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！

龙图腾网获悉中国科学院长春光学精密机械与物理研究所申请的专利基于混合空谱信息的无监督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：CN115965868B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202211734238.8，技术领域涉及：G06V20/10；该发明授权基于混合空谱信息的无监督高光谱图像分类方法是由刘巧元;唐艳慧;孙海江设计研发完成，并于2022-12-30向国家知识产权局提交的专利申请。

本基于混合空谱信息的无监督高光谱图像分类方法在说明书摘要公布了：本发明提供一种基于混合空谱信息的无监督高光谱图像分类方法，包括如下步骤：S1、通过熵率超像素分割的算法获得二值分割图，将二值分割图应用在原始高光谱图像上以获得分割超像素块，基于超像素分割将输入的高光谱图像转换为多个同质区域，去除冗余信息引导数据提纯；S2、通过二维奇异谱分析方法优化主成分域内冗余信息，增强空间光谱特征；S3、通过基于锚点图谱聚类无监督分类方法，实现大尺度高光谱图像的无监督分类。本发明相对于已有的有监督分类方法更贴近实际工程应用，相对于已有的无监督分类方法可处理图像尺度更大，具有无需先验信息参考、分类精度高、分类速度快等优点。

本发明授权基于混合空谱信息的无监督高光谱图像分类方法在权利要求书中公布了：1.一种基于混合空谱信息的无监督高光谱图像分类方法，其特征在于，包括如下步骤： S1、主成分图像通过熵率超像素分割方法获得二值分割图；将所述二值分割图应用在原始高光谱图像上以获得分割超像素块，基于所述分割超像素块生成多个同质区域，去除冗余信息引导数据提纯；所述步骤S1包括如下子步骤： S11、通过熵率超像素分割算法构建一个图结构，顶点V是要待分割图像的像素，边E为成对像素间的相似性权重组成，通过选择边的子集将所述图结构划分为连通子图，得到包含有预设连同分量的子图结构，所述熵率超像素分割的目标函数如下： 其中表示矩阵的迹，HA是所构建子图结构中基于随机游走得到的熵率项，作为获得紧凑和均匀聚类的标准；BA是平衡项，定义为簇分布上具有相似大小的单调递增和次模函数，用以减少不平衡超像素的数量，是平衡项的权重，argmax表示取最大值，s.t表示在约束条件下； S12、设原始高光谱图像数据的大小为，其中M、N和B分别表示所述高光谱图像的宽度、高度和维度，在所述熵率超像素分割之前，获得所有维度图像的平均值以提取大小为的主要信息，基于通过所述熵率超像素分割获得二值分割图Y，其中1表示超像素的边缘，0表示非边缘像素，通过将Y应用在上，可将输入图像分割为所述超像素，如下所示： 其中是第i个超像素，n是超像素的数量，具体计算所述超像素块内所有像素的平均光谱信息，以替换原始所述超像素块内的所述像素的信息，sj表示第j个超像素，i与j不重叠，交集为空； S13、所述二维奇异谱分析方法包括将转化为： 中的元素为平滑同质区域； S2、使用超像素的主成分分析方法来对所述分割超像素块进行降维得到主成分分量，利用二维奇异谱分析方法将得到的主成分分量增强空间光谱特性并去除噪声；所述步骤S2包括如下子步骤： S21、在主成分域内进行主成分分析之后，谱段数从B减少到，其中，设置为15，B为一百以上，通过将降维的所述超像素块组合在一起，获得新的图像如下： S22、对于内的每个谱段，应用所述二维奇异谱分析方法来增强空间光谱特性并去除噪声，特征增强后的高光谱图像用于高光谱图像分类： S23、对于单个谱段大小为h×w的图像，设嵌入窗口的大小为u×v其中1≤u≤h和1≤v≤w，从图像的左上角移动到右下角以构建轨迹矩阵G，窗口中的像素被展开并连接为矩阵轨迹的列向量，如下所示： 的特征值和相应的特征向量表示为和；轨迹矩阵可由以下公式表示： 其中和分别是经验正交函数和G的所述主成分分量，所述二维奇异谱分析方法提取输入图像的不同分量，包括趋势、振荡和噪声，从而得到平滑和去噪的数据，最后，通过两步对角平均处理，将再次转换为大小为h×w的新图像； S3、基于增强空间光谱特性的主成分分量，使用锚点图谱聚类无监督分类框方法，实现大尺度高光谱图像的无监督分类。

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中国科学院长春光学精密机械与物理研究所，其通讯地址为：130033 吉林省长春市经济技术开发区东南湖大路3888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。