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！

龙图腾网获悉河北工业大学申请的专利一种具备抗噪性能的多网络融合高光谱图像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：CN119762896B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202510258096.X，技术领域涉及：G06V10/764；该发明授权一种具备抗噪性能的多网络融合高光谱图像分类方法是由池越;韩永鑫;王钊设计研发完成，并于2025-03-06向国家知识产权局提交的专利申请。

本一种具备抗噪性能的多网络融合高光谱图像分类方法在说明书摘要公布了：本发明为一种具备抗噪性能的多网络融合高光谱图像分类方法，通过引入CapsuleGAN网络及进行波段间的对比学习，扩展了数据集规模，助力生成更逼真的样本数据，提升了特征表达能力及模型的泛化能力及鲁棒性。利用卷积神经网络提取局部特征，并对提取的局部特征进行层次采样与重要性采样，分别生成图结构并进行特征融合以生成融合后图结构，作为GAT的输入，以整个融合模型进行训练，能够显著提升高光谱图像分类的性能，卷积神经网络提取的空间和光谱特征确保了局部特征信息的充分利用，并使数据特征进行了更全面的表达，更关注多维度特征的利用，并使模型面对大气、光照等干扰因素时更加稳定，从而提高了分类精度和鲁棒性。

本发明授权一种具备抗噪性能的多网络融合高光谱图像分类方法在权利要求书中公布了：1.一种具备抗噪性能的多网络融合高光谱图像分类方法，其特征在于，所述分类方法包括以下步骤： S1、获取不同干扰因素影响下的原始高光谱图像，使用CapsuleGAN网络为原始高光谱图像生成虚拟高光谱像素点；将原始高光谱图像中的像素点与虚拟高光谱像素点合并，每个像素点具有各自的波段信息和类别标签；所述不同干扰因素包括大气、光照、噪声。 一个像素点与对应类别标签和波段信息构成一个样本；所有样本构成高光谱图像数据集； S2、构建波段感知模块，所述波段感知模块用于提取波段特征并剔除样本中不敏感波段，获得高光谱敏感数据集； 所述波段感知模块的构建过程是： 在高光谱图像数据集中，每个类别选择15％的样本，将所选择的样本的每个波段的波段信息作为一个单独的波段样本并构成一个波段数据集，其中定义当前所需对比的某个像素点在某一波段下的波段样本为锚样本，与锚样本属于同一类别但不在同一波段的波段样本为正样本，与锚样本不属于同一类别但在同一波段的波段样本为负样本； 以波段数据集训练CNN网络，获得训练好的CNN网络，训练时设置波段间对比损失函数LBandCLR为： 其中，fi为CNN网络提取的锚样本的波段特征；表示正样本通过CNN网络提取的波段特征；fk为包含一个正样本和N个负样本的波段样本集合中的第k个波段样本通过CNN网络提取的波段特征；N为负样本总数量；τ为温度参数； 敏感度计算单元：将高光谱图像数据集中所有样本的每个波段的波段信息作为输入，利用训练好的CNN网络提取所有波段特征，分别计算每个波段的波段特征的方差；将所有波段的波段特征的方差按照由大到小进行排序，以波段特征的方差作为敏感度指标，保留高光谱图像数据集中敏感度排名前70％的波段信息，剔除排名后30％的波段信息； 训练好的CNN网络与敏感度计算单元组合为波段感知模块； S3、构建融合模型： 所述融合模型包括含有空间组注意力和光谱组注意力的卷积神经网络、一个图注意力网络GAT、层次采样操作以及重要性采样操作； 所述含有空间组注意力和光谱组注意力的卷积神经网络用于对输入进行局部特征提取，获得局部特征； 所述含有空间组注意力和光谱组注意力的卷积神经网络包含由多个卷积层、非线性激活函数、池化层和全连接层构成的多个卷积块，在每个卷积块后连接并行的空间组注意力和光谱组注意力，空间组注意力和光谱组注意力的输出拼接后连接下一个卷积块的输入，以最后一个卷积块所连接的空间组注意力和光谱组注意力的输出拼接结果作为局部特征； 光谱组注意力、空间组注意力进行跨组融合过程为： Hfused＝ConcatAttentionspectral,AttentionspatialWO 其中，Attentionspectral为光谱组注意力，用来计算波段间的关系；AttentionSpatial为空间组注意力，用来计算局部区域关系；Hfused为二者进行跨组注意力融合后的结果；WO为输出投影矩阵； 所述局部特征分别经层次采样操作和重要性采样操作处理后，获得层次图结构和重要性图结构，再将层次图结构和重要性图结构进行特征融合，获得融合后图结构； 所述层次图结构和重要性图结构进行特征融合的过程是： 对于层次图结构与重要性图结构中的每个节点，计算两个图结构中节点之间的注意力权重 其中，表示将层次图结构中的节点的特征与重要性图结构中的节点的特征进行特征拼接，l代表当前层次图结构中的节点所在层级，i代表当前重要性图结构中的节点的特征类别，j、k分别用来表示层次图结构、重要性图结构的当前节点索引，Nj代表层次图结构在当前层级l中的节点总数；Nk代表重要性图结构在当前特征类别i的范围内的节点总数；MLP为多层感知机函数，采用三层隐藏层，以softmax作为激活函数；为层次图结构中第l层级的第j'个节点的特征，为重要性图结构中第i个特征类别的第k’个节点的特征； 融合后图结构的特征的计算公式为： 其中，表示根据注意力权重对重要性图结构中节点特征的加权求和，β是超参数； 所述融合后图结构再经过图注意力网络GAT处理，获得融合模型的输出； S4、利用高光谱敏感数据集训练所述融合模型，训练后的融合模型用于对待分类的高光谱图像进行分类预测。

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河北工业大学，其通讯地址为：300401 天津市北辰区西平道5340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”。