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！

龙图腾网获悉西安邮电大学申请的专利一种高光谱图像分类方法、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：CN117095213B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202311060159.8，技术领域涉及：G06V10/764；该发明授权一种高光谱图像分类方法、系统及设备是由丁晨;杨露;郑萌萌;郑思睿;徐耀阳;陈静怡;赵俊豪设计研发完成，并于2023-08-22向国家知识产权局提交的专利申请。

本一种高光谱图像分类方法、系统及设备在说明书摘要公布了：本发明公开高光谱图像分类方法、系统及设备，涉及图像处理技术领域。获取高光谱图像数据；将历史数据映射到嵌入空间得到历史数据嵌入特征向量；根据历史数据嵌入特征向量和嵌入特征向量之间的距离关系构建图卷积网络模型；将已标记嵌入特征向量和未标记嵌入特征向量输入图卷积网络模型中进行特征空间分布优化得到优化后的样本；计算优化后的未标记嵌入特征向量和优化后的原型样本的欧氏距离得到核心样本；将核心样本添加至历史数据中得到扩充后的历史数据；将扩充后的历史数据输入神经网络模型中进行训练得到高光谱图像分类模型；将待分类图像输入高光谱图像分类模型中得到高光谱图像分类结果。本发明提高了HSI分类的准确性。

本发明授权一种高光谱图像分类方法、系统及设备在权利要求书中公布了：1.一种高光谱图像分类方法，其特征在于，包括： 获取高光谱图像数据；对所述高光谱图像数据进行预处理，得到处理后的数据； 将历史数据映射到嵌入空间，得到历史数据嵌入特征向量；所述历史数据嵌入特征向量包括：已标记嵌入特征向量和未标记嵌入特征向量； 根据所述历史数据嵌入特征向量和嵌入特征向量之间的距离关系，构建图卷积网络模型； 将所述已标记嵌入特征向量和未标记嵌入特征向量输入所述图卷积网络模型中进行特征空间分布优化，得到优化后的样本；所述优化后的样本包括：优化后的未标记嵌入特征向量和优化后的原型样本； 计算所述优化后的未标记嵌入特征向量和优化后的原型样本的欧氏距离，得到核心样本； 将所述核心样本添加至所述历史数据中，得到扩充后的历史数据；将所述扩充后的历史数据输入神经网络模型中进行训练，得到高光谱图像分类模型； 将待分类图像输入所述高光谱图像分类模型中，得到高光谱图像分类结果； 构建所述图卷积网络模型，具体包括： 根据所述历史数据嵌入特征向量的样本进行边缘信息编码，得到邻接矩阵A；所述邻接矩阵A的初始元素包括所述历史数据嵌入特征向量的样本的每个历史数据嵌入特征向量之间的向量积S； 边缘信息编码过程为：；其中，D表示S的阶数，I为恒等矩阵； 根据所述邻接矩阵A，得到所述图卷积网络模型的第一层；具体包括： ； 其中，表示所述图卷积网络模型的第一层的输出特征，h表示隐藏层单元数，θ1为所述图卷积网络模型的第一层参数，v表示输入的嵌入特征向量，表示第一层图卷积函数； 通过所述图卷积网络模型的第一层判断所述历史数据嵌入特征向量的样本是否被标记，得到判断结果；若是，将标记的历史数据嵌入特征向量的样本赋为伪标签1；若否，将未标记的历史数据嵌入特征向量的样本赋为伪标签0； 根据所述判断结果和ReLU激活函数，得到所述图卷积网络模型的第二层；具体包括： ； 其中，为所述图卷积网络模型的第二层参数，σ表示Sigmoid激活函数； 根据交叉熵函数和所述图卷积网络模型的第二层，得到所述图卷积网络模型；具体包括： ； 其中，c表示当前计算的嵌入特征向量的序号，Lvl表示已标记嵌入特征向量的数量。

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邮电大学，其通讯地址为：710121 陕西省西安市西长安街618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。