龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：中国海洋大学
申请日：2024-05-14
公开（公告）日：2024-06-11
公开（公告）号：CN118172265A
主分类号：G06T5/50
分类号：G06T5/50;G06T5/73;G06V10/764;G06V10/774;G06V10/82
优先权：
专利状态码：在审-实质审查的生效
法律状态：2024.06.28#实质审查的生效;2024.06.11#公开
摘要：本发明涉及一种基于ViT预训练的轻量化高光谱与全色图像融合方法，属于图像处理技术领域，对高光谱和全色图像进行预处理，然后分别利用优化后的全色特征提取模型、全色特征提取器提取关键特征，并采用一种轻量化融合模型有效地结合两种图像的信息。本发明通过在特定的数据集上对模型进行迭代优化和微调，提高了模型的适应性和融合精度，同时使用交叉熵损失函数确保了在训练过程中融合质量的持续提升。本发明引入自适应权重计算模块，可以根据输入图像的特征动态调整全色和光谱权重因子，提升融合效果的自然性和真实感。通过多个融合模块的层次化处理，使得特征在融合过程中逐步细化和优化，增强了模型的泛化能力和对复杂场景的适应性。
主权项：1.一种基于ViT预训练的轻量化高光谱与全色图像融合方法，其特征在于，包括如下步骤：S1：对PanCollection全色图像数据集进行预处理，得到PanCollection全色图像；S2：构建全色特征提取模型，并将PanCollection全色图像输入，得到判定结果；S3：对步骤S2多次迭代，得到预训练后的全色特征提取模型；S4：对GF2Hyper图像数据集进行预处理，得到GF2Hyper全色图像和GF2Hyper高光谱图像；S5：构建轻量化融合模型，轻量化融合模型由全色特征提取器、光谱特征提取器、融合模块、自适应权重计算模块和重建模块构成；S6：将GF2Hyper全色图像经全色特征提取器输入至自适应权重计算模块，同时将GF2Hyper高光谱图像经光谱特征提取器输入至自适应权重计算模块中，自适应权重计算模块计算各自权重后依次输入至融合模块和重建模块，最后得到重建图像；S7：对步骤S6进行迭代，使用交叉熵损失函数约束模型，得到微调后的轻量化融合模型；S8：将待融合的全色图像和高光谱图像，输入到微调后的轻量化融合模型中，输出得到重建图像。
全文数据：
权利要求：
百度查询： 中国海洋大学 基于ViT预训练的轻量化高光谱与全色图像融合方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号