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！

龙图腾网获悉西北工业大学申请的专利一种基于超像素-超图特征增强网络的极化SAR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：CN115578599B 。

龙图腾网通过国家知识产权局官网在2025-07-04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：202211322174.0，技术领域涉及：G06V10/764；该发明授权一种基于超像素-超图特征增强网络的极化SAR图像分类方法是由耿杰;王茹;蒋雯设计研发完成，并于2022-10-27向国家知识产权局提交的专利申请。

本一种基于超像素-超图特征增强网络的极化SAR图像分类方法在说明书摘要公布了：本发明公开了一种基于超像素‑超图特征增强网络的极化SAR图像分类方法，包括以下步骤：步骤一、预处理极化SAR图像的输入数据；步骤二、利用超像素分割得到极化SAR超像素集；步骤三、生成超像素极化特征矩阵和空间特征矩阵，构建极化特征关联矩阵和空间特征关联矩阵；步骤四、构建两层超像素‑超图卷积神经网络，进行超像素级到像素级特征转换；步骤五、构建特征重建网络和局部特征提取网络，融合重建特征与局部特征实现特征的增强；步骤六、利用训练集对网络进行训练，输出分类结果。本发明提出的超像素‑超图特征增强网络，能够利用极化SAR图像的极化特征和空间特征，充分融合全局信息和局部信息，有效提升了极化SAR图像分类的精度。

本发明授权一种基于超像素-超图特征增强网络的极化SAR图像分类方法在权利要求书中公布了：1.一种基于超像素-超图特征增强网络的极化SAR图像分类方法，其特征在于：包括以下步骤： 步骤一、预处理极化SAR图像的输入数据： 步骤101、将极化SAR的极化散射矩阵在Pauli基下转换得到相干矩阵T，Shh和Svv表示同极化分量，Shv和Svh表示交叉极化分量，h和v分别表示水平极化和垂直极化； 步骤102、对相干矩阵T进行转化，得到6维初始极化特征向量，进而获得尺寸为Ih×Iw×6的极化SAR输入数据，其中，Ih和Iw分别表示极化SAR图像的长和宽； 步骤二、利用超像素分割得到极化SAR超像素集： 步骤201、利用简单线性迭代聚类的超像素分割算法对极化SAR图像进行分割，分割成M个超像素块； 步骤202、形成极化SAR超像素集S＝{S1,…,Si,…,SM}，其中Si表示第i个超像素块； 步骤三、生成超像素极化特征矩阵和空间特征矩阵，构建极化特征关联矩阵和空间特征关联矩阵： 步骤301、在极化SAR超像素集S中，计算每个超像素内所有像素点极化特征的均值，生成极化特征矩阵计算每个超像素内所有像素点横纵坐标的均值，生成空间特征矩阵其中，和分别表示超像素Si的极化特征向量和空间特征向量； 步骤302、在超像素集S中，利用极化特征矩阵计算超像素极化特征之间的相似度，对于每个超像素，使用k近邻算法挑选出k个相似度最高的值，并将其余相似度值设置为0，生成极化特征关联矩阵Hpol∈RM×M； 步骤303、在超像素集S中，利用空间特征矩阵计算超像素空间特征之间的相似度，对于每个超像素，找出与其在空间位置中相邻超像素的相似度值，并将其余空间特征相似度值设置为0，生成空间特征关联矩阵Hspa∈RM×M； 步骤四、构建两层超像素-超图卷积神经网络，进行超像素级到像素级特征转换： 步骤401、构建两层超像素-超图卷积神经网络，将极化特征关联矩阵Hpol、空间特征关联矩阵Hspa、极化特征矩阵Xpol和空间特征矩阵Xspa输入到网络中，利用网络学习到更高层次的超像素特征其中，Dc表示网络输出超像素的特征维度； 步骤402、利用超像素-像素转换矩阵将超像素-超图卷积神经网络输出的超像素特征转换到像素级特征其中，IhIw表示极化SAR图像所有像素点个数； 步骤五、构建特征重建网络和局部特征提取网络，融合重建特征与局部特征实现特征的增强： 步骤501、构建特征重建网络，将得到的像素级特征输入到特征重建网络中，特征重建表达式为其中，表示第l层隐藏层的输出，且bl表示特征重建网络偏置，frec·表示特征重建网络的激活函数； 步骤502、构建局部特征提取网络，提取极化SAR图像的局部特征Xlocal，局部特征提取表达式为其中，表示第l层网络提取的局部特征，表示卷积核，表示局部特征提取网络偏置，f·表示特征提取网络的激活函数； 步骤503、将特征重建网络的输出与局部特征Xlocal进行拼接，实现特征的增强，得到最终用于分类的整体特征Xtotal； 步骤六、利用训练集对网络进行训练，输出分类结果： 步骤601、将整体特征Xtotal输入到Softmax分类器中，得到图像中每个像素点的预测结果Pjc； 步骤602、每一类随机选择比例为r的训练样本形成训练集，对网络进行训练，网络训练过程中的损失函数为L＝αLrec+Lc，其中，Lrec是重建损失，Lc是分类损失，α是平衡参数。

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北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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”。