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！

龙图腾网获悉沈阳建筑大学申请的专利一种面向对象的图神经网络非监督遥感影像变化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：CN115661652B 。

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：202211343450.1，技术领域涉及：G06V20/10；该发明授权一种面向对象的图神经网络非监督遥感影像变化检测方法是由谢志伟;史振国;孙立双;苏国庆;吴一凡;刘瑞钊;韩磊;宋光明设计研发完成，并于2022-10-31向国家知识产权局提交的专利申请。

本一种面向对象的图神经网络非监督遥感影像变化检测方法在说明书摘要公布了：本发明公开一种面向对象的图神经网络非监督遥感影像变化检测方法，涉及遥感检测领域；用以提升高分辨率遥感影像变化检测精度和自动化水平，通过对两时相进行图像分割和特征选择；计算两时相影像对象的多层次加权差异度，利用EM算法和贝叶斯最小误差方程获取最佳分割阈值，并利用阈值将全部影像对象初步分为变化对象与非变化对象两种变化类别，自适应筛选出一定比例最有可能变化和不变化的影像对象作为训练样本；引入跳跃连接结构，自适应选择特征融合半径，增加网络层数，有利于高维特征构建。保证变化检测精度的同时提高变化检测效率，对地表覆盖变化检测具有良好的应用价值。

本发明授权一种面向对象的图神经网络非监督遥感影像变化检测方法在权利要求书中公布了：1.一种面向对象的图神经网络非监督遥感影像变化检测方法，其特征在于，包括以下步骤： 步骤1：对两时相影像进行多尺度多层次分割和特征选择，建立多维特征空间，得到多时相特征向量； 步骤2：利用影像分割矢量生成网络图结构，利用节点特征计算余弦相似度，构建一阶加权邻接矩阵； 步骤3：计算两时相影像对象的加权差异度，自适应地按设定比例筛选出变化可能性最高及最低的影像对象作为训练样本； 步骤4：网络训练与预测，将多时相特征向量叠加导入跳跃连接的图卷积神经网络，利用所述训练样本进行数据训练，通过分类器对全部节点预测，生成变化结果图； 所述步骤1包括： 根据自下而上的原则，分别使用组的多尺度分割参数分割前一层影像，共得到层具有不同大小的遥感影像对象的对象层，基于依次递减原则，使用大分割尺度参数值分割得到的遥感影像对象完全包含小分割尺度参数值分割得到的遥感影像对象； 所述步骤2具体包括以下步骤： 步骤2.1：将遥感影像对象作为节点，邻接节点之间构成邻接边，生成一阶邻接矩阵； 步骤2.2：计算每个节点与邻接节点特征的余弦相似度，构建一阶加权邻接矩阵，公式如下： 1 其中，,为当前特征向量序号，和为第个对象节点和第个对象节点的特征向量，，余弦值越接近1，两个影像对象的差异越小；余弦值越接近0，两个影像对象的差异越大； 所述步骤3具体包括以下步骤： 步骤3.1：提取影像对象的光谱、指数、几何和纹理特征，采用卡方变换将不同特征波段的差分方差作为特征融合的权重，计算多层次特征加权差异度： 2 3 其中，θ为权重参数:，分别为第0层对象层，和第1层对象层的多尺度参数，为单层影像对象特征数；为第个影像的加权差异度,分别代表新旧时相，为维特征向量，为新旧时相第个特征波段差分影像的标准差； 步骤3.2：将全部的遥感影像对象加权差异度作为训练样本，采用基于EM算法的贝叶斯阈值确定方法获取变化阈值，并自适应选择样本。

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沈阳建筑大学，其通讯地址为：110168 辽宁省沈阳市浑南区浑南中路25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。