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！

龙图腾网获悉西安电子科技大学申请的专利基于多尺度密集连接和特征聚合网络的高光谱图像分类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：CN116580252B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202310718315.9，技术领域涉及：G06V10/764；该发明授权基于多尺度密集连接和特征聚合网络的高光谱图像分类方法是由刘逸;慕彩红;祝建;冯家杰;那彦;刘敬设计研发完成，并于2023-06-16向国家知识产权局提交的专利申请。

本基于多尺度密集连接和特征聚合网络的高光谱图像分类方法在说明书摘要公布了：本发明提出了一种基于多尺度密集连接和特征聚合网络的高光谱图像分类方法，其实现步骤为：构建光谱‑空间特征提取模块；构建多尺度特征提取模块；构建多层次特征聚合模块；构建多尺度密集连接和特征聚合网络；利用生成的训练集训练多尺度密集连接和特征聚合网络；对高光谱图像进行分类。本发明能够更全面地捕捉高光谱图像的光谱‑空间特征，并充分利用高光谱图像空间特征和不同层次特征，从而有效解决现有高光谱图像分类方法中光谱‑空间特征表示不足、样本不平衡、存在大量冗余信息等问题，并在一定程度上提升高光谱图像分类的性能。

本发明授权基于多尺度密集连接和特征聚合网络的高光谱图像分类方法在权利要求书中公布了：1.一种基于多尺度密集连接和特征聚合网络的高光谱图像分类方法，其特征在于，分别构建光谱-空间特征提取模块、多尺度特征提取模块、多层次特征聚合模块；该分类方法的具体步骤如下： 步骤1，构建光谱-空间特征提取模块： 搭建光谱-空间特征提取模块，其结构中包含：第一卷积层，第一规范层，第一激活函数层，第二卷积层，第二规范层，第二激活函数层，第三卷积层，第三规范层，第三激活函数层，concatenate层，第四卷积层；其中，第一卷积层，第一规范层，第一激活函数层，第二卷积层，第二规范层，第二激活函数层，第三卷积层，第三规范层，第三激活函数层，concatenate层，第四卷积层级联；同时，第一激活函数层和第二激活函数层还分别与concatenate层并联；将第一至第三卷积层的卷积核尺寸均设置为3×3×3，卷积核个数分别设置为8,16,24，将第四卷积层的卷积核尺寸设置为1×1×1，卷积核个数设置为16，将第一至第三卷积层的空洞率分别设置为1,2,3；第一至第三规范层均采用批标准化函数，激活函数层均采用线性整流函数； 步骤2，构建多尺度特征提取模块： 搭建多尺度特征提取模块，其结构中包含：多尺度分支，残差分支，交叉注意力层；其中，多尺度分支和残差分支分别与交叉注意力层相联；所述多尺度分支中包含：第一卷积层，第二卷积层，第二规范层，第二激活函数层，第一融合层，第三卷积层，第三规范层，第三激活函数层，第二融合层，第四卷积层，第四规范层，第四激活函数层，第三融合层，第五卷积层，第五规范层，第五激活函数层，concatenate层，第六卷积层；其中，第一卷积层，第二卷积层，第二规范层，第二激活函数层，第一融合层，第三卷积层，第三规范层，第三激活函数层，第二融合层，第四卷积层，第四规范层，第四激活函数层，第三融合层，第五卷积层，第五规范层，第五激活函数层，concatenate层，第六卷积层级联；第一卷积层分别与第一融合层、第二融合层、第三融合层和concatenate层并联，第二激活函数层分别与第二融合层、第三融合层和concatenate层并联，第三激活函数层分别与第三融合层和concatenate层并联，第四激活函数层与concatenate层并联；将第一卷积层的卷积核尺寸设置为1×1，将第二至第五卷积层的卷积核尺寸均设置为3×3，卷积核个数依次均设置为16，空洞率分别设置为1,2,3,4，将第六卷积层的卷积核尺寸设置为1×1；第二至第五规范层均采用批标准化函数，激活函数层均采用线性整流函数；所述残差分支依次由第七卷积层，第七规范层，第七激活函数层级联；将第七卷积层的卷积核尺寸设置为3×3；第七规范层采用批标准化函数，激活函数层采用线性整流函数； 步骤3，构建多层次特征聚合模块： 搭建多层次特征聚合模块，其结构中包含：输入特征1，输入特征2，输入特征3，输入特征4，第一融合层，第一卷积层，第二融合层，第二卷积层，第三融合层，第三卷积层，聚合特征1，聚合特征2，聚合特征3，聚合特征4，concatenate层，第四卷积层；其中，输入特征1、第三融合层、第三卷积层和聚合特征1级联，输入特征2、第二融合层、第二卷积层和聚合特征2级联，输入特征3、第一融合层、第一卷积层和聚合特征3级联，输入特征4和聚合特征4级联，concatenate层分别与聚合特征1、聚合特征2、聚合特征3和聚合特征4相连，第一融合层与输入特征4相连，第二融合层与第一卷积层相连，第三融合层与第二卷积层相连；将第一至第四卷积层的卷积核尺寸均设置为3×3； 步骤4，构建多尺度密集连接和特征聚合网络： 搭建多尺度密集连接和特征聚合网络，其结构中包含：光谱-空间特征提取模块、第一多尺度特征提取模块、第二多尺度特征提取模块、第三多尺度特征提取模块、多层次特征聚合模块和线性层；其中，光谱-空间特征提取模块、第一多尺度特征提取模块、第二多尺度特征提取模块、第三多尺度特征提取模块、多层次特征聚合模块和线性层级联；所述多层次特征聚合模块分别与光谱-空间特征提取模块、第一多尺度特征提取模块和第二多尺度特征提取模块并联；所述线性层依次由全局平均池化层，第一全连接层，第一激活函数层，第二全连接层，第二激活函数层级联；第一激活函数层采用线性整流函数，第二激活函数采用softmax函数； 步骤5，生成训练集： 选取一幅大小为145×145×200，空间分辨率为20m的高光谱遥感图像，共有包含200个可用光谱波段、16类土地覆盖物和10249个标记样本；对该高光谱遥感图像依次进行均值方差归一化、主成分分析降维、零值边缘填充操作的预处理；对预处理后的高光谱图像生成邻域块，并对所有邻域块进行随机采样；将采样得到的所有邻域块及其对应标签组成训练集； 步骤6，训练多尺度密集连接和特征聚合网络： 将训练集输入到多尺度密集连接和特征聚合网络中，使用交叉熵损失函数计算预测标签向量和真实标签向量之间的损失值，利用梯度下降法迭代更新网络参数，直到网络的损失函数收敛，得到训练好的多尺度密集连接和特征聚合网络； 步骤7，对高光谱图像进行分类： 采用与步骤5相同的方法，对待分类的高光谱图像进行处理；将处理后的高光谱图像输入到训练好的多尺度密集连接和特征聚合网络中，输出该高光谱图像中各像素的类别标签，完成高光谱图像分类。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。