CN120012024B 基于多尺度低秩结构表征的深空目标数据融合增强方法 （中国矿业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN120012024B(45)授权公告日2025.07.04

(21)申请号202510472087.0

(22)申请日2025.04.16

(65)同一申请的已公布的文献号申请公布号CN120012024A

(43)申请公布日2025.05.16

(73)专利权人中国矿业大学

地址221100江苏省徐州市铜山区大学路1

号

专利权人燕园智能科技(徐州)有限公司

(72)发明人赵作鹏李永康刘文文成晓涵

徐珊珊

(74)专利代理机构深圳天融专利代理事务所(普通合伙)44628

专利代理师宋春山

(51)Int.CI.

GO6F18/25(2023.01)

GO6V10/80(2022.01)

GO6V10/58(2022.01)

GO6V10/46(2022.01)

GO6V10/143(2022.01)

GO6T5/70(2024.01)

G06T5/73(2024.01)

GO6T5/40(2006.01)

GO6T5/60(2024.01)

GO6V10/82(2022.01)

GO6N3/045(2023.01)

(56)对比文件

CN104299216A,2015.01.21CN102842124A,2012.12.26审查员武茹茹

权利要求书4页说明书9页附图2页

(54)发明名称

可见光图像红外图像红外光谱数据

可见光图像红外图像红外光谱数据

去噪去噪

图像增强基线校正

多尺度分解

低秩稀疏矩阵分解

(LRaSMD)

跨模态注意力机制

融合数据后处理去噪、锐化

融合图像数据

BCN120012024(57)摘要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

B

CN120012024

(57)摘要

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。

CN120012024B权利要求书1/4页

2

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G?,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，σ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G?;

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G?,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M,为各个尺度