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！

龙图腾网获悉河海大学申请的专利一种基于可形变卷积的高光谱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：CN115496935B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202211003325.6，技术领域涉及：G06V10/764；该发明授权一种基于可形变卷积的高光谱图像分类方法是由薛朝辉;李博设计研发完成，并于2022-08-19向国家知识产权局提交的专利申请。

本一种基于可形变卷积的高光谱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可形变卷积的高光谱图像分类方法，所提出的空间‑光谱联合特征提取模型中，首先采用多层1×1卷积进行光谱特征聚合与提取，然后使用三维卷积层同时提取空间‑光谱联合特征，最后使用全局平均池化在减少参数的同时，整合全局信息，再输入全连接层实现分类；本方法将可形变卷积扩展到了光谱维中，通过在光谱维上的偏移为每个地物选择合适的分类波段，使光谱特征的提取集中于有效波段，提升相应波段值的权重，进而提取出更具鉴别性的特征，且只需学习光谱维上的偏移，计算复杂度只有空间可形变卷积的一半。本发明设计方法在分类准确性、模型复杂度以及样本泛化性等方面都有非常突出的表现。

本发明授权一种基于可形变卷积的高光谱图像分类方法在权利要求书中公布了：1.一种基于可形变卷积的高光谱图像分类方法，其特征在于，针对目标区域，采集目标区域的包含各预设类别的地物的高光谱图像，执行步骤A对高光谱图像进行预处理，构建并训练步骤B-步骤I所描述的光谱可形变卷积网络，并应用光谱可形变卷积网络，完成高光谱图像中各像素的分类，进而实现目标区域的地物分类： 步骤A.针对所采集的目标区域的高光谱图像，提取张量形式的高光谱数据，以的窗口对高光谱数据进行切块,获得各切块后的特征图，分别针对各切块后的特征图，进行如下步骤B-步骤I: 步骤B.针对步骤A所获得的特征图，采用的三维卷积模块对特征图的各像素点进行采样，对采样点进行光谱特征提取，同时对特征图进行光谱维的降维，其中三维卷积模块为Valid形式； 步骤B中所述的三维卷积模块为光谱可形变卷积模块，其卷积过程包括如下步骤： 步骤B1.针对所输入的特征图，采用规则立方体R进行采样，定义特征图维度为B，H，W，S，C，引入一个全连接层模拟偏移量学习函数，偏移量学习的偏移量为B，H，W，S，C，对应每个采样点在一个光谱维上的偏移量，其中，B表示模型训练的BatchSize大小，H为特征图高度，W为特征图宽度，S为光谱维大小，C为三维卷积的通道数； 步骤B2.将特征图与偏移量的形状转化为形式； 步骤B3.生成重采样坐标，根据特征图的形状，生成三维坐标点，三维坐标点形式为，其中最后一个维度3表示三维坐标点在三个方向上的坐标； 步骤B4.将偏移量转化为形式，对应每个采样点在光谱维上的坐标偏移量； 步骤B5.将偏移量与采样点初始坐标相加，生成采样点偏移后的坐标值，对偏移后的坐标值进行预设限制； 步骤B6.对偏移后的坐标值进行向上或向下取整数，对特征图进行重采样，再采用线性插值方法获得偏移后采样点的特征值； 步骤B7.将步骤B6所获得的特征图形状转换为B，H，W，S，C形式，获得偏移后的特征图； 步骤B8.将步骤B7所获得的特征图进行卷积，完成光谱可形变卷积模块的卷积过程； 步骤C.针对步骤B所获得的特征图，采用的三维卷积模块对特征图的各像素点进行采样，对采样点进行光谱特征提取，其中三维卷积模块为same形式，该三维卷积模块不改变特征图的尺寸； 步骤D.构建光谱维膨胀模块，用于增加特征图的光谱维，光谱维膨胀模块以步骤C所获得的特征图为输入，以光谱维增加后的特征图为输出； 其中，定义步骤C所获得的特征图的光谱维为M，基于，Valid形式的三维卷积模块，对特征图进行卷积并进行张量形状转化，且该三维卷积模块的通道维大于特征图的光谱维M，交换通道维和光谱维，获得光谱维增加后的特征图； 步骤E.构建光谱维压缩模块，用于压缩特征图的光谱维，光谱维压缩模块以步骤D所获得的特征图为输入，以光谱维压缩后的特征图为输出； 其中，定义步骤D所获得的特征图的光谱维为N，基于，Valid形式的三维卷积模块，对特征图进行卷积并进行张量形状转化，且该三维卷积模块的通道维小于特征图的光谱维N，交换通道维和光谱维，获得光谱维压缩后的特征图； 步骤F.针对步骤E所获得的特征图，基于的三维卷积模块对特征图进行空间-光谱联合特征提取，获得特征图的空间-光谱联合特征； 步骤G.针对步骤F所获得的特征图的空间-光谱联合特征，基于空间全局平均池化方法，将空间-光谱联合特征整合为全局空间特征，其中空间全局平均池化方法的池化窗口尺寸与特征图的空间维度尺寸一致； 步骤H.针对步骤G所获得的全局空间特征，通过引入Flatten层，将全局空间特征展平为一维张量； 步骤I.针对步骤H所获得的一维张量，引入全连接层，以一维张量作为全连接层的输入，以各像素点属于各预设类别的概率为输出，根据全连接层所输出的各预设类别的概率，完成高光谱图像中各像素的分类，进而实现目标区域的地物分类。

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河海大学，其通讯地址为：211100 江苏省南京市江宁区佛城西路8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。