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！

龙图腾网获悉西安理工大学申请的专利基于多流形联合度量学习的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：CN121330389B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202511563039.9，技术领域涉及：G06V10/764；该发明授权基于多流形联合度量学习的图像分类方法是由石俊飞;李雨珂;张郝佳;成钰;金海燕设计研发完成，并于2025-10-30向国家知识产权局提交的专利申请。

本基于多流形联合度量学习的图像分类方法在说明书摘要公布了：本发明公开了基于多流形联合度量学习的图像分类方法，步骤包括：1数据预处理，包括构建Grassmann特征及SPD特征；2构建双流形核矩阵，包括构建Grassmann流形核矩阵及SPD流形核矩阵，分别计算Grassmann和SPD的测试核矩阵；3实施多流形联合度量学习，从核矩阵提取核特征向量计算类内散布矩阵与类间散布矩阵；对投影矩阵求解，根据特征值大小对特征向量进行排序，选择前面多个最大特征值对应的特征向量构成投影矩阵；4特征融合，完成提取，实施样本映射；5构建样本级融合卷积神经网络，完成原始图像不同地物的分类。本发明属于图像处理和机器学习技术领域，能够显著提高分类准确率。

本发明授权基于多流形联合度量学习的图像分类方法在权利要求书中公布了：1.基于多流形联合度量学习的图像分类方法，其特征在于，按照以下步骤实施： 步骤1，数据预处理，包括构建Grassmann特征及SPD特征； 步骤2，构建双流形核矩阵，包括构建Grassmann流形核矩阵及SPD流形核矩阵，分别计算Grassmann和SPD的测试核矩阵； 步骤3，实施多流形联合度量学习，具体是： 从核矩阵提取核特征向量，计算类内散布矩阵与类间散布矩阵；对投影矩阵V求解，根据特征值大小对U中的特征向量进行排序，选择前d个最大特征值对应的特征向量构成投影矩阵V， 具体过程是： 3.1从核矩阵提取核特征向量，提取的第i列，提取的第i列 计算类内散布矩阵与类间散布矩阵，表达式分别如下： 类内散布矩阵的表达式如下： 类间散布矩阵的表达式如下： 其中，表示度量同类样本在核特征空间中的散布程度，表示度量不同类样本在核特征空间中的散布程度，表示Grassmann流形权重，表示SPD流形权重，T表示转置；W表示同类样本对索引集合；Z为所有异类别样本对索引集合；为第i个训练样本的Grassmann核特征向量，为第j个训练样本的Grassmann核特征向量；为第i个训练样本的SPD核特征向量，为第j个训练样本的SPD核特征向量； 3.2对投影矩阵V求解，通过广义特征值分解求解，表达式如下： 其中，U为特征向量矩阵，D为特征值矩阵，SW表示类内散布矩阵，Sb表示类间散布矩阵，eig.为特征值分解函数； 步骤4，特征融合，完成提取，实施样本映射，具体过程是： 4.1对步骤1得到的训练集实施特征融合，对于第i个训练样本，其融合特征的表达式为： 其中，为第i个训练样本的融合特征，V为投影矩阵； 4.2对步骤1得到的测试集实施特征融合，对于第j个测试样本，其融合特征的表达式为： 其中，为第j个测试样本的融合特征，表示第j个测试样本的Grassmann核特征向量，表示第j个测试样本的SPD核特征向量； 4.3实施样本级融合特征的映射，构建基于标签的融合特征字典； 步骤5，构建样本级融合卷积神经网络，完成原始图像不同地物的分类， 包括样本级融合CNN通过双路径结构同时处理原始图像和多流形融合特征，得到的拼接后的复合特征向量，再将该拼接后的复合特征向量输入到多层全连接神经网络中进行分类。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。