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！

龙图腾网获悉北京理工大学申请的专利基于无监督学习的遥感图像盲超分辨率方法和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：CN116452417B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202310216173.6，技术领域涉及：G06T3/4053；该发明授权基于无监督学习的遥感图像盲超分辨率方法和系统是由付莹;梁致远;张涛;郑德智设计研发完成，并于2023-03-08向国家知识产权局提交的专利申请。

本基于无监督学习的遥感图像盲超分辨率方法和系统在说明书摘要公布了：本发明公开了基于无监督学习的遥感图像盲超分辨率方法和系统，属于遥感图像重建技术领域。本发明应用于退化模型未知的遥感图像超分辨率场景，首先利用迁移学习将空间重建信息从自然图像领域迁移到遥感图像领域，再基于无监督学习对空谱重建信息进行优化。通过迁移学习，本发明无需在训练数据有限的遥感图像上进行训练，显式地利用了数据驱动的优势。通过无监督学习，本发明能够泛化到各类退化场景下的遥感图像超分辨率重建任务中，充分学习了光谱重建信息，提高了遥感图像的盲超分辨率精度。

本发明授权基于无监督学习的遥感图像盲超分辨率方法和系统在权利要求书中公布了：1.基于无监督学习的遥感图像盲超分辨率的方法，其特征在于，包括以下步骤： 步骤1：迁移学习阶段，制作自然图像训练数据集，迭代修改算法模型的参数字典； 步骤1.1：对自然图像数据集进行预处理，包括图像增强、裁剪，生成训练数据集； 步骤1.2：生成退化模型； 首先采用高斯模糊核函数，对高分辨率自然图像进行平滑操作，再进行下采样，得到低分辨率的自然图像； 输入高分辨率和低分辨率的自然图像数据对，对神经网络进行训练，得到超分辨率模型f； 步骤1.3：设低分辨率的遥感图像Y大小为N×B，其中N表示高光谱图像的空间分辨率，B表示高光谱图像的通道数； 根据步骤1.2得到的超分辨率模型f，通过迁移学习，对遥感图像Y进行超分辨率重建，生成对应的伪高分辨率遥感图像X；设伪高分辨率遥感图像X大小为rN×B，r是超分辨率尺度； ＝fY，其中，f为超分辨率模型； 步骤2：无监督学习阶段； 步骤2.1：根据步骤1迁移学习阶段得到的低分辨率遥感图像Y和伪高分辨率遥感图像X组成一对训练数据，作为无监督学习网络的输入； 无监督学习网络同时将低分辨率遥感图像Y和伪高分辨率遥感图像X进行非负矩阵分解： Y＝UV，X＝UW 上式中，是端元矩阵，表示实数域，B表示高光谱图像的通道数，L是端元个数；是低分辨率高光谱图像的丰度矩阵，且丰度矩阵的每一列都代表每个像素中端元的分量，N表示高光谱图像的空间分辨率；表示高分辨率高光谱图像的丰度矩阵； 对非负矩阵分解进行约束： 其中，||·||F表示Frobenius范数； 步骤2.2：设计退化损失函数，用一层卷积来模拟模糊核函数： 上式中，是伪高分辨率遥感图像Xp通过非负矩阵分解得到对应的端元矩阵U和丰度矩阵V后，再通过矩阵相乘得到的输出高分辨率遥感图像；k是退化模型中的模糊核函数，↓r是下采样操作符，r是超分辨率尺度； 整个无监督学习网络的损失函数表示为： 式中，η1,η2,η3表示各项的权重。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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”。

以上内容由龙图腾AI智能生成。