買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉大連大學申請的專利一種基于全局-局部聚合學習的多曝光圖像融合系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115661012B 。

龍圖騰網通過國家知識產權局官網在2025-08-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211239436.7，技術領域涉及：G06T5/50；該發明授權一種基于全局-局部聚合學習的多曝光圖像融合系統是由周士華;雷佳;李嘉偉設計研發完成，并于2022-10-11向國家知識產權局提交的專利申請。

本一種基于全局-局部聚合學習的多曝光圖像融合系統在說明書摘要公布了：本發明公開了一種基于全局?局部聚合學習的多曝光圖像融合系統，包括：協同聚合模塊，獲取融合所需的圖像特征；融合模塊，根據圖像特征對融合結果進行重構；循環精校模塊，利用循環機制不斷地從圖像中挖掘信息，對融合結果進行微調。本發明可以根據低動態范圍圖像直接生成細節豐富曝光平衡的高動態范圍圖像；利用協同聚合模塊從源圖像中挖掘相關特征，成功構建一種融合全局信息和局部信息的特征提取機制。其次，提出了一種特殊的融合模塊來重建融合后的圖像，有效地避免了偽影，抑制了信息的衰減。此外，還利用循環精校模塊進一步微調融合結果，從源圖像中捕捉更多的紋理細節。

本發明授權一種基于全局-局部聚合學習的多曝光圖像融合系統在權利要求書中公布了：1.一種基于全局-局部聚合學習的多曝光圖像融合系統，其特征在于，包括： 協同聚合模塊，獲取融合所需的圖像特征； 融合模塊，根據圖像特征對融合結果進行重構； 循環精校模塊，利用循環機制不斷地從圖像中挖掘信息，對融合結果進行微調； 所述協同聚合模塊，包括： 非局部注意力推理模塊，用于從特征映射中獲取全局依賴關系； 局部自適應學習模塊，作為學習相關局部特征的補充； 所述非局部注意力推理模塊，通過高斯隨機特征逼近和改變乘法順序來獲得圖像的全局特征信息，具體為： 用三個不同的卷積層處理初始圖像特征Fo，得到中間特征表示序列K、Q、V； 獲取m個不同的高斯隨機樣本F1···Fm，并將它們連接成一個高斯隨機矩陣F； 序列Q，序列K與高斯隨機矩陣F相乘，完成Q、K到的具體映射； 序列V與再相乘； 對結果進行歸一化處理，生成聚集全局信息的特征序列 其中，表示高斯隨機變換，即Q，K到的映射過程，N表示歸一化； 所述非局部注意力推理模塊，在卷積層處理初始圖像特征Fo過程中，將初始特征圖Fo乘以放大系數kk1，增強非局部注意權重的稀疏性，具體表示為其中θ·是特征變換； 所述局部自適應學習模塊，包括下采樣階段和上采樣階段； 在第一個下采樣階段，對初始圖像特征Fo進行全局平均池化，然后使用最大池操作來保存鄰域中最重要的信息，分辨率降低到 后，傳遞到卷積層以獲取特征圖a；在第二個下采樣階段，使用平均池化操作處理特征圖a，將處理后的結果傳遞到另一卷積層以獲得大小為的中間特征圖； 在上采樣階段，對中間特征圖使用Sub-pixel進行上采樣，得到大小為的特征圖b； 將特征圖a和特征圖b在通道上進行級聯，然后傳入1×1卷積層；使用Sub-pixel產生局部權值圖的特征序列并用Sigmoid函數將歸一化為[0，1]；其中h為圖像高，w為圖像寬，為特征圖輸出表示； 所述融合模塊，首先級聯特征序列與初始圖像特征Fo，然后對級聯后的特征進行四次卷積運算，獲得初步融合特征；將初始圖像特征Fo與第二次卷積輸出結果相加在一起，得到融合圖像 所述循環精校模塊，構造了一個具有三個卷積層的遞歸精化網絡所述循環精校模塊被定義為其中pt和pt-1分別是第t次迭代和第t-1次迭代的預測特征圖。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人大連大學，其通訊地址為：116622 遼寧省大連市經濟技術開發區學府大街10號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。