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！

龙图腾网恭喜湘潭大学申请的专利一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测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：CN114724019B 。

龙图腾网通过国家知识产权局官网在2025-02-18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：202210352598.5，技术领域涉及：G06V20/13；该发明授权一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法是由曹春红;易红波;向晗;宋威;肖芬;高协平设计研发完成，并于2022-03-31向国家知识产权局提交的专利申请。

本一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法在说明书摘要公布了：本发明公开了一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法。相比其它图像分割方法，本发明有效地提高了海冰遥感图像的分割精度。在本发明中，搭建了一个深层次编解码网络模型，使用更深的编码层数能提取更深层次的语义信息，有助于提高分割精度。同时使用深度可分离卷积实现编解码块，能够有效减少加深网络所带来的计算量增加。使用小波变换提取图像浅层细节信息，与浅层编码所提取的特征进行融合，辅助网络进行特征提取。本发明可以用于海洋养殖、环境保护、海面作业和海冰灾害预防等需要进行海冰监测的任务。

本发明授权一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法在权利要求书中公布了：1.一种基于深度可分离卷积与小波变换辅助特征提取的海冰遥感图像分割方法，其特征在于，所述方法具体包括以下步骤：步骤1：对海冰遥感图像原始数据集进行预处理；步骤2：搭建语义分割网络模型；步骤3：对模型训练的参数进行初始化设置；步骤4：在训练过程中使用FocalLoss损失函数；步骤5：将数据集输入与分割开始进行训练；步骤6：输出海冰分割的预测结果，并计算其与标注的权频交并比；其中，步骤二中搭建的语义分割网络模型包含四个阶段，分别是：小波变换阶段、编码阶段、通道注意力阶段和解码阶段，每个阶段的具体操作如下：1小波变换阶段：对读入图像的每个通道分别使用N＝2的Daubechies小波函数进行二维小波变换，每个通道得到一组4张变换后的矩阵，分别包括：近似矩阵LL、水平细节矩阵HL、垂直细节矩阵LH和对角细节矩阵HH，其尺寸都为变换前图片的14大小；将RGB三个通道的水平、垂直和对角三个方向细节矩阵进行通道堆叠，得到一个128×128×9大小的合并细节矩阵；然后再对近似矩阵进行相同上述小波变换，将生成的细节矩阵进行通道堆叠，得到64×64×9的合并细节矩阵；最后使用卷积Conv操作将合并细节矩阵的通道数分别提升至64和128；2编码阶段：编码阶段包含5个串行连接的编码块EncoderBlock，每个编码块内使用深度可分离卷积进行特征提取，编码块内的最后一层为池化层MaxPooling2D；每经过一个编码块，特征图的长宽减半、通道数翻倍，第一个编码块的输入通道为32；第二个编码块和第三个编码块在池化之前，将特征图分别与小波变换阶段中输出的对应尺寸细节矩阵进行通道拼接；本阶段中编码块的深度可分离卷积包括两个分支，令编码块的输入通道数为C，包括以下步骤：a第一个分支：该分支包含四层卷积；第一层卷积的卷积核为1×1×C，第二层卷积核为3×3×C，第三层卷积核为1×1×2C，第四层卷积核为3×3×2C，激活函数均为Relu，采用0填充，该分支最后进行批归一化BN处理；b第二个分支：该分支包含一层卷积，卷积核为1×1×2C，激活函数为Relu，采用0填充，该分支最后进行批归一化BN处理；c分支合并：将两个分支的输出相加ADD，通过一个Relu激活函数，最后是一个2×2池化核的最大池化层；3通道注意力阶段：设通道注意力ChannelAttention输入的特征图通道为C；通道注意力对输入特征图分别进行全局平均池化GlobalAvgPool和全局最大池化GlobalMaxPool操作，得到两个1×1×C的压缩矩阵；将输出的压缩矩阵分别依次输入到两个全连接层Dense，其中第一个全连接层将通道数降维至C8，第二个全连接层将通道数升维恢复为C，得到两个1×1×C矩阵；随后将两矩阵相加后使用hard-sigmoid激活函数，得到输入特征图的通道权重矩阵；最后将输入特征图与通道权重矩阵进行点乘并输出；4解码阶段：解码阶段包含5个串行连接的解码块DecoderBlock，每个解码块使用深度可分离卷积实现，解码块内的最后一层为2倍上采样UpSampling2D；每经过一个解码块，特征图的长和宽翻2倍、通道数减半；每个解码块的输入由两部分组成，分别是上一解码块输出，以及同级编码块特征图经过通道注意力的输出，将二者进行通道拼接作为解码块的输入；解码阶段的最后通过softmax激活函数输出逐像素的预测图；本阶段中解码块的深度可分离卷积包括两个分支，令解码块的输入通道数为C，包括以下步骤：a第一个分支：该分支包含三层卷积；第一层卷积的卷积核为1×1×C，第二层卷积核为3×3×C，第三层卷积核为激活函数均为Relu，采用0填充，最后进行批归一化处理BN；b第二个分支：该分支包含一层卷积，卷积核为激活函数为Relu，采用0填充，最后进行批归一化处理BN；c分支合并：将两个分支的输出相加ADD，通过一个Relu激活函数，最后是一个2×2核上采样。

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湘潭大学，其通讯地址为：411105 湖南省湘潭市雨湖区湘潭大学；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”。