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！

龙图腾网获悉甘肃省地震局(中国地震局兰州地震研究所)申请的专利结合多种纹理特征的深度学习建筑震害识别方法及系统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：CN118038275B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202410288367.1，技术领域涉及：G06V20/10；该发明授权结合多种纹理特征的深度学习建筑震害识别方法及系统是由翟玮;朱贵钰;杜建清设计研发完成，并于2024-03-14向国家知识产权局提交的专利申请。

本结合多种纹理特征的深度学习建筑震害识别方法及系统在说明书摘要公布了：本发明涉及的建筑震害地物识别技术领域，尤其涉及一种结合多种纹理特征的深度学习建筑震害识别方法及系统。所述方法包括以下步骤：1图像的预处理；2为深度学习网络分类模型添加空间域和频率域的纹理特征并训练深度学习网络分类模型；3将经过训练的深度学习网络分类模型用于地震破坏区域，进行分类并提取倒塌建筑。所述纹理特征包括空间域的均值特征、中值特征，以及频率域的Gabor特征；所述深度学习网络分类模型为深度卷积神经网络模型。本发明能够为判断地震破坏区域建筑物损毁的严重程度提供技术支持。

本发明授权结合多种纹理特征的深度学习建筑震害识别方法及系统在权利要求书中公布了：1.一种结合多种纹理特征的深度学习建筑震害识别方法，其特征在于，包括以下步骤：所述方法包括以下步骤： 步骤S1、获取地震破坏区域的合成孔径雷达SAR图像； 步骤S2、对所述SAR图像的原始图像进行预处理得到校正后的单极化SAR图像； 随后从所述单极化SAR图像中选取样本集；所述样本集中包括要被识别分类的每种地物类型的图像；步骤S2中的所述地物类型包括倒塌建筑物、未倒塌建筑物、植被和裸地； 步骤S2具体包括： 步骤S21、将单极化SAR图像与光学图像进行配准； 步骤S22、在配准后的单极化SAR图像上，提取标注的地物样本，形成SAR图像样本集； 步骤S22中：在SAR图像上直接标注出裸地和植被样本；在光学图像中标注出倒塌和未倒塌建筑物样本； 步骤S3、通过对原始SAR图像处理计算，获取3项用于建筑物震害识别的纹理特征，得到3项纹理特征图像，在所述样本集中添加每个样本相对应的3项纹理特征图像，得到多特征样本集； 3项纹理特征包括：空间域的均值特征、空间域的中值特征，以及频率域的Gabor特征； 步骤S3中，所述均值特征对应的均值滤波的数学表达式为： 式中，R是平滑后的像元灰度值，N是窗口平滑大小，Iij是i,j处平滑窗口内各像元的初始灰度值； 所述中值特征对应的中值滤波的数学表达式为： Yk＝med{Xi+r,j+s；r,s∈A} 式中，A为截取图像的窗口，X为对应点的像素值；Yk表示在k点处的中值，i,j为窗口左上角坐标，r和s表示窗口截取的像素数量； 所述Gabor特征对应的二维Gabor滤波器定义如下： 式中，x,y为二维的空间坐标表示；u＝xcosθ+ysinθ；v＝-xsinθ+ycosθ；θ为Gabor滤波器方向；σx和σy为描述频率函数的空间尺度因子；f为决定空间尺度因子的频率，σx＝σy＝1f； 步骤S4、将所述3项纹理特征与原始SAR图像同时叠加成多维数据输入，进行深度卷积神经网络运算； 步骤S5、利用所述多特征样本集对深度卷积神经网络模型进行训练，得到经过训练的深度卷积神经网络模型； 步骤S6、利用所述经过训练的深度卷积神经网络模型对所述地震破坏区域SAR图像进行地物分类； 步骤S4中，所述运算的公式如下： InputSAR∪Mean∪Median∪Gabor→DCNN→OutputDB∪UDB 式中，SAR、Mean、Median、Gabor分别表示输入深度卷积神经网络的SAR原始图像、均值特征、中值特征和Gabor特征； DCNN代表深度卷积神经网络，DB和UDB分别表示分类结果中的倒塌建筑和未倒塌建筑。

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甘肃省地震局(中国地震局兰州地震研究所)，其通讯地址为：730000 甘肃省兰州市城关区渭源路街道东岗西路410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”。