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！

龍圖騰網獲悉武漢大學申請的專利一種面向任務的遙感影像壓縮方法及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：CN115131673B 。

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：202210713394.X，技術領域涉及：G06V20/13；該發明授權一種面向任務的遙感影像壓縮方法及系統是由王密;項韶;肖晶設計研發完成，并于2022-06-22向國家知識產權局提交的專利申請。

本一種面向任務的遙感影像壓縮方法及系統在說明書摘要公布了：本發明提供了一種面向任務的遙感影像壓縮方法及系統，進行高分辨率遙感影像數據集構建，包括目標檢測數據集和語義分割數據集；目標檢測模型訓練，包括在目標檢測數據集上的一階目標檢測模型的參數訓練；語義分割模型訓練，包括在語義分割數據集上的語義分割模型參數訓練；設置并訓練圖像壓縮模型，重要性特征圖構建，所述重要性特征圖是根據目標檢測模型或語義分割模型提取的感興趣目標區域，對圖像壓縮模型提取的表征特征圖進行重新構建的結果；根據重要性特征圖融合得到新的表征特征圖，實現遙感圖像壓縮。本發明不僅可以有效地改進傳統圖像壓縮方法的壓縮倍率，而且遙感影像壓縮前后的檢測和分割結果幾乎沒有影響。

本發明授權一種面向任務的遙感影像壓縮方法及系統在權利要求書中公布了：1.一種面向任務的遙感影像壓縮方法，其特征在于，包括以下步驟： 步驟1，高分辨率遙感影像數據集構建，包括目標檢測數據集和語義分割數據集，所述目標檢測數據集用于目標檢測任務的模型訓練、驗證和測試使用，其中預先標注的感興趣目標包括飛機、儲油罐和船舶，所述語義分割數據集用于語義分割任務的模型訓練、驗證和測試使用，其中預先標注的感興趣目標包括建筑物； 步驟2，目標檢測模型訓練，包括在目標檢測數據集上的一階目標檢測模型的參數訓練； 步驟3，語義分割模型訓練，包括在語義分割數據集上的語義分割模型參數訓練； 步驟4，設置并訓練圖像壓縮模型，所述圖像壓縮模型基于卷積神經網絡實現，包括四個部分，第一個部分為圖像的編碼模塊Encoder，用于圖像表征特征信息的提取；第二個部分為解碼模塊Decoder，用于對熵編碼后的碼流文件進行解碼為圖像；第三個部分為先驗編碼模塊Hyper-Encoder，用于對Encoder輸出的表征信息進行重新編碼；第四個部分為先驗解碼模塊Hyper-Decoder，幫助Encoder和Decoder更好地實現對表征信息的編碼解碼，通過Hyper-Encoder和Hyper-Decoder學習到表征信息的高斯分布，優化熵模型編碼；圖像壓縮模型分別在目標檢測數據集和語義分割數據集上都訓練一次，來支持解決基于目標檢測的圖像壓縮任務，以及基于語義分割的圖像壓縮任務； 步驟5，重要性特征圖構建，所述重要性特征圖是基于任務需求，根據目標檢測模型或語義分割模型提取的感興趣目標區域，對圖像壓縮模型提取的表征特征圖進行重新構建的結果；實現方式為， 1利用信息提取網絡生成感興趣區域的掩膜； 2對1所得感興趣區域的掩膜降采樣得到新的掩膜； 3對2中降采樣后掩膜中取值為0的元素全部替換為預設參數α，0α≤1； 4構建一個重要性特征圖Mmk,i,j，其中mk,i,j表示第k個特征圖的第i行第j列的元素，初值全部為0，k表示特征圖序號，c表示特征圖數目，并且0≤k≤c-1； 進行如下特征選擇過程， 當kc×α時，第k個特征圖保留所有特征信息， 當k≥c×α時，第k個特征圖只保留感興趣區域的特征信息，背景區域的特征信息被去除； 根據上述方式實現背景與感興趣區域的表征信息的選擇，獲取新的表征特征圖M，稱M為重要性特征圖； 步驟6，根據步驟5所得重要性特征圖融合得到新的表征特征圖，實現遙感圖像壓縮。

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武漢大學，其通訊地址為：430072 湖北省武漢市武昌區珞珈山街道八一路299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”。