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！

龙图腾网恭喜哈尔滨理工大学申请的专利一种基于重参数化MLP的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：CN114863158B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202210018133.6，技术领域涉及：G06V10/764；该发明授权一种基于重参数化MLP的高光谱图像分类方法是由吴海滨;周华明;李美新;徐恺阳;刘城洋设计研发完成，并于2022-01-08向国家知识产权局提交的专利申请。

本一种基于重参数化MLP的高光谱图像分类方法在说明书摘要公布了：本发明一种基于重参数化MLP的高光谱图像分类方法属于图像分类技术领域；该方法依次执行以下步骤：输入高光谱图像、获得样本集、确定训练样本集与测试样本集、高光谱样本的切片化处理、构建重参数化MLP模型，并利用训练数据对重参数化MLP模型进行训练、进行高光谱图像分类；本发明将全连接层替换部分卷积层中，以提供全局表征能力和位置感知能力，最后通过重参数化的方法，将卷积层和全连接层重参数化为一个全连接层，赋予了全连接层不具备的捕捉局部信息能力，在对高光谱图像分类时提升了分类精度和推理速度，为后续的深度学习算法在高光谱图像分类研究以及工程应用提供新的思路。

本发明授权一种基于重参数化MLP的高光谱图像分类方法在权利要求书中公布了：1.一种基于重参数化MLP的高光谱图像分类方法，其特征在于，包括以下步骤：步骤a、输入高光谱图像输入待分类的高光谱图像，将输入的高光谱图像中的每一个像素点设定为一个样本；步骤b、获得样本集对高光谱图像所有样本的坐标位置，采用坐标变换方法，将高光谱图像每一维的样本排成一个行向量，组成一个二维矩阵，得到高光谱图像光谱域的样本集；所述二维矩阵中每一列是一个样本；其中，S为一个m行n列的高光谱影像的像素点个数，S＝m×n，ysp表示第p个波段的第S个像素点；p表示高光谱影像的波段数； 步骤c、确定训练样本集与测试样本集采用等概率采样的方法，在高光谱图像光谱域的样本集中，依次随机选取10％的样本作为训练样本集，并记录高光谱图像光谱域训练样本集的坐标位置；将剩余90％的样本作为高光谱图像光谱域的测试样本集；步骤d、高光谱样本的切片化处理将高光谱中的每个像素按固定的窗口进行处理，生成一个单一的样本；步骤e、构建重参数化MLP模型，并利用训练数据对重参数化MLP模型进行训练重参数化MLP模型包括训练阶段和测试阶段，训练阶段由全局感知机模块、分区感知机模块和本地感知机模块组成；测试阶段通过重参数化操作，将卷积层的卷积核权重转换为全连接层权重，从而简化计算并提高推理效率；步骤e1：全局感知机模块包括两个支路，支路一首先对输入的高光谱特征图进行切分，支路二对原始的特征图进行平均池化，随后将平均池化后的高光谱特征图送入BN层加两个全连接层，之后与支路一切分后得到的高光谱特征图进行相加；完成全局感知机操作后，将所得特征送入到后续的分区感知机与本地感知机，作为分区感知机与本地感知机的输入；步骤e2：分区感知机模块含有一个BN层和一个组卷积；步骤e3：本地感知机模块含有卷积核大小为1、3、5、7的卷积层和BN层；为了减少参数量，采用分组卷积，分组数与分区感知机的分组数一致；首先本地感知机模块将切分后的高光谱特征图同时送入到卷积核大小为1、3、5、7的卷积层，为了后续的高光谱特征相加操作，卷积层都需要做边缘填充；padding是增加各个边的pixels的数量；随后将特征图送入BN层，所有卷积分支的输出与分区感知机的输出相加作为最终的输出；步骤e4：在测试阶段随后进行重参数化操作，具体是将卷积层的卷积权重融合到全连接层中，从而简化计算并提高推理效率。具体而言，将本地感知机模块和分区感知机模块这两部分融合成一个全连接层，通过矩阵乘法将卷积权重与全连接层权重进行融合，最终形成一个统一的全连接层。这一转换过程减少了计算复杂度，使得模型在推理阶段能够更高效地执行；步骤f、进行高光谱图像分类将高光谱特征图送入鉴别器中的Softmax函数，最终完成对高光谱图像的分类，最终输出高光谱分类结果图。

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哈尔滨理工大学，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52号哈尔滨理工大学；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”。