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！

龙图腾网获悉中国电波传播研究所(中国电子科技集团公司第二十二研究所);西安电子科技大学申请的专利一种基于高光谱异常检测的目标空谱特征结合遮掩效果评价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：CN117095259B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202310914486.9，技术领域涉及：G06V10/776；该发明授权一种基于高光谱异常检测的目标空谱特征结合遮掩效果评价方法是由张晗;李甫;焦昶哲设计研发完成，并于2023-07-25向国家知识产权局提交的专利申请。

本一种基于高光谱异常检测的目标空谱特征结合遮掩效果评价方法在说明书摘要公布了：本发明公开了一种基于高光谱异常检测的目标空谱特征结合遮掩效果评价方法，包括如下步骤：步骤1，特征波段筛选：步骤2，空间特征提取：步骤3，光谱特征提取：步骤4，空谱特征结合遮掩效果评价：步骤5，基于高光谱异常检测模型的图像客观评价：步骤6，修改参数权值：本发明所公开的方法，适用于现阶段空间分辨率逐步提高的高光谱成像，增加空间维特征信息提取，提升了高光谱遮掩效果评价性能。

本发明授权一种基于高光谱异常检测的目标空谱特征结合遮掩效果评价方法在权利要求书中公布了：1.一种基于高光谱异常检测的目标空谱特征结合遮掩效果评价方法，其特征在于，包括如下步骤： 步骤1，特征波段筛选： 对高光谱成像数据进行分析，通过波段筛选降维算法，并使用正交变换，进行全通道的降维和最优波段筛选； 设置重构阈值为t，选取使得等式成立的最小维度d′： 上式中，d为特征维数，d′为降维后的特征维数，λi,i＝1,2,…为特征向量； 对目标与背景地物的材质属性进行分析，对已知目标的材质属性，通过先验知识，增加该材质最佳反射特性波段的灰度图空间特征计算信息； 步骤2，空间特征提取： 将最优筛选出的各波段灰度图转换为L*a*b*颜色空间；在各波段计算目标所在最小外接矩形与周围8邻域的L*a*b*空间亮度对比；对8邻域的亮度对比度通过最小-最大归一化法确定各邻域所占权值，并将该波段对应特征向量在降维中的占比，通过最小-最大归一化法确定权值；对8邻域的亮度对比度通过Z-Score归一化法确定所占权值； 求取目标与背景所在3*3区域中，目标区域与周围8邻域各自的Hu不变矩；求所有优选波段中目标与背景Hu不变矩相似性度量： 上式中，QT,i为单波段目标区域的Hu矩，QB,i为背景区域Hu矩； 对8邻域的Hu矩通过最小-最大归一化法确定各区域所占权值，并将该波段对应特征向量在降维处理中的维度占比，通过最小-最大归一化法确定权值；对8邻域的Hu矩通过Z-Score归一化法确定所占权值； 分别计算目标区域与周围8邻域在亮度、对比度和结构三方面的结构相似性SSIM；计算目标与周围8邻域背景区域中，各邻域区域的SSIM与目标区域的对比； 对8邻域的结构相似性通过最小-最大归一化法确定各区域所占权值，并将该波段对应特征向量在降维中的占比，通过最小-最大归一化法确定波段所占权值；对8邻域的视觉特征通过Z-Score归一化法确定所占权值； 求取目标与背景所在3*3区域中，目标区域边缘方向直方图分别与周围8邻域边缘方向直方图的巴氏距离；求取目标域与周围8邻域巴氏距离的误差均值： 上式中，hxT表示目标区域的归一化边缘方向统计直方图，hxB,i表示目标周围第i个邻域背景区域的归一化边缘方向统计直方图； 对8邻域的结构相似性通过最小-最大归一化法确定各区域所占权值，并将该波段对应特征向量在降维中的占比，通过最小-最大归一化法确定波段所占权值；对8邻域的结构相似性通过Z-Score归一化法确定所占权值； 步骤3，光谱特征提取： 计算目标在高光谱影像所占区域中每个像素各波段光谱响应总和的平均光谱信息； 获取目标周围8邻域背景中各邻域的标准光谱通道数据； 根据目标区域平均光谱信息，求取目标区域与周围8邻域各区域的白化光谱夹角余弦值： 上式中，pi,qi分别表示目标pi和背景qi区域的平均光谱向量； 步骤4，空谱特征结合遮掩效果评价： 对通过Z-Score归一化法处理后的目标与周围背景区域空间维的亮度对比、Hu不变矩、视觉相似性和结构相似性特征进行标准化赋权计算，通过最小-最大归一化法确定降维后的主成分空间维权值； 对通过归一化法处理后的白化光谱夹角余弦值确定光谱维权值； 对光谱维特征与空间维特征进行标准化赋权及联合特征计算： 上式中，wij是第i行，第j列区域所占的权值大小，λθ为光谱维影响参数，tij-bij为空间维影响参数，tij为中间目标域的特征信息，bij为背景域特征信息； Etb＝|Tt-Tb| 上式中，Etb为目标光谱Tt与背景光谱Tb的距离归一化结果； 使用Etb＝|Tt-Tb|模型对已知高光谱成像遮掩效果评价进行量化打分，获取模型权重的设定范围； 步骤5，基于高光谱异常检测模型的图像客观评价： 将采集的遮掩目标与背景高光谱数据作为训练集，设计深度学习模型，训练高光谱异常检测模型； 基于高光谱异常检测模型训练得到的不同遮掩程度对应目标与背景分割阈值，判别目标被模型识别为异常的最高遮掩程度； 得到客观评价模型对待检测高光谱图像的评价结果； 步骤6，修改参数权值： 根据步骤5得到的高光谱数据遮掩效果评价结果，对步骤4得到的空谱特征结合的高光谱遮掩效果评价结果遮掩程度进行对比； 修改基于专家打分的空谱特征结合评价模型权重； 得到最终的待检测高光谱成像遮掩效果评价结果。

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中国电波传播研究所(中国电子科技集团公司第二十二研究所);西安电子科技大学，其通讯地址为：266107 山东省青岛市城阳区仙山东路36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”。

以上内容由龙图腾AI智能生成。