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！

龙图腾网获悉哈尔滨工业大学申请的专利面向不确定性估计的高光谱图像分类方法和装置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：CN116310502B 。

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：202310076799.1，技术领域涉及：G06V10/764；该发明授权面向不确定性估计的高光谱图像分类方法和装置是由何欣;陈雨时;李青云;黄凌博;王珺玮设计研发完成，并于2023-01-30向国家知识产权局提交的专利申请。

本面向不确定性估计的高光谱图像分类方法和装置在说明书摘要公布了：本申请提出一种面向不确定性估计的高光谱图像分类方法，涉及高光谱图像分类技术领域，该方法包括：获取高光谱图像；构建自适应降维层，将高光谱图像输入自适应降维层提取光谱特征，得到降维后的高光谱图像；利用Gabor滤波器构建Gabor卷积层，使用贝叶斯深度学习刻画Gabor卷积层的参数分布，将降维后的高光谱图像输入到Gabor卷积层中提取高光谱图像的光谱‑空间联合特征；构建贝叶斯全连接层，使贝叶斯全连接层学习标准Dropout层的掩码分布，将光谱‑空间联合特征输入贝叶斯全连接层，通过贝叶斯全连接层进行分类，得到高光谱图像的分类结果。本申请提高了高光谱图像分类方法的分类精度，同时提供了高光谱分类结果的不确定性估计，可以反映对分类结果的可信程度。

本发明授权面向不确定性估计的高光谱图像分类方法和装置在权利要求书中公布了：1.一种面向不确定性估计的高光谱图像分类方法，其特征在于，包括以下步骤： 获取高光谱图像； 构建自适应降维层，将所述高光谱图像输入所述自适应降维层提取光谱特征，得到降维后的高光谱图像； 利用Gabor滤波器构建Gabor卷积层，使用贝叶斯深度学习刻画所述Gabor卷积层的参数分布，将所述降维后的高光谱图像输入到所述Gabor卷积层中提取所述高光谱图像的光谱-空间联合特征； 构建贝叶斯全连接层，使所述贝叶斯全连接层学习标准Dropout层的掩码分布，将所述光谱-空间联合特征输入所述贝叶斯全连接层，通过所述贝叶斯全连接层进行分类，得到所述高光谱图像的分类结果； 其中，所述使用贝叶斯深度学习刻画所述Gabor卷积层的参数分布，包括： 所述Gabor滤波器的参数分布满足高斯分布，将所述高斯分布作为所述Gabor卷积层中参数的先验分布； 通过贝叶斯推断优化模型的Gabor参数的分布，获取Gabor参数分布的近似后验分布作为所述Gabor卷积层中参数的后验分布； 将所述Gabor卷积层中参数的先验分布拟合所述Gabor卷积层中参数的后验分布； 所述Gabor卷积层表示为： 其中，F表示经过卷积操作输出的特征图，Fn表示第n个特征图，表示卷积操作，C′表示经过Gabor滤波器调制后的滤波器，C表示卷积层中可学习的的滤波器，为点积操作，g表示先验分布满足高斯分布的Gabor滤波器； 所述构建贝叶斯全连接层，包括： 构建标准Dropout层，并自适应学习所述Dropout层的掩码分布，将满足自适应学习的掩码分布的Dropout层作为所述贝叶斯全连接层； 其中，自适应学习所述Dropout层的掩码分布，包括： 通过定义隐藏变量满足一个子分布，并引入映射函数，刻画掩码的分布，其中，子分布r满足可微且易于采样，映射函数满足单调可微，且输出值域为[0，1]； 所述掩码的分布表示为： 其中，mj表示第j个掩码，k·表示映射函数，rj表示第j个掩码满足子分布r的变量，μ表示多元高斯分布的均值，σ表示多元高斯分布的方差。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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”。