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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于物理知识驱动和无监督学习的高光谱本征分解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：CN116645613B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310681709.1，技术领域涉及：G06V20/10；该发明授权一种基于物理知识驱动和无监督学习的高光谱本征分解方法是由谷延锋;谢雯设计研发完成，并于2023-06-09向国家知识产权局提交的专利申请。

本一种基于物理知识驱动和无监督学习的高光谱本征分解方法在说明书摘要公布了：一种基于物理知识驱动和无监督学习的高光谱本征分解方法，它属于遥感图像处理领域。本发明解决了采用现有本征分解方法分解出的反射率分量的准确度差的问题。本发明采取的主要技术方案为：步骤1、基于物理模型对高光谱遥感图像进行分解，得到反射率分量；步骤2、构建反射率分量估计子网络以及反射率分量估计子网络的输出损失项；步骤3、构建明暗分量估计子网络以及明暗分量估计子网络的输出损失项；步骤4、将物理模型输出与原始高光谱数据结合生成混合物理知识的输入数据，并初始化模型参数；步骤5、结合损失函数项优化网络模型，输出反射率分量。本发明方法可以应用于高光谱遥感图像的本征分解。

本发明授权一种基于物理知识驱动和无监督学习的高光谱本征分解方法在权利要求书中公布了：1.一种基于物理知识驱动和无监督学习的高光谱本征分解方法，其特征在于，所述方法具体包括以下步骤： 步骤1、基于物理模型对高光谱遥感图像进行分解，得到反射率分量； 所述步骤1的具体过程为： 将高光谱遥感图像分解为明暗分量和反射率分量的物理模型为： 其中，表示高光谱遥感图像，表示反射率分量，表示明暗分量，，，，表示实数域，n表示高光谱遥感图像中像元的总个数，d为高光谱遥感图像的光谱数； 反射率分量的表达式如下： 其中，表示经过光谱维和空间维平均后的高光谱遥感图像，，表示的单位矩阵，表示的单位矩阵，表示的全1向量，表示的全1向量，上角标T表示转置，上角标-1表示矩阵的逆，表示分解矩阵； 其中，表示相似度矩阵； 步骤2、构建反射率分量估计子网络以及反射率分量估计子网络的输出损失项； 所述反射率分量估计子网络的输出损失项为： 其中，是反射率分量估计子网络的输出损失项，表示对高光谱遥感图像中像元的能量幅值进行归一化操作，表示能量幅值归一化后的高光谱遥感图像中相邻像元的光谱角，e是自然对数的底数，代表2范数，代表绝对值，代表点乘算子，表示梯度算子向量，，表示水平方向的梯度算子，表示垂直方向的梯度算子； 步骤3、构建明暗分量估计子网络以及明暗分量估计子网络的输出损失项； 所述明暗分量估计子网络的输出损失项为： 其中，是明暗分量估计子网络的输出损失项； 步骤4、基于步骤1中的分解结果生成输入数据，结合反射率分量估计子网络和明暗分量估计子网络的输出损失项构造重建损失项，根据输入数据和重建损失项对反射率分量估计子网络和明暗分量估计子网络进行预训练，达到设定的预训练次数M1时停止预训练，将预训练结束时的网络参数作为训练反射率分量估计子网络和明暗分量估计子网络时的初始化参数； 所述重建损失项为： 其中，是重建损失项，是1范数，对数log是自然对数； 步骤5、根据重建损失项、反射率分量估计子网络的输出损失项和明暗分量估计子网络的输出损失项构造损失函数项，利用输入数据和损失函数项对参数初始化后的反射率分量估计子网络和明暗分量估计子网络进行训练，达到设定的训练次数M2时停止训练，将停止训练时反射率分量估计子网络的输出作为最终的反射率分量； 所述损失函数项为： 其中，和分别为和的权重。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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。