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！

龙图腾网获悉西安电子科技大学申请的专利水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备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：CN116403121B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202310375149.7，技术领域涉及：G06V20/13；该发明授权水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备是由王蓉芳;张晨晨;李卫斌;慕彩红;焦昶哲设计研发完成，并于2023-04-10向国家知识产权局提交的专利申请。

本水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备在说明书摘要公布了：水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备，利用多光谱图像和SAR图像这两类多源遥感数据，对原始的UNet算法引入水体指数，设计多路径多源数据融合编码器，利用GatedChannelTransformGCT注意力机制等，以应对遥感图像中复杂的地物环境对水域分割的不利影响，实现在较少的计算资源的前提下，提高水域分割的精度；其系统及设备用于实现水体指数与极化信息多路径融合的遥感图像水域分割；本发明具有计算成本低、检测耗时短、分割精度高的优点，并能够随时进行迭代更新，提升模型性能。

本发明授权水体指数与极化信息多路径融合的遥感图像水域分割方法、系统及设备在权利要求书中公布了：1.一种水体指数与极化信息多路径融合的遥感图像水域分割方法，其特征在于，具体包括以下步骤： S1、从不同地区洪水事件数据集中收集同区域且时间段相近的SAR遥感卫星和多光谱遥感卫星采集的图像； S2、对多光谱遥感卫星采集的遥感图像进行水体指数计算： S3、构建包含水体指数和极化信息的多源遥感数据集WIPI； S4、将步骤S3中的WIPI数据集以地区为单位，自定义比例随机划分为训练集、验证集和测试集； S5、构建由无效区域屏蔽、数据归一化、数据标准化、数据增强和随机采样组成的水域分割网络的输入处理模块，对WIPI全数据集进行归一化和标准化预处理，并对其中的训练集和验证集进行数据增强； S6、设计水体指数与极化信息多路径融合的水域分割深度网络模型；具体为： S601、设计水体指数与极化信息多路径融合的遥感图像水域分割深度网络模型，该水域分割网络采用卷积网络结构，包括：一侧的多路径收缩网络是编码器，用于多模态特征提取；中间的跳跃连接结合GCT，用于对多路径特征进行通道加权，将加权后的特征输入至解码器；解码器处于网络的另一侧，作为扩张网络用于恢复图像尺寸和融合深层与浅层的特征； S602、构建包含卷积层、批归一化层和ReLU非线性激活层的CBRConvolution-BatchNormalization-ReLU水域分割网络模块，编码器中的CBR模块，保持特征分辨率不变，通道数增加，解码器中的CBR模块，保持特征分辨率不变，通道数减少； S603、构建包含卷积层、批归一化层和ReLU非线性激活层的分类器模块，用于将特征图的通道数降低为类别数，作为整个水域分割深度网络模型的输出结果； S604、基于步骤S602的CBR模块和水域分割网络中的最大池化层构建水域分割网络的编码器模块，该模块是将CBR模块和最大池化层交替使用，形成一个多路径多尺度的收缩网络结构，该结构会对输入的多模态数据进行多路径逐层特征提取；编码器模块的每一层接收上一层的特征输入，产生的特征输出有两种去向：向下输入到最大池化层和横向输送到GCT模块； S605、基于步骤S602的CBR模块和反卷积层构建水域分割网络的解码器模块，该模块是将CBR模块和反卷积层交替使用，形成一个多尺度深浅层特征融合的扩张网络结构，该结构通过跳跃连接接受来自编码器提取的多路径特征，将来自编码器的浅层特征与自身上一层提取的深层特征进行融合，并逐层扩大特征图的分辨率； S606、根据SAR图像的极化信息和水体指数的个数，在WIPI数据集上对多路径编码器的输入路径个数进行设定；SAR图像的VV和VH两种极化信息作为一个输入路径，水体指数中的NDWI和MNDWI作为一个输入路径，AWEInsh和LDA作为一个输入路径，NDVI、NDMI和AWEInsh分别经由单独的输入路径输入到网络； S607、多路径编码器接收不同模态数据的输入，并对其进行逐层次的提取特征，得到的中间特征；然后，将不同路径但相同层的中间特征进行通道维度拼接，形成步骤S604中的编码器模块的每一层的输出特征，即拼接特征Fn； S608、对多路径编码器的每一层输出特征进行GCT通道注意计算，GCTn中包括三组可学习参数：α、γ、β，可为第n层拼接特征Fn的每一个通道生成一个可学习参数； S7、对水域分割模型进行训练； S8、用步骤S5中的测试集对步骤S7中训练得到最优模型进行测试，利用F1系数、模型参数量和模型计算量对水域分割模型的分割性能和复杂度进行评估； S9、对比不同融合结构的分割效果给出最佳融合方案。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路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”。