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！

龙图腾网获悉北京理工大学长三角研究院(嘉兴);北京理工大学申请的专利基于多尺度光谱波段学习的高光谱图像分类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：CN116343023B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202211461436.1，技术领域涉及：G06V20/10；该发明授权基于多尺度光谱波段学习的高光谱图像分类方法及系统是由付莹;刘宏荣;李中翔;郑德智设计研发完成，并于2022-11-21向国家知识产权局提交的专利申请。

本基于多尺度光谱波段学习的高光谱图像分类方法及系统在说明书摘要公布了：本发明提出了基于多尺度光谱波段学习的高光谱图像分类方法及系统，属于遥感图像处理技术领域。首先以原始高光谱图像中具有标签的像素点为中心，对原始高光谱图像进行分块操作，得到一系列高光谱数据块。然后，使用光谱权重中心损失函数和交叉熵损失函数训练光谱权重学习模块和多尺度光谱‑空间卷积神经网络。利用光谱权重学习模块对高光谱数据块进行关键光谱信息提取，获得光谱重加权后的高光谱数据块。利用多尺度光谱‑空间卷积神经网络对光谱重加权后的高光谱数据块进行多尺度光谱‑空间融合特征提取，将特征送入多尺度光谱‑空间卷积神经网络进行分类预测，得到最终的分类结果。本发明为光谱图像中关键光谱信息提取提供了新的解决方案。

本发明授权基于多尺度光谱波段学习的高光谱图像分类方法及系统在权利要求书中公布了：1.基于多尺度光谱波段学习的高光谱图像分类方法，其特征在于，包括以下步骤： 步骤1：以原始高光谱图像中具有标签的像素点为中心，对原始高光谱图像进行带重复像素的分块操作，得到一系列高光谱数据块； 其中，每个高光谱数据块的标签与其中心像素点的标签保持一致； 步骤2：使用光谱权重中心损失函数和交叉熵损失函数，训练光谱权重学习模块和多尺度光谱-空间卷积神经网络； 步骤3：利用训练好的光谱权重学习模块，对经步骤1分块得到的高光谱数据块进行关键光谱信息提取操作，获得光谱重加权后的高光谱数据块； 其中，光谱权重学习模块，通过全局卷积的方式，考虑所有光谱波段之间的非线性关系和相似性，获取样本各波段的权重信息，实现对关键光谱波段信息的提取； 对于一个高光谱数据块C为高光谱数据块的光谱波段数，W表示高光谱数据块的长宽，R表示实数域； 首先，将分别送入一个全局平均池化层和一个全局最大池化层，得到在空间维度上的均值分布和最大值分布 其中，GAP表示全局平均池化操作，GMP表示全局最大池化操作； 随后，为进一步得到各通道之间的权重信息，利用一个两层的共享全连接层，学习各通道之间的非线性关系； 对于在空间维度上的均值分布和最大值分布依次将其送入共享全连接层，获取和上的通道依赖关系 其中，*表示矩阵乘法，ReLU为非线性激活函数，W1和W2分别表示两个共享全连接层的权重，γ为缩放因子，C表示高光谱数据块的光谱波段数； 对于两层的共享全连接层，分别使用两个卷积核大小为1×1的卷积层实现；之后，再将这两个分布下的通道依赖关系进行加和，并利用Sigmoid函数得到的光谱权重 其中，σ·表示Sigmoid函数； 对于每一个高光谱数据块依次通过上述流程，得到与之对应的光谱权重经过光谱重加权后的高光谱数据块通过下式获得： 其中，⊙表示逐元素点乘； 步骤4：利用训练好的多尺度光谱-空间卷积神经网络，对光谱重加权后的高光谱数据块进行多尺度光谱-空间融合特征提取，将得到的特征送入多尺度光谱-空间卷积神经网络的全连接层进行分类预测，得到最终的分类结果。

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北京理工大学长三角研究院(嘉兴);北京理工大学，其通讯地址为：314019 浙江省嘉兴市秀洲区油车港镇永越大厦18-19楼；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。