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！

龙图腾网获悉山东科技大学申请的专利一种基于半监督和超像素渐进生长的高光谱图像分割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：CN120299040B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202510354625.6，技术领域涉及：G06V20/70；该发明授权一种基于半监督和超像素渐进生长的高光谱图像分割方法是由孙巧巧;刘艳萍;于群;刘彬;杨历宾;卢晓;王海霞;聂君;盛春阳;张治国;宋诗斌设计研发完成，并于2025-03-25向国家知识产权局提交的专利申请。

本一种基于半监督和超像素渐进生长的高光谱图像分割方法在说明书摘要公布了：本发明公开了一种基于半监督和超像素渐进生长的高光谱图像分割方法，其步骤为：对待分割的高光谱图像进行归一化处理；以归一化的高光谱图像为输入，构建一个包含输入层、卷积层、批归一化层和输出层的全卷积网络，网络输出为对应高光谱图像的语义分割结果；对归一化的高光谱图像进行超像素分割，赋予每个初始超像素区域一个初始伪标签；合并相似的初始超像素区域，并更新合并后超像素区域对应的伪标签；通过最小化损失函数，反向优化特征提取器的特征提取，并利用少量标注样本对全卷积网络进行微调，通过对超像素区域不断优化，使模型收敛，得到最终分割结果。

本发明授权一种基于半监督和超像素渐进生长的高光谱图像分割方法在权利要求书中公布了：1.一种基于半监督和超像素渐进生长的高光谱图像分割方法，其特征在于，包括以下步骤： S1、对待分割的高光谱图像进行归一化处理； S2、以归一化的高光谱图像为输入，构建一个包含输入层、卷积层、批归一化层和输出层的全卷积网络，网络输出为对应高光谱图像的语义分割结果； S3、依据S2中全卷积网络提取到的每个像素点的特征，使用SLIC算法对归一化的高光谱图像进行超像素分割，得到初始超像素区域，赋予每个初始超像素区域一个初始伪标签； S4、构建超像素渐进增长模型，利用K均值聚类算法合并相似的初始超像素区域，逐步扩大超像素规模，实现超像素渐进增长，并同步更新增长后超像素区域对应的伪标签； 所述S4包括以下子步骤： S41、在多个初始超像素区域中，选取一个超像素对，且，若该超像素对中包含标注样本，则对于标注样本所在初始超像素区域的特征向量，进行加权处理； S42、计算超像素间特征相似度矩阵，第个初始超像素区域与第个初始超像素区域之间的相似度为： ，； 设定阈值，对满足的超像素对进行合并，在合并过程中，若超像素对中包含标注样本，且这些标注样本属于同一类别，那么该超像素对将被优先合并，形成新的超像素区域； S43、对合并后的超像素区域计算平均特征向量，并使用K均值聚类算法进行二级聚类，生成并更新超像素伪标签； S44、超像素语义增强与规模渐进增长过程具体为： a定义超像素规模增长函数，通过损失函数变化动态调节超像素规模： ； 其中损失函数变化率，为第次迭代的混合损失函数值，为第次迭代中合并后的超像素区域总数，是向下取整函数； b通过步骤S42的相似度矩阵合并超像素； c若合并后的超像素区域包含标注样本，则其伪标签强制赋值为标注样本的真实类别，避免伪标签与真实标签冲突； S5、使用超像素区域的动态伪标签作为指导原则，通过最小化损失函数，反向优化全卷积网络的特征提取，并利用少量标注样本对全卷积网络进行微调，使全卷积网络更加精确的学习像素点的空间-光谱特征向量与类别之间的对应关系； S6、通过对超像素区域不断优化，使超像素渐进增长模型收敛，得到最终分割结果。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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。