買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉河北工業(yè)大學申請的專利一種具備抗噪性能的多網(wǎng)絡融合高光譜圖像分類方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN119762896B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-09-09發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510258096.X，技術領域涉及：G06V10/764；該發(fā)明授權一種具備抗噪性能的多網(wǎng)絡融合高光譜圖像分類方法是由池越;韓永鑫;王釗設計研發(fā)完成，并于2025-03-06向國家知識產(chǎn)權局提交的專利申請。

本一種具備抗噪性能的多網(wǎng)絡融合高光譜圖像分類方法在說明書摘要公布了：本發(fā)明為一種具備抗噪性能的多網(wǎng)絡融合高光譜圖像分類方法，通過引入CapsuleGAN網(wǎng)絡及進行波段間的對比學習，擴展了數(shù)據(jù)集規(guī)模，助力生成更逼真的樣本數(shù)據(jù)，提升了特征表達能力及模型的泛化能力及魯棒性。利用卷積神經(jīng)網(wǎng)絡提取局部特征，并對提取的局部特征進行層次采樣與重要性采樣，分別生成圖結構并進行特征融合以生成融合后圖結構，作為GAT的輸入，以整個融合模型進行訓練，能夠顯著提升高光譜圖像分類的性能，卷積神經(jīng)網(wǎng)絡提取的空間和光譜特征確保了局部特征信息的充分利用，并使數(shù)據(jù)特征進行了更全面的表達，更關注多維度特征的利用，并使模型面對大氣、光照等干擾因素時更加穩(wěn)定，從而提高了分類精度和魯棒性。

本發(fā)明授權一種具備抗噪性能的多網(wǎng)絡融合高光譜圖像分類方法在權利要求書中公布了：1.一種具備抗噪性能的多網(wǎng)絡融合高光譜圖像分類方法，其特征在于，所述分類方法包括以下步驟： S1、獲取不同干擾因素影響下的原始高光譜圖像，使用CapsuleGAN網(wǎng)絡為原始高光譜圖像生成虛擬高光譜像素點；將原始高光譜圖像中的像素點與虛擬高光譜像素點合并，每個像素點具有各自的波段信息和類別標簽；所述不同干擾因素包括大氣、光照、噪聲。 一個像素點與對應類別標簽和波段信息構成一個樣本；所有樣本構成高光譜圖像數(shù)據(jù)集； S2、構建波段感知模塊，所述波段感知模塊用于提取波段特征并剔除樣本中不敏感波段，獲得高光譜敏感數(shù)據(jù)集； 所述波段感知模塊的構建過程是： 在高光譜圖像數(shù)據(jù)集中，每個類別選擇15％的樣本，將所選擇的樣本的每個波段的波段信息作為一個單獨的波段樣本并構成一個波段數(shù)據(jù)集，其中定義當前所需對比的某個像素點在某一波段下的波段樣本為錨樣本，與錨樣本屬于同一類別但不在同一波段的波段樣本為正樣本，與錨樣本不屬于同一類別但在同一波段的波段樣本為負樣本； 以波段數(shù)據(jù)集訓練CNN網(wǎng)絡，獲得訓練好的CNN網(wǎng)絡，訓練時設置波段間對比損失函數(shù)LBandCLR為： 其中，fi為CNN網(wǎng)絡提取的錨樣本的波段特征；表示正樣本通過CNN網(wǎng)絡提取的波段特征；fk為包含一個正樣本和N個負樣本的波段樣本集合中的第k個波段樣本通過CNN網(wǎng)絡提取的波段特征；N為負樣本總數(shù)量；τ為溫度參數(shù)； 敏感度計算單元：將高光譜圖像數(shù)據(jù)集中所有樣本的每個波段的波段信息作為輸入，利用訓練好的CNN網(wǎng)絡提取所有波段特征，分別計算每個波段的波段特征的方差；將所有波段的波段特征的方差按照由大到小進行排序，以波段特征的方差作為敏感度指標，保留高光譜圖像數(shù)據(jù)集中敏感度排名前70％的波段信息，剔除排名后30％的波段信息； 訓練好的CNN網(wǎng)絡與敏感度計算單元組合為波段感知模塊； S3、構建融合模型： 所述融合模型包括含有空間組注意力和光譜組注意力的卷積神經(jīng)網(wǎng)絡、一個圖注意力網(wǎng)絡GAT、層次采樣操作以及重要性采樣操作； 所述含有空間組注意力和光譜組注意力的卷積神經(jīng)網(wǎng)絡用于對輸入進行局部特征提取，獲得局部特征； 所述含有空間組注意力和光譜組注意力的卷積神經(jīng)網(wǎng)絡包含由多個卷積層、非線性激活函數(shù)、池化層和全連接層構成的多個卷積塊，在每個卷積塊后連接并行的空間組注意力和光譜組注意力，空間組注意力和光譜組注意力的輸出拼接后連接下一個卷積塊的輸入，以最后一個卷積塊所連接的空間組注意力和光譜組注意力的輸出拼接結果作為局部特征； 光譜組注意力、空間組注意力進行跨組融合過程為： Hfused＝ConcatAttentionspectral,AttentionspatialWO 其中，Attentionspectral為光譜組注意力，用來計算波段間的關系；AttentionSpatial為空間組注意力，用來計算局部區(qū)域關系；Hfused為二者進行跨組注意力融合后的結果；WO為輸出投影矩陣； 所述局部特征分別經(jīng)層次采樣操作和重要性采樣操作處理后，獲得層次圖結構和重要性圖結構，再將層次圖結構和重要性圖結構進行特征融合，獲得融合后圖結構； 所述層次圖結構和重要性圖結構進行特征融合的過程是： 對于層次圖結構與重要性圖結構中的每個節(jié)點，計算兩個圖結構中節(jié)點之間的注意力權重 其中，表示將層次圖結構中的節(jié)點的特征與重要性圖結構中的節(jié)點的特征進行特征拼接，l代表當前層次圖結構中的節(jié)點所在層級，i代表當前重要性圖結構中的節(jié)點的特征類別，j、k分別用來表示層次圖結構、重要性圖結構的當前節(jié)點索引，Nj代表層次圖結構在當前層級l中的節(jié)點總數(shù)；Nk代表重要性圖結構在當前特征類別i的范圍內(nèi)的節(jié)點總數(shù)；MLP為多層感知機函數(shù)，采用三層隱藏層，以softmax作為激活函數(shù)；為層次圖結構中第l層級的第j'個節(jié)點的特征，為重要性圖結構中第i個特征類別的第k’個節(jié)點的特征； 融合后圖結構的特征的計算公式為： 其中，表示根據(jù)注意力權重對重要性圖結構中節(jié)點特征的加權求和，β是超參數(shù)； 所述融合后圖結構再經(jīng)過圖注意力網(wǎng)絡GAT處理，獲得融合模型的輸出； S4、利用高光譜敏感數(shù)據(jù)集訓練所述融合模型，訓練后的融合模型用于對待分類的高光譜圖像進行分類預測。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人河北工業(yè)大學，其通訊地址為：300401 天津市北辰區(qū)西平道5340號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。