買(mǎi)專利賣(mài)專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉西安電子科技大學(xué)申請(qǐng)的專利利用雙去噪器替代人工先驗(yàn)的高光譜圖像異常檢測(cè)方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115222712B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210896450.8，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)利用雙去噪器替代人工先驗(yàn)的高光譜圖像異常檢測(cè)方法是由謝衛(wèi)瑩;馬松林;劉易丹;蔣愷;雷杰;李云松設(shè)計(jì)研發(fā)完成，并于2022-07-28向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本利用雙去噪器替代人工先驗(yàn)的高光譜圖像異常檢測(cè)方法在說(shuō)明書(shū)摘要公布了：本發(fā)明提出了一種利用雙去噪器替代人工先驗(yàn)的高光譜圖像異常檢測(cè)方法，利用雙去噪器分別對(duì)字典系數(shù)張量進(jìn)行低秩平滑處理和對(duì)異常張量進(jìn)行去噪處理以替代人工先驗(yàn)；構(gòu)建噪聲評(píng)估模塊評(píng)估三維張量每個(gè)通道的噪聲方差，使去噪器自適應(yīng)地設(shè)置去噪方差參數(shù)。本發(fā)明主要解決人工先驗(yàn)項(xiàng)參數(shù)計(jì)算優(yōu)化過(guò)程過(guò)于復(fù)雜，以及去噪器手工設(shè)置的去噪方差參數(shù)與實(shí)際輸入去噪器的三維張量噪聲方差存在較大誤差的問(wèn)題，提升了檢測(cè)不同高光譜圖像中異常的魯棒性和檢測(cè)過(guò)程中計(jì)算優(yōu)化的效率，雙去噪器去除與異常一同被檢測(cè)出的噪聲，突顯異常目標(biāo)，去噪效果更優(yōu)，提高了異常檢測(cè)精度。

本發(fā)明授權(quán)利用雙去噪器替代人工先驗(yàn)的高光譜圖像異常檢測(cè)方法在權(quán)利要求書(shū)中公布了：1.一種利用雙去噪器替代人工先驗(yàn)的高光譜圖像異常檢測(cè)方法，其特征在于，構(gòu)建噪聲評(píng)估模塊自適應(yīng)評(píng)估噪聲張量各通道的噪聲方差，設(shè)計(jì)替代人工先驗(yàn)并自適應(yīng)調(diào)整去噪方差參數(shù)的雙去噪器；該異常檢測(cè)方法的步驟包括如下： 步驟1.獲得降維的判別性特征矩陣： 將一張待檢測(cè)的高光譜圖像中每個(gè)通道的二維圖像中第一行到最后一行的值按行排列成光譜矩陣中每一列的值，將光譜矩陣歸一化后輸入到一個(gè)由全連接層構(gòu)成的編碼器中，輸出該高光譜圖像降維后的判別性特征矩陣，將該矩陣中每一行的值排列為一個(gè)判別性特征向量；其中， 步驟2.由判別性特征矩陣獲得表示背景的字典原子矩陣： 步驟2.1，求判別性特征矩陣中每一個(gè)判別性特征向量隸屬于高斯分量類別的概率，將此判別性特征向量分類到所有概率中的最大概率值所對(duì)應(yīng)的高斯分量類別中，將屬于每一類高斯分量的所有判別性特征向量隸屬于該類別高斯分量的所有概率中的最大概率值對(duì)應(yīng)的判別性特征向量作為屬于該類別高斯分量的所有判別性特征向量的中心判別性特征向量，將屬于每一類高斯分量的所有判別性特征向量隸屬于該類別高斯分量的所有概率中的最小概率值對(duì)應(yīng)的判別性特征向量作為屬于該類別高斯分量的所有判別性特征向量的邊界判別性特征向量； 步驟2.2，按照第一類高斯分量類別到最后一類高斯分量類別的順序，將屬于任意一類高斯分量的所有判別性特征向量的中心判別性特征向量和屬于該類高斯分量的所有判別性特征向量的邊界判別性特征向量按行組成字典原子矩陣； 步驟3.構(gòu)建噪聲評(píng)估模塊： 步驟3.1，將一張形狀為[m1,n1,c1]的三維噪聲圖像中所選取的一張未選過(guò)通道內(nèi)的二維噪聲圖像裁剪成數(shù)量為m-d+1n-d+1、長(zhǎng)為d、寬為d的二維圖像塊，將每個(gè)二維圖像塊中第一行的像素值到最后一行的像素值按行排列成一個(gè)維度為d2×1的一個(gè)向量，將所有向量的值按行組成一個(gè)數(shù)值矩陣；其中，m1表示三維噪聲圖像的行像素?cái)?shù)，n1表示三維噪聲圖像的列像素?cái)?shù)，c1為表示三維噪聲圖像的通道數(shù)，d表示裁剪的尺寸大小； 步驟3.2，計(jì)算所有向量的均值向量； 步驟3.3，計(jì)算數(shù)值矩陣的協(xié)方差矩陣； 步驟3.4，計(jì)算協(xié)方差矩陣的特征值，并將特征值從小到大進(jìn)行排序得到一個(gè)特征值列表； 步驟3.5，計(jì)算特征值列表中所有特征值的均值； 步驟3.6，判斷特征值列表中所有特征值的均值是否與特征值列表的中位數(shù)相等，若是，則所選通道的噪聲方差的數(shù)值等于該均值的平方根后執(zhí)行步驟3.7；否則，刪除特征值列表中的最后一個(gè)特征值后執(zhí)行步驟3.5； 步驟3.7，判斷是否選完三維噪聲圖像中所有的通道，若是，則完成噪聲評(píng)估模塊的構(gòu)建后執(zhí)行步驟4，否則，執(zhí)行步驟3.1； 步驟4.設(shè)計(jì)一個(gè)以FFDNet卷積神經(jīng)網(wǎng)絡(luò)為框架的去噪器： 步驟4.1，將一張形狀為[m2,n2,c2]的三維噪聲圖像輸入到噪聲評(píng)估模塊中，輸出該三維噪聲圖像中每個(gè)通道的二維噪聲圖像的噪聲方差；其中，m2表示三維噪聲圖像的行像素?cái)?shù)，n2表示三維噪聲圖像的列像素?cái)?shù)，c2表示三維噪聲圖像的通道數(shù)； 步驟4.2，將三維噪聲圖像中所選取的一張未選過(guò)通道內(nèi)的二維噪聲圖像及其噪聲方差一并輸入到訓(xùn)練好的FFDNet卷積神經(jīng)網(wǎng)絡(luò)，輸出去噪后的二維圖像；其中，該網(wǎng)絡(luò)的去噪方差參數(shù)自適應(yīng)地設(shè)置為三維噪聲圖像中所選通道內(nèi)的二維圖像的噪聲方差； 步驟4.3，判斷是否選完三維噪聲圖像中所有的通道，若是，將所有通道去噪后的二維圖像按照三維噪聲圖像的通道順序排列成去噪后的三維圖像，完成該去噪器的設(shè)計(jì)后執(zhí)行步驟5，否則，執(zhí)行步驟4.2； 步驟5.設(shè)計(jì)一個(gè)以高斯濾波器為框架的去噪器： 步驟5.1，將一張形狀為[m3,n3,c3]的三維噪聲圖像輸入到噪聲評(píng)估模塊中，輸出該三維噪聲圖像中每個(gè)通道的二維噪聲圖像的噪聲方差；其中，m3表示三維噪聲圖像的行像素?cái)?shù)，n3表示三維噪聲圖像的列像素?cái)?shù)，c3為表示三維噪聲圖像的通道數(shù)； 步驟5.2，將三維噪聲圖像中所選取的一張未選過(guò)通道內(nèi)的二維噪聲圖像及其噪聲方差一并輸入到滑窗大小為3×3的高斯濾波器，輸出去噪后的二維圖像；其中，該高斯濾波器的滑窗卷積核的濾波系數(shù)的方差參數(shù)自適應(yīng)地設(shè)置為三維噪聲圖像中所選通道內(nèi)的二維噪聲圖像的噪聲方差； 步驟5.3，判斷是否選完三維噪聲圖像中所有的通道，若是，將所有通道去噪后的二維圖像按照三維噪聲圖像的通道順序排列成去噪后的三維圖像，完成該去噪器的設(shè)計(jì)后執(zhí)行步驟6，否則，執(zhí)行步驟5.2； 步驟6.利用雙去噪器檢測(cè)異常： 步驟6.1，構(gòu)建一個(gè)初始值為全零的字典系數(shù)矩陣，該矩陣的行數(shù)與步驟2.2中字典原子矩陣的行數(shù)相同、列數(shù)與步驟1中判別性特征矩陣的行數(shù)相同，構(gòu)建一個(gè)初始值為全零的異常矩陣，該矩陣的行數(shù)與步驟1中判別性特征矩陣列數(shù)相同、列數(shù)與步驟1中判別性特征矩陣的行數(shù)相同； 步驟6.2，按照下式，計(jì)算字典系數(shù)矩陣的梯度下降中間估計(jì)矩陣： 其中，VS表示字典系數(shù)矩陣的梯度下降中間估計(jì)矩陣，S表示字典系數(shù)矩陣，λS表示參數(shù)，其值在[0.0001,0.1]范圍內(nèi)隨機(jī)選取的一個(gè)實(shí)數(shù)，表示對(duì)·關(guān)于S求偏導(dǎo)操作，表示Frobenius范數(shù)，X表示判別性特征矩陣的轉(zhuǎn)置矩陣，D表示字典原子矩陣的轉(zhuǎn)置矩陣，E表示異常矩陣； 步驟6.3，將字典系數(shù)矩陣的梯度下降中間估計(jì)矩陣排列成三維張量作為字典系數(shù)中間估計(jì)張量，該三維張量中每一個(gè)通道的矩陣由該梯度下降中間估計(jì)矩陣中每一列的值排列組成； 步驟6.4，將字典系數(shù)中間估計(jì)張量輸入到以FFDNet卷積神經(jīng)網(wǎng)絡(luò)為框架的去噪器中，輸出字典系數(shù)三維張量； 步驟6.5，將字典系數(shù)三維張量中每個(gè)通道的二維矩陣中第一行到最后一行的值按行排列成更新后的字典系數(shù)矩陣中每一列的值； 步驟6.6，按照下式，計(jì)算異常矩陣的梯度下降中間估計(jì)矩陣： 其中，VE表示異常矩陣的梯度下降中間估計(jì)矩，λE表示參數(shù)，其值在[0.0001,0.1]范圍內(nèi)隨機(jī)選取的一個(gè)實(shí)數(shù)，表示對(duì)·關(guān)于E求偏導(dǎo)操作，Snew表示更新后的字典系數(shù)矩陣； 步驟6.7，將異常矩陣的梯度下降中間估計(jì)矩陣排列成三維張量作為異常中間估計(jì)張量，該三維張量中每一個(gè)通道的矩陣由該梯度下降中間估計(jì)矩陣中每一列的值排列組成； 步驟6.8，將異常中間估計(jì)張量輸入到以高斯濾波器為框架的去噪器中，輸出異常三維張量； 步驟6.9，將異常三維張量中每個(gè)通道的二維矩陣中第一行到最后一行的值按行排列成更新后的異常矩陣中每一列的值； 步驟6.10，判斷更新后的字典系數(shù)矩陣和更新后的異常矩陣是否滿足終止條件，若是，則執(zhí)行步驟7，否則，執(zhí)行步驟6.2； 步驟7，保存異常圖像： 求更新后的異常矩陣中每一列的二范數(shù)值，將所有二范數(shù)值按行排列成二范數(shù)值矩陣，將此二范數(shù)值矩陣?yán)L圖并保存異常圖像。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人西安電子科技大學(xué)，其通訊地址為：710071 陜西省西安市太白南路2號(hào)；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)”。