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！

龙图腾网获悉南京理工大学申请的专利基于空间-光谱自适应学习和像素级滤波的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：CN116824238B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202310718384.X，技术领域涉及：G06V10/764；该发明授权基于空间-光谱自适应学习和像素级滤波的高光谱图像分类方法是由刘芳;郜文菲;刘嘉;肖亮设计研发完成，并于2023-06-15向国家知识产权局提交的专利申请。

本基于空间-光谱自适应学习和像素级滤波的高光谱图像分类方法在说明书摘要公布了：本发明公开了一种基于空间‑光谱自适应学习和像素级滤波的高光谱图像分类方法，该方法包括：构造提取空间‑光谱特征的卷积网络结构；构建一个过完备的由滤波基构成的字典；基于像素点自适应选择滤波核；使用选择出的滤波核对原始高光谱图像进行滤波；对输出的图像进行分类，得出最终结果。本发明定义了一个自适应学习像素级滤波核的模型，可以很好的针对像素点进行滤波核的选择，因此自适应滤波操作能够提取出图像中更多的纹理、细节和代表的类别信息，能够适应各种各样的图像类型。

本发明授权基于空间-光谱自适应学习和像素级滤波的高光谱图像分类方法在权利要求书中公布了：1.一种基于空间-光谱自适应学习的像素级滤波的高光谱图像分类方法，其特征在于，包括以下步骤： 第一步，设计一个空间-光谱像素级别特征提取网络，输入为高光谱图像块，经过多层卷积结构获得判别性的特征图； 引入注意力机制，通过空间-光谱像素级别特征提取过程学习所有像素点的特征，具体过程为： 1设计一个空间-光谱像素级别特征提取网络，它由4个阶段组成，每个阶段分别包含3，4，6，3个瓶颈块；对于每个瓶颈块，由三个卷积层和一个空间-光谱像素级特征提取过程组成；定义空间-光谱像素级特征提取过程的输入数据为X，那么定义该过程特征函数如下： Xbottleneck,i＝SSPXbottle,i；θs 其中，Xbottle,i表示输入的特征图，SSPXbottle,i；θs，即Xbottleneck,i表示经空间-光谱像素级特征提取过程的输出特征图，θs为参数，i表示每个阶段包含的瓶颈块的数量； 2引入注意力机制，用于学习空间-光谱判别性的特征，步骤如下： ①将输入特征图Xgroup经globalaveragepooling操作，即通过对每个通道压缩空间维度来保持通道信息的完整性： 其中，S为Xgroup的空间长宽，XGAP为经GAP操作的输出特征； ②使用通道注意力机制，学习跨通道的注意力加权交互信息： 其中，表示核大小为1×1×k的3-D卷积操作，Xspectral为加权后的通道注意力特征，表示按照特征图的通道维度进行乘积运算，σ表示sigmoid激活函数； ③使用空间注意力机制，学习空间维度的注意力加权特征： 其中，f7×7表示核大小为7×7的2-D卷积操作，GN表示groupnorm组正则化操作，GMP表示globalmaximumpooling全局最大池化操作，cat表示按通道拼接操作，Xspatial为加权后的空间注意力特征； ④使用batchnorm归一化融合空间和通道加权后的特征，得到最后的输出特征： regroup＝BNXspectral+Xspatial 其中，BN表示batchnorm批正则化操作，regroup表示融合后的空间-光谱特征，作为整个空间-光谱像素级别特征提取过程的输出； 第二步，构造一个过完备的由多个滤波基组成的字典，用于组成每个像素点对应的滤波核； 第三步，使用经处理后的第一步的特征作为指导，针对像素点自适应地选择滤波核； 第四步，利用第三步选择的像素点级别的滤波核对被滤波的高光谱图像实现滤波操作； 第五步，对滤波后的高光谱特征图送入全连接层，经分类器得到最终像素点的类别预测。

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南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200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。