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！

龙图腾网获悉昆明理工大学申请的专利一种基于层级去噪自动编码器的高光谱图像解混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：CN120430976B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202510867793.5，技术领域涉及：G06T5/70；该发明授权一种基于层级去噪自动编码器的高光谱图像解混方法是由付承彪;曹霜;田安红设计研发完成，并于2025-06-26向国家知识产权局提交的专利申请。

本一种基于层级去噪自动编码器的高光谱图像解混方法在说明书摘要公布了：本发明涉及一种基于层级去噪自动编码器的高光谱图像解混方法，属于高光谱解混技术领域。该方法通过设计多层自动编码器，每一层自动编码器专门用于从混合光谱中分离出一个特定的丰度成分。第一层自动编码器将丰度分离完成后，将该丰度对应的光谱信号从原始数据中减去，生成一个新的数据集，随后将该数据集作为下一层自动编码器的输入，继续提取下一个丰度，直到所有端元的丰度比例都提取完毕。最终，将剩余的数据视为噪声。通过使用多层次的结构对高光谱图像进行逐层分解，利用每一层的解耦充分挖掘图像的潜在信息，实现噪声与纯净信号的逐级分离。

本发明授权一种基于层级去噪自动编码器的高光谱图像解混方法在权利要求书中公布了：1.一种基于层级去噪自动编码器的高光谱图像解混方法，其特征在于，包括以下具体步骤： Step1：使用第一层自动编码器提取第一个端元的丰度比例，然后使用原始混合光谱减去第一个端元对应的光谱特征得到更新后的数据集，将所述更新后的数据集作为下一层自动编码器的输入； Step2：基于上一层自动编码器更新后的数据集，使用当前层自动编码器提取当前端元的丰度比例，从上一层更新后的数据集中减去当前端元光谱特征，重新更新数据集作为下一层自动编码器的输入； Step3：重复Step2，直到所有端元的丰度比例都提取完毕，得到最终的丰度矩阵和噪声矩阵； Step4：结合自定义的损失函数训练自动编码器，使解码器的权重矩阵拟合端元特征分布，得到最终的端元矩阵； 所述Step2具体为： Step2.1：使用残差数据集作为第二层卷积网络的输入，第二层卷积网络提取第二个端元，第二层的编码过程和解码过程与第一层一致： ； 其中，为第二个端元编码后的光谱特征，代表第二层编码器的非线性映射函数，为第二个端元的丰度映射图，为第二层编码器的权重，是第二层解码器中卷积层的偏置项； Step2.2：提取出第二个端元的丰度后，从当前残差数据集中去除第二个端元对应的光谱特征，得到更新后的残差数据集： ； 其中，为更新后的残差数据集； 所述Step3具体为： 经过多层分解后，混合光谱中的端元成分逐渐被剥离，剩下的为残差数据，其中，m为端元个数，所述残差数据为噪声数据： ； 其中，为第个端元的光谱特征； 对于m层的自动编码器结构，通过迭代优化实现光谱解混： ； 其中，为丰度约束项，为权衡参数，为Frobenius范数，是待优化的参数集合，为第个端元的丰度映射图；每一层的光谱特征通过卷积编码器捕捉端元的空间-光谱联合特征，解码器通过Sigmoid函数实现丰度的物理意义约束：； 所述Step4具体为： 在训练过程中，逐渐调整解码器的权重矩阵以最小化重构误差，引入光谱角距离SAD作为目标损失函数的第一项： ； 其中，是光谱角距离损失项，是反余弦函数，是输入的丰度矩阵，是重构的丰度矩阵，为欧几里得范数； 同时，引入均方误差MSE作为目标损失函数的第二项： ； 其中，是均方误差损失项； 采用L12正则化方法作为目标损失函数的第三项： ； 式中，矩阵具有P行Q列，是正则化损失项，是重构的丰度矩阵的第b列和第c行中的丰度元素； 所述自定义的损失函数是以上三个损失的加权和： ； 其中，和是平衡以上三个损失的超参数。

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昆明理工大学，其通讯地址为：650031 云南省昆明市一二一大街文昌路68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”。