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！

龙图腾网获悉西安交通大学申请的专利一种基于表征模型的强鲁棒性高光谱目标检测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：CN116912582B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202310888680.4，技术领域涉及：G06V10/764；该发明授权一种基于表征模型的强鲁棒性高光谱目标检测方法是由穆廷魁;李致远设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本一种基于表征模型的强鲁棒性高光谱目标检测方法在说明书摘要公布了：一种基于表征模型的强鲁棒性高光谱目标检测方法，对待测高光谱图像进行空间域分割，得到若干不同的子区域，基于改进的区域光谱协方差描述子构建鲁棒背景字典；对待测高光谱图像进行超像素分割，得到若干超像素区域；采用协作表征模型，依据鲁棒背景字典对各个超像素区域进行表征，将表征残差赋给超像素区域中的每个像素点，得到背景表征残差；采用稀疏表征模型，依据目标先验光谱信息对待测高光谱图像的每个像素点进行表征，得到目标表征残差；以背景表征残差与目标表征残差的差值为输出结果，输出值越大，表示属于目标的概率越大，通过阈值分割得到目标背景二分类图，实现目标探测。本发明能更加准确高效地检测识别目标，具有优越的性能。

本发明授权一种基于表征模型的强鲁棒性高光谱目标检测方法在权利要求书中公布了：1.一种基于表征模型的强鲁棒性高光谱目标检测方法，其特征在于，包括： 对待测高光谱图像进行有监督的空间域分割，得到若干不同的子区域，利用二阶统计量描述各个子区域的特征，并以此构建鲁棒背景字典； 将原始待测高光谱图像分割成一系列超像素区域，采用基于对称正定流形的协作表征模型，依据所述鲁棒背景字典对各个所述超像素区域进行表征，获得表征系数，表征系数与鲁棒背景字典的乘积即为表征值，其真实值之间的差异为表征残差，将所述表征残差赋给超像素区域中的每个像素点，得到背景表征残差； 以所述背景表征残差与目标表征残差的差值为输出结果，输出值越大，表示属于目标的概率越大，通过阈值分割得到目标背景二分类图，实现目标探测； 其中，所述空间域分割的步骤如下： 步骤1，记目标先验光谱信息组成的字典为Dt，待测高光谱图像r，c，b分别为行数，列数，波段数，定义分割方式为： 其中，Prow为行分割，Pcol为列分割，为第k个隔断的坐标，为第l个隔断的坐标，行有k个隔断，将行分割为k+1个间隔，列有l个隔断，将列分割为l+1个间隔，每个·表示一个间隔对应的起止隔断坐标；损失函数为： 其中，fProw,Pcol表示损失函数，表示第i个行间隔，第j个列间隔构成的区域所对应的改进的区域光谱协方差描述子，表示第i′个行间隔，第j′个列间隔构成的区域所对应的改进的区域光谱协方差描述子，Cov′t为利用目标先验光谱信息得到的目标光谱的改进的区域光谱协方差描述子，为黎曼度量，最优化问题如下 其中，nr＝k+1，为行的隔断数，nc＝l+1，为列的隔断数，B为分割区域总数的上限； 步骤2，设置初始状态和起始分割维度，初始分割状态为将空间行维度平均分为两块，即固定行分割，求解对应的最优列分割，根据所述损失函数，利用近似得到递归关系式： 其中，表示分割间隔数为l+1的列分割，表示分割间隔数为l的列分割；表示第i个行间隔，第l+1个列间隔构成的区域所对应的改进的区域光谱协方差描述子，表示第i′个行间隔，第l+1个列间隔构成的区域所对应的改进的区域光谱协方差描述子； 步骤3，利用递归关系式和Fisher最优分割求取对应的最优列分割； 步骤4，以步骤3求得的列最优分割为起始，固定列分割，根据所述损失函数，利用近似得到递归关系式，重复步骤3，得到在步骤3求得的列最优分割对应的行最优分割。

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交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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”。

以上内容由龙图腾AI智能生成。