本发明公开了一种跨模态引导的多退化条件下的高光谱图像分类框架和方法，该框架利用主动遥感数据的互补信息，增强退化高光谱图像的结构感知和空间一致性。该框架利用跨模态特征金字塔引导模块，基于主动遥感数据提供多层次、多尺度引导，从而实现稳定、鲁棒的跨模态特征融合。同时通过HyperGroupMix模块对高光谱图像波段进行分组来构建光谱‑空间特征，并通过特征交换促进样本间风格变异，显著提高模型对不同退化域的适应性。
📄 2025111815409
📂 G06V10_764
👤 南京信息工程大学
📅 2025-08-22
本发明属于植物科学研究领域，公开了一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法，首先，在3D‑CNN中，嵌入扩张卷积构建了不同尺度的谱空特征提取结构，实现多尺度特征的融合；其次，在3D‑CNN后级联1D‑CNN以进一步提取高级抽象光谱特征，并对提出的多尺度3D‑1D‑CNN网络进行最优框架探索；最后，在两个样本有限的设施作物叶片数据集上，将所提出的多尺度3D‑1D‑CNN网络模型与基准模型及多尺度3D‑CNN模型进行比较，以验证所提方法的有效性。本发明方法有助于叶片高光谱图像的分类和回归，也可为农业信息化技术领域内的其他图像分类回归方法提供新思路和技术协助。
📄 2022104500769
📂 G06V20_10
👤 浙江工业大学
📅 2022-04-27
本发明公开了一种基于深度高分辨率表示学习的高光谱图像分类方法，包括：获取待分类的高光谱图像；利用主成分分析法进行光谱降维；对光谱带中每个像素点取一个固定空间大小的立方体数据，通过一个高分辨率的卷积网络模块，并利用多分辨率网络和多尺度融合来提取特征；采用保持高分辨率表示的方法,从一个高分辨率网络开始,逐步增加高分辨率到低分辨率的子网络,并将多分辨率子网并行链接；采用重复的多尺度融合的方法，对每一个高到低分辨率的表示从其他平行表示反复的接受和融合信息来丰富高分辨率表示,得特征图输出；将特征图输入至全连接网络和Softmax得到预测分类结果。本发明通过一直保持高分辨率表示和重复的多尺度融合，实现了在低训练样本下对高光谱图像的准确分类。
📄 2021102915626
📂 G06V10_764
👤 浙江工业大学
📅 2021-03-18
本发明提供的是一种基于类字典的高光谱图像分类方法及装置，可以显著提高图像的分类精度。一方面，提出方法包括初始设置、字典学习方程构建、稀疏特征获取、分类过程四个步骤。初始设置是选取训练集和测试集，初始化字典，以及设置相关参数的过程；字典学习方程构建是利用构成类内稀疏向量的原子具有协作性而构成类间稀疏向量的原子具有竞争性这一特性，进而学习到包含类别信息的字典；稀疏特征获取是利用类字典在协作稀疏表示方法下获取具有一定可分性的稀疏特征的过程；分类过程是利用支持向量机对高光谱像元的稀疏特征进行分类的过程。另一方面，相对应的装置包括设置、类字典学习、稀疏特征提取以及分类四个模块。
📄 2016110236804
📂 G06K9_62
👤 青岛理工大学
📅 2016-11-22
本发明公开了一种最大‑最小距离嵌入的无监督高光谱图像分类方法，包括如下具体步骤：S1：采取多尺度空间特征代替原始特征，得到多尺度特征向量；S2：将所述多尺度特征向量输入最大‑最小距离嵌入的深度自编码器模型，进行特征提取和降维；S3：通过K‑means聚类得到初始聚类结果；S4：利用引导滤波对所述初始聚类结果进行优化。本发明充分利用空间上下文信息，采用多尺度空间特征以便增强数据的判别性。为了克服聚类中的高维度问题，采用最大‑最小距离嵌入的深度自编码器实现特征表示和降维处理，同时也降低了聚类时间，将kmeans聚类结果采用引导滤波进行优化，进一步提高了分类性能。
📄 2020100480220
📂 G06V20_10
👤 陕西师范大学
📅 2020-01-16
本发明提出了一种基于多波段熵率超像素分割的高光谱图像分类方法，用于解决现有技术存在的分类精度较低和分类效率较低的技术问题，实现步骤为：(1)对高光谱图像进行多波段熵率超像素分割；(2)获取训练集和测试集；(3)对多分类支持向量机分类器进行训练；(4)获取高光谱图像的分类结果。本发明采用的基于多波段熵率超像素分割的高光谱图像分类方法，充分利用了高光谱图像地物目标的光谱信息和多波段上的空间分布信息，从而有效提高了高光谱图像的分类精度，且分类效率较高，可应用于灾害监测、地质勘探、城市规划、农业和考古等领域。
📄 2021100602773
📂 G06V20_13
👤 西安电子科技大学
📅 2021-01-18
本发明提出了一种基于注意力机制和权值共享的高光谱图像分类方法，其实现步骤为：(1)获取高光谱图像并对其进行预处理；(2)对归一化后的高光谱图像进行邻域取块；(3)生成训练样本集与测试样本集；(4)构建高光谱图像分类网络模型；(5)对高光谱图像分类网络模型进行迭代训练；(6)获取高光谱图像的分类结果，本发明有效解决深度卷积神经网络参数冗余的问题，并且能够解决在有限样本数据集下分类精度低的问题，分类性能良好。
📄 2021103991947
📂 G06V10_764
👤 西安电子科技大学
📅 2021-04-13
本发明公开一种基于多尺度卷积傅里叶和双分支自注意力的高光谱图像分类方法，主要缓解现有技术中标记样本有限、特征提取不充分、计算复杂度较高的问题。其实现方案包括：获取高光谱数据集，并对其进行预处理后划分为训练样本集和测试样本集；构建包括多尺度卷积傅里叶特征提取模块、特征令牌化模块、双分支多尺度Transformer编码器模块和多层感知机分类头的高光谱图像分类网络模型；利用训练样本集通过梯度下降法对分类网络模型进行迭代训练；将测试样本集输入到训练好的分类网络模型得到高光谱图像的分类结果。本发明能在训练样本有限的情况下有效提升高光谱图像的分类精度，减少模型的计算复杂度，可用于精准农业、矿产勘探和海洋监测的地物分类。
📄 2024118516333
📂 G06V10_764
👤 西安电子科技大学
📅 2024-12-16
本发明公开一种基于对比学习与子空间的小样本跨域高光谱图像分类方法，主要解决常规方法嵌入特征信息利用率低、训练花费高及精度低的问题。其方案包括：获取高光谱数据集，划分源域与目标域获得训练集与测试集；构建映射层与特征提取器，利用其分别提取源域与目标域的嵌入特征以进行子空间分类与对比学习；构建域鉴别器，计算源域与目标域的域鉴别损失、空间损失及对比损失的总损失；利用训练集通过反向传播对特征提取器进行迭代训练，直到总损失函数收敛；将测试集输入到训练好特征提取器，得到的分类结果。本发明提高了分类器的辨别能力强和分类精度，提升了嵌入特征信息的利用率，减小了训练花费，可用于资源勘探、森林覆盖和灾害监测的地物分类。
📄 2023109790298
📂 G06V10_764
👤 西安电子科技大学
📅 2023-08-04
本发明提供一种高光谱图像分类方法、装置、电子设备及存储介质，所述方法包括：针对高光谱图像的每个待分类像素，确定所述像素对应的空谱像素块；将所述空谱像素块输入到训练好的高光谱图像分类模型中，得到所述像素对应的分类结果；其中，所述训练好的高光谱图像分类模型包括级联的卷积层、深度自注意力变换网络模型的编码器和多层感知器分类头，所述级联的卷积层用于提取所述像素的空谱特征，所述编码器用于基于所述像素的空谱特征捕获所述像素的光谱序列特征，所述多层感知器分类头用于基于像素的光谱序列特征对所述像素进行分类。本发明能够很好地挖掘和表示光谱特征的序列属性，从而能够准确和精细地分类高光谱图像中的像素。
📄 2022103938795
📂 G06V10_764
👤 北京工业大学
📅 2022-04-14
本发明公开了一种高光谱图像分类方法，该方法步骤如下：S1：对高光谱数据进行归一化；S2：设置若干个不同的邻域窗口的尺度；S3：将原始的高光谱数据用加权均值滤波器对图像进行降噪和边缘提取特征；S4：获取高光谱图像的属性轮廓，并获取高光谱图像的扩展多属性轮廓，再使用加权均值滤波器来降低噪声并平滑高光谱图像中的同质区域，采用加权扩展多属性轮廓来特征提取；S5：将S3和S4得到的特征进行特征融合得到一个复合特征，从而得到多个尺度的复合特征；S6：将S5获得的多个尺度的复合特征分别作为极限学习机的输入来进行分类，最后采用了决策融合，使用多票选举制度，将不同尺度的分类结果组合为最终产生的最优结果。
📄 2020107786716
📂 G06K9_00
👤 广东工业大学
📅 2020-08-05
本发明公开了一种基于深度迁移网络的高光谱图像分类方法，该方法不仅基于CORAL从整体上对齐了两域的二阶统计量信息，适配了两域的全局分布。而且基于局部最大均值差异对齐了相关子领域的一阶统计量信息，适配了两域的局部分布。且所提方法能够提取目标域深层、具判别性特征，仅利用源域标记样本完成对目标域无标签样本的分类。
📄 202111503748X
📂 G06V10_764
👤 南通大学
📅 2021-12-10
柿子坊 · 知识产权运营
柿子坊知识产权运营平台