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！

龙图腾网获悉中国海洋大学申请的专利基于频谱自适应特征融合的多源遥感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：CN119723216B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202510006352.6，技术领域涉及：G06V10/764；该发明授权基于频谱自适应特征融合的多源遥感图像分类方法是由高峰;金学鹏;董军宇;甘言海设计研发完成，并于2025-01-03向国家知识产权局提交的专利申请。

本基于频谱自适应特征融合的多源遥感图像分类方法在说明书摘要公布了：本发明涉及一种基于频谱自适应特征融合的多源遥感图像分类方法，属于遥感图像处理与分析领域。针对现有的多源遥感图像分类方法存在的特征提取灵活性差、特征融合策略不佳以及计算效率低等问题，本发明首先对多源遥感数据集进行预处理与划分，接着构建频谱自适应特征融合神经网络模型，然后进行模型训练与定量评估，最后展开模型可视化结果分析。通过对高光谱图像与激光雷达合成孔径雷达图像的特征有效提取与融合，实现多源遥感数据的分类，适用于多源数据融合与分类场景，能应对复杂地表信息的遥感数据处理需求，在提升分类精度和处理效率方面优势显著，为多源遥感图像分类提供了更高效、精准的解决方案。

本发明授权基于频谱自适应特征融合的多源遥感图像分类方法在权利要求书中公布了：1.一种基于频谱自适应特征融合的多源遥感图像分类方法，其特征在于，该方法包括以下步骤： S1：多源遥感数据集预处理：高光谱图像维度压缩、数据填充；预处理后划分为训练集和测试集； S2：构建频谱自适应特征融合神经网络模型，该模型包括动态频域特征提取模块、光谱空间自适应特征融合模块和进行分类的全连接层；该网络模型的数据处理过程表示为输入数据→卷积块初步提取特征→动态频域特征提取模块→光谱空间自适应特征融合模块→全连接层；所述动态频域特征提取模块旨在提取频域特征，通过动态的傅里叶变换滤波过程增强数据的表达能力；光谱空间自适应特征融合模块融合不同源的数据特征，分类的全连接层位于网络模型的最后阶段，用于根据前面的特征提取和融合的结果进行分类；所述S2中，自适应特征融合神经网络模型的数据处理过程为： S2-1：输入数据HSI的维度是B,C,N,P,P，其中B是批次大小，C是通道数，N是高光谱波段数，P是裁剪的图像块的大小也就是WindowSize；输入数据LiDARSAR图像的输入数据维度是B,C,P,P，其中B是批次大小，C是通道数，P是裁剪的图像块的大小； S2-2：对于HSI数据，数据流首先经过初步特征提取：HSI数据→3DConv→BatchNorm3D→ReLU激活函数；对于LiDARSAR数据，数据流经过初步特征提取：LiDARSAR数据→2DConv→BatchNorm2D→ReLU激活函数；初步特征提取的操作的计算过程表示为： FH＝ReLUBN3DConv3DH FX＝ReLUBN2DConv2DX 其中H代表HSI的输入数据，X代表LiDARSAR数据；FH代表初步提取到的高光谱特征，FX代表初步提取到的LiDARSAR特征； S2-3：对得到的FH和FX使用动态频域特征提取模块提取适应数据模态的特征，整体结构是输入特征→LayerNorm→动态傅里叶滤波→残差连接→LayerNorm→MLP→残差连接；整个计算过程如下所示： F′H＝DFLNFH+FH F″H＝MLPLNF′H+F′H 其中LN代表LayerNorm，DF代表动态滤波器MLP是多层感知机，组成结构是Linear→ReLU→Dropout→Linear→Dropout；MLP的计算过程如下所示： Y＝DropLinearLinearReLULinearX FX的处理过程类似于FH的处理过程； S2-4：滤波器是可学习的参数K∈CN×H×W，C代表复数域，N表示滤波器的数量，H和W代表着输入数据的长和宽； Routing＝SoftMaxMLPGAPX 其中，X代表输入数据，这里就是FH或者FX，GAP代表全局平均池化，SoftMax用于数据归一化；F代表傅里叶变换，F-1是傅里叶逆变换，K是可学习的参数，M是通过Routing处理生成的动态滤波核，这个滤波核与输入经过线性层和傅里叶变换后的特征相乘得到处理后的特征，再通过傅里叶逆变换变为实数域，再接着经过线性层得到最终的输出Y； S2-5：数据经过初步提取特征和动态频域特征提取模块处理的过程会重复L次，将FH″和FX ″送入光谱空间自适应特征融合模块进行融合，融合过程如下所示： F″′H＝CAF″H·F″H F″′X＝SAF″X·F″X W＝SigmoidConv5×5ConcatFH″,FX″ Ffuse＝Conv1×1F″H+F″X+W·F″H+1-W·F″X 其中，CA代表通道注意力，SA代表空间注意力,Concat代表拼接操作，Sigmoid是深度学习中常用的激活函数，W是通过学习得到的权重图，Conv5×5和Conv1×1分别代表卷积核大小为5和1的卷积；通道注意力和空间注意力的详细计算过程如下所示： Y＝LinearReLULinearGAPX Y＝Conv5×5ConcatGAPX,GMPX 其中，GAP是全局平均池化，GMP是全局最大池化； S3：所述频谱自适应特征融合神经网络模型进行训练，采用交叉熵损失函数，优化器中设置了权重衰减项，通过对权重施加L2正则化，约束模型参数的复杂度； S4：利用训练好的频谱自适应特征融合神经网络模型进行多源遥感数据处理，进行可视化结果分析。

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中国海洋大学，其通讯地址为：266100 山东省青岛市崂山区松岭路238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”。