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

龍圖騰網獲悉昆明理工大學申請的專利一種基于層級去噪自動編碼器的高光譜圖像解混方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120430976B 。

龍圖騰網通過國家知識產權局官網在2025-09-12發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510867793.5，技術領域涉及：G06T5/70；該發明授權一種基于層級去噪自動編碼器的高光譜圖像解混方法是由付承彪;曹霜;田安紅設計研發完成，并于2025-06-26向國家知識產權局提交的專利申請。

本一種基于層級去噪自動編碼器的高光譜圖像解混方法在說明書摘要公布了：本發明涉及一種基于層級去噪自動編碼器的高光譜圖像解混方法，屬于高光譜解混技術領域。該方法通過設計多層自動編碼器，每一層自動編碼器專門用于從混合光譜中分離出一個特定的豐度成分。第一層自動編碼器將豐度分離完成后，將該豐度對應的光譜信號從原始數據中減去，生成一個新的數據集，隨后將該數據集作為下一層自動編碼器的輸入，繼續提取下一個豐度，直到所有端元的豐度比例都提取完畢。最終，將剩余的數據視為噪聲。通過使用多層次的結構對高光譜圖像進行逐層分解，利用每一層的解耦充分挖掘圖像的潛在信息，實現噪聲與純凈信號的逐級分離。

本發明授權一種基于層級去噪自動編碼器的高光譜圖像解混方法在權利要求書中公布了：1.一種基于層級去噪自動編碼器的高光譜圖像解混方法，其特征在于，包括以下具體步驟： Step1：使用第一層自動編碼器提取第一個端元的豐度比例，然后使用原始混合光譜減去第一個端元對應的光譜特征得到更新后的數據集，將所述更新后的數據集作為下一層自動編碼器的輸入； Step2：基于上一層自動編碼器更新后的數據集，使用當前層自動編碼器提取當前端元的豐度比例，從上一層更新后的數據集中減去當前端元光譜特征，重新更新數據集作為下一層自動編碼器的輸入； Step3：重復Step2，直到所有端元的豐度比例都提取完畢，得到最終的豐度矩陣和噪聲矩陣； Step4：結合自定義的損失函數訓練自動編碼器，使解碼器的權重矩陣擬合端元特征分布，得到最終的端元矩陣； 所述Step2具體為： Step2.1：使用殘差數據集作為第二層卷積網絡的輸入，第二層卷積網絡提取第二個端元，第二層的編碼過程和解碼過程與第一層一致： ； 其中，為第二個端元編碼后的光譜特征，代表第二層編碼器的非線性映射函數，為第二個端元的豐度映射圖，為第二層編碼器的權重，是第二層解碼器中卷積層的偏置項； Step2.2：提取出第二個端元的豐度后，從當前殘差數據集中去除第二個端元對應的光譜特征，得到更新后的殘差數據集： ； 其中，為更新后的殘差數據集； 所述Step3具體為： 經過多層分解后，混合光譜中的端元成分逐漸被剝離，剩下的為殘差數據，其中，m為端元個數，所述殘差數據為噪聲數據： ； 其中，為第個端元的光譜特征； 對于m層的自動編碼器結構，通過迭代優化實現光譜解混： ； 其中，為豐度約束項，為權衡參數，為Frobenius范數，是待優化的參數集合，為第個端元的豐度映射圖；每一層的光譜特征通過卷積編碼器捕捉端元的空間-光譜聯合特征，解碼器通過Sigmoid函數實現豐度的物理意義約束：； 所述Step4具體為： 在訓練過程中，逐漸調整解碼器的權重矩陣以最小化重構誤差，引入光譜角距離SAD作為目標損失函數的第一項： ； 其中，是光譜角距離損失項，是反余弦函數，是輸入的豐度矩陣，是重構的豐度矩陣，為歐幾里得范數； 同時，引入均方誤差MSE作為目標損失函數的第二項： ； 其中，是均方誤差損失項； 采用L12正則化方法作為目標損失函數的第三項： ； 式中，矩陣具有P行Q列，是正則化損失項，是重構的豐度矩陣的第b列和第c行中的豐度元素； 所述自定義的損失函數是以上三個損失的加權和： ； 其中，和是平衡以上三個損失的超參數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人昆明理工大學，其通訊地址為：650031 云南省昆明市一二一大街文昌路68號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。