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！

龙图腾网获悉青岛大学申请的专利局部视图辅助判别高光谱波段选择方法及系统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：CN116778339B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202310887160.1，技术领域涉及：G06V20/10；该发明授权局部视图辅助判别高光谱波段选择方法及系统是由尚晓笛;付百佳;孙旭东;崔传宇设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本局部视图辅助判别高光谱波段选择方法及系统在说明书摘要公布了：本发明公开了一种局部视图辅助判别高光谱波段选择方法及系统。本发明首先运用超像素分割技术ERS对高光谱图像进行分割，形成一系列超像素块来捕捉不同地物分布的光谱特征差异；其次本发明针对每一超像素块，将波段视为超图顶点，构造对应超图来表达波段间的多元邻接关系，尽可能合理化波段邻接结构以指导稀疏自表示模型的优化，降低波段子集的冗余；其中共识矩阵通过迭代更新融合了各超像素块的系数矩阵；最后根据共识矩阵计算各波段重构原始数据的重要度，选择波段子集，实现用统一波段子集表征高光谱图像的目的；本发明充分捕捉了异质区域的光谱特征差异，可切实增强模型的像元空间局部约束，提高波段子集质量，从而提升后续分类的精确度。

本发明授权局部视图辅助判别高光谱波段选择方法及系统在权利要求书中公布了：1.局部视图辅助判别高光谱波段选择方法，其特征在于，包括如下步骤： 步骤1.根据地物的分布特征，利用超像素分割技术ERS对高光谱图像进行分割，形成用于捕捉不同地物分布的光谱特征差异的像素级别超像素块； 步骤2.结合空间近邻度以及波段光谱相关性，构造每一个超像素块的局部谱-空超图，以表达波段间的多元邻接关系，合理化波段邻接结构； 步骤3.结合步骤2构建的超像素块的局部谱-空超图以及稀疏自表示模型，构造局部视图辅助判别高光谱波段选择模型RwSSR； 所述步骤3具体为： 结合超像素块的局部谱-空超图以及稀疏自表示模型，构建基于局部视图辅助判别高光谱波段选择模型RwSSR，定义目标函数为： 其中，λ1和λ2是正则化参数，Ls是每一个超像素块Xs的拉普拉斯矩阵，As是每一个超像素块Xs的系数矩阵，Tr·表示迹算子，避免每个波段用其自身表示； ws是一个自适应的平衡参数，用于保证整体最小化；α表示正则化参数，||A||2,1对共识矩阵A进行了行稀疏；||·||F表示F范数，通过项，将各超像素块的系数矩阵As融合成共识矩阵A，使得共识矩阵A中包含所有超像素块的关键波段信息； 步骤4.采用迭代更新法对局部视图辅助判别高光谱波段选择模型RwSSR进行优化求解，得到共识矩阵，并计算波段优先级，选择波段子集； 所述步骤4具体为： 采用迭代更新算法对目标函数进行求解，得到As、A、ws的过程具体如下： 步骤4.1.首先固定A和ws，更新As，固定后目标函数转换为： 对As求导，得到As的更新方程为： 其中，n表示当前迭代次数；Asn+1表示第n+1次迭代As的取值，An表示第n次迭代A的取值，表示第n次迭代ws的取值； 步骤4.2.其次固定As和ws，更新A，固定后目标函数转化为： 设置U＝diagu1,u2,…,uL是一个L×L对角矩阵； 其中，ai表示共识矩阵A中的第i行，||ai||2表示ai的l2范数，是ui中避免出现零分母的数；据此，公式14改写为： 对A求导，并令得到A的更新方程为： 其中，An+1表示第n+1次迭代A的取值； 步骤4.3.再固定As和A，更新ws，得到ws的更新方程为： 其中，表示第n+1次迭代ws的取值； 当迭代更新到规定迭代次数，或者||An+1-An||小于所设阈值时停止，此时，得到的共识矩阵A中的每一行ai表示第i个波段对重构原始数据X的贡献； 其中，ri＝||ai||2的值越大表示该波段越重要； 因此，对ri进行降序排序，选择前nBS个波段作为最终波段子集。

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青岛大学，其通讯地址为：266071 山东省青岛市崂山区香港东路7号青岛大学；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。