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！

龙图腾网获悉北京工业大学申请的专利一种基于边缘信息引导的伪监督学习交通图像质量增强方法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：CN119559075B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202411696703.2，技术领域涉及：G06T5/60；该发明授权一种基于边缘信息引导的伪监督学习交通图像质量增强方法是由杨金福;郝天皓;张少琛;武淑文设计研发完成，并于2024-11-26向国家知识产权局提交的专利申请。

本一种基于边缘信息引导的伪监督学习交通图像质量增强方法在说明书摘要公布了：本发明公开了一种基于边缘信息引导的伪监督学习交通图像质量增强方法，旨在解决因“欠曝”“过曝”现象导致的目标检测精度下降问题，所述方法如下：首先，设计一种基于可见光图像‑SAM掩码的视觉内容生成器，分别提取图像、掩码特征并进行深度融合，以生成对应的增强矩阵γ；其次，设计伪标签生成器，利用输入图像随机生成2N个参考图像，旨在为模型提供丰富的参考数据，增强模型的泛化性和鲁棒性；再次，构建全局‑局部图像质量评估器评估参考图像的图像质量，选取质量最好的图像作为伪标签；最后，引入L1‑SSIM作为模型的结构重建损失，有效捕捉图像的细节和结构信息，在提升图像质量的同时保证图像的视觉连贯性。

本发明授权一种基于边缘信息引导的伪监督学习交通图像质量增强方法在权利要求书中公布了：1.一种基于边缘信息引导的伪监督学习交通图像质量增强方法，其特征在于： 步骤1：构建可见光交通图像数据集并完成数据扩充，从数据集中随机抽样合并构建可见光数据集并利用Retinex图像增强方法进行数据扩充； 步骤2：构建基于可见光图像-SAM掩码图像的视觉内容生成器获取增强矩阵和图像质量增强结果，利用SegmentAnythingModelSAM大模型获取对应的SAM掩码并将可见光图像与SAM掩码一同输入视觉内容生成器生成图像增强矩阵并获取增强后的图像即单次输出结果； 步骤3：利用伪标签生成器构建伪标签参考图像集，通过伪标签生成器随机生成多个不同曝光程度的伪标签图像，并与上一轮的训练结果合并构建伪标签参考图像集； 步骤4：构建全局-局部图像质量评估器并评估参考集中图像质量，计算参考图像集中图像的质量得分，选取得分最高的图像作为伪标签完成模型训练； 步骤5：计算伪标签与输出结果间的重建损失函数，实现对视觉内容生成器的反向传播并更新模型参数，模型拟合后保留模型权重； 步骤6：将测试样本输入训练后的模型获取图像质量增强后的结果，利用无参考图像质量评估方法验证图像质量增强效果； 步骤2具体是基于可见光图像-SAM掩码图像对的视觉内容生成器R-SVCG利用双端编码器分别提取可见光图像与SAM掩码图像的特征信息，并通过混合注意力融合模块HAFM将SAM特征与可见光特征相互融合；在获得融合特征后，通过解码器Decoder生成图像的增强矩阵并对图像进行伽马变换以实现图像质量增强，具体表示如公式所示： 其中分别代表输入图像和SAM掩码结果，为经过双端编码器Dual-Encoder获取的图像特征和掩码特征，通过混合注意力融合模块HAFM获得融合特征，并利用解码器Decoder从特征逐步预测增强矩阵，基于增强矩阵对原始可见光图像进行伽马变换获得增强图像； Dual-Encoder双端编码器由5层顺序迭代的深度学习模块构成，所述的双端编码器构建顺序为卷积层、深度可分离卷积、激活函数Hswish、卷积核以及压缩-激励模块SE；和共同用于提取不同维度的特征有效增强网络的非线性表达能力；5层网络每层的输出通道数量设定为； 在完成特征提取后，利用混合注意力融合模块HAFM将二者特征进行融合，该模块首先对通道维度进行最大池化、平均池化分别获取图像特征和掩码特征的特征分量，并通过线性层Linear对特征分量进行学习；然后，将SAM特征与融合特征输入到一个权值共享的卷积层中，从空间层面完成特征融合得到最终的融合特征，具体表示如公式所示： ； 其中为经过双端编码器Dual-Encoder获取的图像特征和掩码特征，代表通道注意力融合后的特征，为Pytorch框架中的自适应池化层，基于通道层对特征图进行最大池化与平均池化且保证输出前后的特征图大小一致，通过对特征通道维度上每个固定大小的栅格计算最大值和平均值，并将二者相加得到对应的特征分量；利用线性层Linear对原始数据进行线性变换，学习增强模型的泛化性；应用Tanh激活函数获得最终的融合权值并完成通道融合获取，Tanh激活函数公式为： ； 完成通道融合后，将和原始SAM特征输入权值共享的中，步长为1、填充为3，分别获取可见光与SAM掩码的特征分量并通过Concat实现通道维度拼接，通过Tanh激活函数获得空间融合权值以完成特征层面融合，得到融合特征； 解码器通过对原始图像进行伽马变换，具体表示如公式所示： ； 该解码器由步长为1的卷积核、上采样Up以及多层感知机MLP构成，其中上采样使用双线性插值方法，通过在已有像素之间进行加权计算生成新像素实现对融合后特征的扩维，并将融合特征输入进行信息提取；利用Concat将特征与解码后特征拼接以有效保留信息，将该信息输入多层感知机MLP构建复杂的函数映射完成特征解码获得增强矩阵； 伪标签生成器通过调节伽马变换的伽马值生成多种不同光照情况的参考图像；的取值范围为、，假定当图像为“欠曝”时，小于1，而假定图像为“过曝”时，大于1；分别在两个取值范围内各随机选取N个值以获取伪标签图像，具体表示如公式所示： ； 其中，代表生成的伪标签参考图像集，其中共包含个参考伪标签，代表输入可见光图像，代表第张处理后的伪标签参考图像；代表第个随机从范围内获取的伽马值。

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工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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。