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！

龙图腾网获悉西安电子科技大学申请的专利一种基于光谱特征引导及空谱卷积的遥感图像云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：CN117079135B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202311087228.4，技术领域涉及：G06V20/10；该发明授权一种基于光谱特征引导及空谱卷积的遥感图像云检测方法是由张静;吴俊;张伟华;宋良农;施鑫龙;李云松设计研发完成，并于2023-08-28向国家知识产权局提交的专利申请。

本一种基于光谱特征引导及空谱卷积的遥感图像云检测方法在说明书摘要公布了：一种基于光谱特征引导及空谱卷积的遥感图像云检测方法，包括：生成多光谱遥感图像训练集和测试集；构建基于光谱特征引导及空谱卷积的遥感图像云检测网络，所述基于光谱特征引导及空谱卷积的遥感图像云检测网络包括顺次级联的编码模块和解码模块，其中，编码模块包括短波红外云指数引导模块和顺次级联的多个空谱特征融合模块；利用训练集对基于光谱特征引导及空谱卷积的遥感图像云检测网络进行训练；将测试集输入到训练好的遥感图像云检测网络进行云检测；本发明将光谱特征和空间特征分别提取并最终融合，将多谱段的遥感数据有效的提取并融合，实现了遥感数据中的空间相关性和通道相关性解耦。

本发明授权一种基于光谱特征引导及空谱卷积的遥感图像云检测方法在权利要求书中公布了：1.一种基于光谱特征引导及空谱卷积的遥感图像云检测方法，其特征在于：包括以下步骤： 步骤1：生成多光谱遥感图像训练集和测试集； 步骤2：构建基于光谱特征引导及空谱卷积的遥感图像云检测网络，所述基于光谱特征引导及空谱卷积的遥感图像云检测网络包括顺次级联的编码模块和解码模块，其中，编码模块包括短波红外云指数引导模块和顺次级联的多个空谱特征融合模块； 所述步骤2的具体方法为： 步骤2.1，搭建短波红外云指数引导模块，其结构依次为：云指数计算层、云指数特征计算层、特征融合层； 云指数计算层按照如下公式进行云指数计算： 其中，SIx，y表示第x行第y列的像素点的云指数值，表示第x行第y列的像素点在2.2微米波段下的反射率值，表示第x行第y列的像素点在1.4微米波段下的反射率值，表示第x行第y列的像素点在1.6微米波段下的反射率值，min表示取最小值； 步骤2.2，搭建空谱特征融合模块； 搭建M个结构相同的空谱特征融合模块，其中，M≥2，其结构为第一空间卷积层、第二空间卷积层、第三空间卷积层、第一谱间卷积层、第二谱间卷积层、第三谱间卷积层和第四谱间卷积层； 将第一空间卷积层的卷积膨胀率设为1，第二空间卷积层的卷积膨胀率设为3，第三空间卷积层的卷积膨胀率设为5，第一至第四谱间卷积层的卷积核大小均设置为1×1； 步骤2.3，将步骤2.1搭建的短波红外云指数引导模块与步骤2.2搭建的M个空谱特征融合模块依次级联，构成编码模块； 步骤2.4，构建解码模块，其结构依次为第一卷积层、第二卷积层、第三卷积层和第四卷积层；所述第一卷积层至第四卷积层的卷积核大小均设置为3×3； 步骤2.5，将编码模块的特征图和解码模块的特征图加权融合，通过网络的学习自动计算权重，将编码模块特征按特定的权重与解码模块进行融合，来自编码模块的特征图X和解码模块的特征图Y进行融合时，按照一定的权重进行，通过网络训练学习得到一个与输入特征图相关的权重特征图λ，其计算过程为：首先将两个输入特征图进行相加操作，然后分别对相加后的特征图做空间和通道上的权重提取，通过卷积学习得到每个通道维度和空间维度的重要性权重，最后将空间权重和通道权重以矩阵乘法的方式进行加权，经过批归一化和Sigmoid函数激活后，得到每个像素点的权重，即为要求的权重特征图λ；该模块最终的输出特征Z通过公式计算得到，其中表示对应像素相乘，通过编码模块特征图和解码模块特征图的权重互补，最终综合计算得到融合的输出特征图，并以此构成基于光谱特征引导及空谱卷积的遥感图像云检测网络； 步骤3：利用步骤1生成的训练集对步骤2构建的基于光谱特征引导及空谱卷积的遥感图像云检测网络进行训练； 步骤4：将步骤1中生成的测试集输入到步骤3训练好的遥感图像云检测网络进行云检测。

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电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。