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！

龙图腾网获悉大连理工大学申请的专利一种基于状态空间模型的高光谱图像与激光雷达图像融合分类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：CN119851041B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202510048978.3，技术领域涉及：G06V10/764；该发明授权一种基于状态空间模型的高光谱图像与激光雷达图像融合分类方法是由马晓瑞;宋彦增;肖茜文;杜贞容设计研发完成，并于2025-01-13向国家知识产权局提交的专利申请。

本一种基于状态空间模型的高光谱图像与激光雷达图像融合分类方法在说明书摘要公布了：一种基于状态空间模型的高光谱图像与激光雷达图像融合分类方法，属于遥感图像处理与应用技术领域。首先，使用光谱仪和激光雷达采集同一区域的高光谱图像与激光雷达图像；其次，将高光谱图像和激光雷达图像分别使用卷积神经网络提取局部特征得到，使用视觉状态空间模型提取全局特征；再次，将特征按排序后输入设计的状态与特征双重融合神经网络中，得到融合后的特征，使用多层感知机对融合后的特征进行分类得到分类结果。本发明能够解决现有融合分类方法准确率低和泛化能力差的问题，实现高准确率、高泛化能力的高光谱与激光雷达图像融合分类，为高光谱和激光雷图像分类提供一种有效的解决方案，以提高其在实际应用中的可靠性与准确性。

本发明授权一种基于状态空间模型的高光谱图像与激光雷达图像融合分类方法在权利要求书中公布了：1.一种基于状态空间模型的高光谱图像与激光雷达图像融合分类方法，其特征在于，首先，使用光谱仪和激光雷达采集同一区域的高光谱图像与激光雷达图像；其次，将高光谱图像和激光雷达图像分别使用卷积神经网络提取局部特征得到，将高光谱图像和激光雷达图像分别使用视觉状态空间模型提取全局特征得到；再次，将前面所得特征按排序后输入状态与特征双重融合神经网络中，得到融合后的特征；最后，使用多层感知机对融合后的特征进行分类得到分类结果； 具体包括以下步骤： 步骤1，对高光谱图像和激光雷达图像进行特征提取； 通过光谱仪观测区域得到高光谱图像；通过激光雷达观测区域得到激光雷达图像； 步骤1.1，基于视觉选择状态空间模型的全局特征提取； 使用视觉选择状态空间模型对高光谱图像和激光雷达分别进行全局特征提取，得到高光谱全局特征向量序列和激光雷达全局特征向量序列； 步骤1.2，基于卷积神经网络的局部特征提取； 使用卷积神经网络对高光谱图像和激光雷达图像分别进行局部特征提取； 步骤2，局部-全局双向特征排序； 对步骤1获得的高光谱全局特征向量序列、激光雷达全局特征向量序列、高光谱局部特征向量序列以及激光雷达局部特征向量序列，按照从局部至全局的顺序进行排列得到自底向上向量序列，按照从全局至局部的顺序进行排列得到自顶向下向量序列，其中高光谱和激光雷达的先后顺序任意； 步骤3，状态与特征双重融合神经网络； 设计一种状态与特征双重融合神经网络，其由三个选择状态空间模型，记作与设计的状态特征双重融合模块组成； 所述的步骤3中，状态与特征双重融合神经网络的具体设计步骤如下： 步骤3.1双向特征分析； 将步骤2获得的自底向上向量序列和自顶向下向量序列分别输入两个选择状态空间模型，得到输出特征和两个选择状态空间模型的末状态也作为输出；即： 3.1， 3.2， 步骤3.2状态融合； 将步骤3.1所得的两个选择状态空间模型的末状态输入状态特征双重融合模块中，得到双向融合状态；即： （3.3）， （3.4）， 其中，为初步融合后的中间状态，为最终融合的状态，均为可学习参数，为状态的变换矩阵，为状态的变换矩阵，为中间状态的变换矩阵，为中间状态的偏移向量； 步骤3.3融合状态作为初状态的选择状态空间模型； 将步骤3.2所得的双向融合状态作为选择状态空间模型的初状态，将步骤3.1所得的输出特征和拼接输入选择状态空间模型，得到融合特征向量序列；即： 3.5； 步骤4，对步骤3所得融合特征向量序列进行分类； 使用多层感知机作为分类器，将步骤3.3中选择状态空间模型输出的融合特征向量序列，取最后一个向量进行多层感知计算，得到分类向量；取分类向量中的最大分量所在维度编号，作为分类结果。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。