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！

龙图腾网获悉衡阳师范学院申请的专利一种基于频谱通道融合和跨尺度全局聚合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：CN120543915B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202510607348.5，技术领域涉及：G06V10/764；该发明授权一种基于频谱通道融合和跨尺度全局聚合高光谱图像分类方法是由万晓青;陈峰;莫东涛;刘辉;李治泽;胡坤设计研发完成，并于2025-05-13向国家知识产权局提交的专利申请。

本一种基于频谱通道融合和跨尺度全局聚合高光谱图像分类方法在说明书摘要公布了：本发明属于图像处理技术领域，并公开了一种基于频谱通道融合和跨尺度全局聚合高光谱图像分类方法，包括：获取待处理高光谱图像；将所述待处理高光谱图像输入高光谱图像分类模型中进行分类，得到图像分类结果；其中，所述高光谱图像分类模型包括依次连接的频域光谱特征提取模块、多尺度光谱通道融合注意力模块和跨尺度全局聚合模块。本发明具备强大的可移植性，能够高效处理各种复杂场景中的图像分类任务，显著提升了分类的精度和鲁棒性。

本发明授权一种基于频谱通道融合和跨尺度全局聚合高光谱图像分类方法在权利要求书中公布了：1.一种基于频谱通道融合和跨尺度全局聚合高光谱图像分类方法，其特征在于，包括： 获取待处理高光谱图像； 将所述待处理高光谱图像输入高光谱图像分类模型中进行分类，得到图像分类结果；其中，所述高光谱图像分类模型包括依次连接的频域光谱特征提取模块、多尺度光谱通道融合注意力模块和跨尺度全局聚合模块； 其中，所述高光谱图像分类模型的处理过程，具体包括： 将所述待处理高光谱图像输入所述频域光谱特征提取模块中，结合快速傅里叶变换方法从待处理高光谱图像中提取多尺度和多频率信息，得到不同尺度的光谱信息； 将不同尺度的光谱信息输入多尺度光谱通道融合注意力模块中进行特征融合，并通过注意力机制自适应地增强关键特征的重要性，得到不同尺度的特征信息； 将不同尺度的特征信息输入跨尺度全局聚合模块中，聚合不同尺度的特征信息，输出分类结果； 其中，所述跨尺度全局聚合模块的处理过程，具体包括： 设输入的特征图分别为左特征图和右特征图，判断和特征图是否具有相同的空间维度，若维度不同，则通过上采样操作将特征图的大小调整为的大小： ； 其中，是经过上采样处理后的特征图，为上采样操作，为特征图形状，代表判断； 进行维度对齐后，跨尺度全局聚合模块对输入的和调整后的进行特征融合，首先，对特征图进行卷积操作，然后将卷积后的和进行拼接，形成一个新的融合特征图，此时，使用卷积操作进一步处理拼接后的特征图，并生成融合特征图： ； 其中，是原始特征图，表示经过卷积操作后的特征图；指的是一个包含卷积层、批量归一化层和ReLU激活函数的序列； 在对融合后的特征图进行扩展卷积操作后，将其与原始特征图相加，生成上下文增强的特征图： ； 使用全局平均池化操作处理特征图，提取全局信息，通过卷积压缩全局特征，得到缩放后的全局特征，使用双线性插值将全局特征图采样到原始输入特征图的空间大小： ； 式中，为全局平均池化； 在获得上下文增强的特征图后，跨尺度全局聚合模块分别对特征图和特征图进行卷积操作，并使用上下文增强的特征图对特征图和特征图进行加权，加权后的特征图和特征图与之前的特征图进行拼接，并通过卷积操作进一步融合成一个新的特征图： ； 其中，，是经过卷积和加权后的特征图，表示逐元素相乘； 通过局部均值池化和局部最大池化操作生成加权系数，使用Sigmoid激活函数将加权系数归一化到区间，并与特征图逐元素相乘，得到最终的输出特征图： ； 其中，是通过上述加权过程获得的动态加权系数，表示矩阵乘； 应用三个核的卷积层，以增强之前获得的特征图的非线性，生成三个不同的特征矩阵： ； 式中，为转换矩阵； 计算和之间的相似度，然后将加权矩阵与包含的矩阵相乘，以获得加权特征图： ； 其中，代表通过自适应加权获得的增强特征； 将增强特征加到原始特征图上，然后通过卷积并使用Sigmoid激活函数进行归一化： ； 其中，是一个可学习的参数，控制增强特征的权重； 对输入特征进行平均池化和最大池化操作，将两者的结果拼接在一起，并通过卷积层得到最终输出： 。

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衡阳师范学院，其通讯地址为：421002 湖南省衡阳市珠晖区16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。