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！

龙图腾网恭喜安徽大学申请的专利一种基于风格转换的跨场景高光谱图像分割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：CN119399218B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202510016832.0，技术领域涉及：G06T7/10；该发明授权一种基于风格转换的跨场景高光谱图像分割方法是由徐凯;朱洲;程志友;李曼;邬伯才设计研发完成，并于2025-01-06向国家知识产权局提交的专利申请。

本一种基于风格转换的跨场景高光谱图像分割方法在说明书摘要公布了：本发明涉及一种基于风格转换的跨场景高光谱图像分割方法。本发明包括以下步骤；构建跨场景高光谱图像分割数据集；构建多视角信息融合分割网络；构建基于风格转换的跨场景高光谱图像分割网络；训练并测试基于风格转换的跨场景高光谱图像分割网络。与现有技术相比，本发明通过跨场景高光谱图像分割网络，解决了现有高光谱分类任务中，由于不同卫星高光谱图像之间存在风格差异，导致难以将源域训练模型迁移至目标域数据集的问题。此外，本发明采用多视角信息融合分割网络以聚合高光谱图像的空谱信息，从而实现了将源域卫星数据上训练的模型有效迁移至目标域卫星数据的创新方法。

本发明授权一种基于风格转换的跨场景高光谱图像分割方法在权利要求书中公布了：1.一种基于风格转换的跨场景高光谱图像分割方法，其特征在于，包括以下步骤：11构建跨场景高光谱图像分割数据集：获取源域高光谱图像Xs和源域高光谱图像分割标签Ys，其中s代表源域；获取目标域高光谱图像Xt，其中t代表目标域：进行伽马校正，以目标域高光谱图像Xt的亮度作为参考，调整源域高光谱图像Xs的亮度；获得校正后源域高光谱图像X′s；12构建多视角信息融合分割网络：构建输入为高光谱图像的多视角信息融合分割网络；多视角信息融合分割网络由基于多视角交叉注意力的编码器和基于扩散模型的解码器组成；其具体步骤如下：121多视角信息融合分割网络接受高光谱图像X作为输入；多视角信息融合分割网络由基于多视角交叉注意力的编码器和基于扩散模型的解码器组成；1211构建基于多视角交叉注意力的编码器；编码器接受高光谱图像X作为输入，采用双分支结构以不同维度处理高光谱影像，并结合交叉注意力机制融合空谱信息；详细结构如下：1212在空间分支上，将高光谱图像X先二维深度卷积生成空间条件位置编码Pspatial，再将空间条件位置编码Pspatial和高光谱图像X相加；其中，二维深度卷积采用大小3×3的卷积核，填充为1；然后通过线性投影生成空间分支嵌入特征Xspatial，形状为hw×d，d代表嵌入维度大小；1213在光谱分支上，首先将高光谱图像X按空间维度进行展平获得，再使用一维深度卷积操作生成光谱条件位置编码Pspectral，最后将光谱条件位置编码Pspectral和展平后的高光谱图像X相加；其中，一维深度卷积采用大小为3的卷积核，填充为1；然后通过线性投影生成光谱分支嵌入特征Xspectral，形状为c×d；1214空间分支嵌入特征Xspatial和光谱分支嵌入特征Xspectral属于同一张高光谱图像X在不同视角上的特征；编码器包括四个连续的特征提取模块，每个特征提取模块包含空间分支上TransformerEncoder，光谱分支上TransformerEncoder，以及连接空间分支和光谱分支的交叉注意力模块；12141在交叉注意力模块中，将空间分支嵌入特征Xspatial过线性映射生成查询矩阵Q1、键矩阵K1、值矩阵V1；光谱分支嵌入特征Xspectral生成对应的Q2、K2、V2；12142空间分支到光谱分支的融合过程可由如下公式计算： 其中T代表转置操作，softmax代表softmax函数，Fusion代表融合过程；12143空间分支到光谱分支的融合过程可由如下公式计算： 12144编码器中每个特征提取模块的输出为FusionQ1，K2，V2和FusionQ2，K1，V1的逐元素相加；1215经过编码器的四个连续的特征提取模块，高光谱图像X最后得到的为编码特征F；122构建基于扩散模型的解码器；扩散模型接受编码特征F作为输入，其对应标签为高光谱图像分割标签Y；1221构建一个标准的Unet网络，用于预测去噪过程中多维高斯分布的均值；1222在由高光谱图像分割标签向噪声扩散的正向过程中，设加噪声的最大步数为K，则Yk代表由高光谱图像分割标签经过k个步数正向扩散所获得的特征图，其中k为小于K的正整数；从Yk-1相关的正态分布中采样出Yk代表一个步数的正向扩散过程，可由以下公式表示； 其中βk∈{β1，β2，...，βK}在0.0001到0.02之间均匀分布，代表每一步加噪声的强度；代表一个服从均值为μ、方差为σ的正态分布；I代表单位矩阵；代表一个标准正态分布；1223随机选取步数k，从Y0中生成经过k步加噪声操作所得到的向量Yk，可由以下公式表示： 其中αk＝1-βk，并且βk∈{β1，β2，...，βK}在0.0001到0.02之间服从均匀分布，εk服从标准正态分布；1224从Yk中恢复出Yk-1的理想均值可由以下公式表示： 其中εk服从于标准正态分布；从Yk中恢复出Yk-1的理想方差可由以下公式表示： 则生成高光谱图像分割结果的反向扩散过程中，去噪过程可由以下公式表示： 其中反向扩散均值方差的取值，由向量Yk、扩散步数索引k和编码特征F通过Unet网络来预测；1225执行K步去噪操作生成结果Y0，每一步的去噪过程可由以下公式表示： 其中k的值小于K大于0，Unet代表Unet网络；13构建基于风格转换的跨场景高光谱图像分割网络：通过基于傅里叶变换的风格转换模块，结合多视角信息融合分割网络以构建基于风格转换的跨场景高光谱图像分割网络；其具体步骤如下：131校正后源域高光谱图像X′s经过基于多视角交叉注意力的编码器生成对应源域编码特征Fs；目标域高光谱图像Xt经过基于多视角交叉注意力的编码器生成对应目标域编码特征Ft；132对源域编码特征Fs进行傅里叶变换并保存其相位，则傅里叶变换过程可由如下公式表示：其中Fourier代表傅里叶变换，代表源域编码特征相位，|Asa，b|代表源域编码特征幅值，a和b代表频域的横纵频率坐标；133对目标域编码特征Ft进行傅里叶变换并保存其幅值，则傅里叶变换过程可由如下公式表示： 其中Fourier代表傅里叶变换，代表目标域编码特征相位，|Ata，b|代表目标域编码特征幅值，a和b代表频域的横纵频率坐标；134将保存的源域编码特征相位和目标域编码特征幅值|Ata，b|作为傅里叶逆变换的输入，其中源域编码特征相位代表了源域编码特征Fs的域不变信息，目标域编码特征幅值|Ata，b|代表了目标域的风格信息；则傅里叶逆变换的过程可由如下公式表示：其中风格转换特征Fs→t代表源域编码特征Fs向目标域进行风格转换之后的特征；135风格转换特征Fs→t代替源域编码特征Fs作为基于扩散模型的解码器的输入生成最后的分割结果；14训练并测试基于风格转换的跨场景高光谱图像分割网络：通过最小化交叉熵损失Lce优化跨场景高光谱图像分割网络参数，并在目标域高光谱图像Xt上测试获得最终分类结果。

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安徽大学，其通讯地址为：230039 安徽省合肥市蜀山区肥西路3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”。