的奇异值分解低秩近似矩阵，矩阵则初始化为零矩阵，低秩稀疏矩阵分解的优化过程即为最小化低秩矩阵和稀疏矩阵的分解误差，误差公式为： ； 其中，代表范数，rank表示矩阵秩，card表示矩阵分量个数，r表示低秩背景矩阵秩的最大值，k表示稀疏矩阵的稀疏度，反映了图像中的稀疏分量，将其定义为的范数； Step3.2-2、对低秩矩阵和稀疏矩阵进行交替优化： 首先固定稀疏矩阵，优化低秩矩阵，优化过程的计算公式为： ； 其中，t为数据矩阵的维数； 随后，固定低秩矩阵，优化稀疏矩阵，优化过程的计算公式为： ； 随着迭代次数的增加，分解误差会单调减少，当时，判断优化过程收敛，得到对应背景信息的低秩矩阵和对应异常目标信息的稀疏矩阵，为选定的容错系数； Step4、采用跨模态注意力机制的方法融合多尺度的低秩结构特征，得到完整的融合特征数据； Step5、对Step4中得到的融合特征数据进行去噪和图像锐化的数据后处理，得到最终的多源融合特征数据。

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矿业大学;燕园智能科技(徐州)有限公司，其通讯地址为：221100 江苏省徐州市铜山区大学路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”。