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！

龙图腾网恭喜重庆邮电大学申请的专利基于测地线空谱协同图学习的高光谱图像特征提取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：CN116468909B 。

龙图腾网通过国家知识产权局官网在2025-04-29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：202210007221.6，技术领域涉及：G06V10/58；该发明授权基于测地线空谱协同图学习的高光谱图像特征提取方法是由熊炫睿;席娟;郭坦设计研发完成，并于2022-01-05向国家知识产权局提交的专利申请。

本基于测地线空谱协同图学习的高光谱图像特征提取方法在说明书摘要公布了：本发明属于遥感图像处理技术领域，涉及一种基于测地线空谱协同图学习的高光谱图像特征提取方法。该方法利用协同表示方法学习高光谱图像像素间的全局协同表示关系，并通过局部约束刻画高光谱数据的局部流形结构以提高系数矩阵的判别能力。除此之外，在上述构建的全局协同表示模型的正则化项中融入空间邻近信息与基于测地线距离的光谱信息，获得测地线度量约束的空谱协同表示系数矩阵，以充分揭示和利用高光谱数据的空谱邻近结构特性。在此基础上，利用该表示系数矩阵构造无监督加权图，基于图嵌入理论推导出最优的高光谱低维特征投影矩阵，将原始高光谱图像映射到低维特征子空间。相比于其他特征提取方法，本方法能够提供更加有价值的特征信息，有效发掘高光谱数据的复杂内蕴特性，从而取得更高的分类精度。

本发明授权基于测地线空谱协同图学习的高光谱图像特征提取方法在权利要求书中公布了：1.一种基于测地线空谱协同图学习的高光谱图像特征提取方法，其特征在于，该方法包括以下步骤：步骤1：利用协同表示方法与局部约束学习高光谱图像的全局信息与局部流形结构信息；步骤2：将空间信息与基于测地线的光谱信息嵌入协同表示正则化项中,其中S代表高光谱数据X的基于测地线的光谱信息矩阵，D代表空间信息矩阵，β为正则化参数；D的构造：D包含xi和xj间的距离i≠j，其对应的像素坐标为和则样本间的空间距离为： dist﹒代表欧氏距离；S的构造：保证近邻样本点在嵌入低维空间仍然是近邻的条件下，使得原本相互远离的样本在嵌入低维空间中也相互远离；因此，利用测地线距离表示两个像素之间的最短光谱距离；测地线距离测量如下：1计算xi和xj之间的欧氏距离dxxi,xj，如果xi是xj的K近邻，或者xi和xj之间的欧氏距离dxxi,xj小于ε，则认为xi是xj的近邻点，则这条边的权重是dxxi,xj；2计算最短路径，如果xi和xj之间存在边，则认为最短路径为dGxi,xj＝dxxi,xj，如果不存在，则最短路径为dGxi,xj＝∞；光谱测地线距离：dGxi,xj＝mindGxi,xj,dGxi,xl+dGxl,xj2式中，l＝1,2,…,n；3即可得到矩阵S＝{dGxi,xj}；进而求解得到ai值为： 其中，Xi是不包含xi的d×N-1维字典，λ0是一个正则化参数，是像素xi的k个近邻，则其余N-k个像素的值被设置为零，μ0为正则化参数；令A＝[a1,a2,…,aN]，其中矩阵A的对角线元素为0，计算求得图嵌入权重矩阵为：W＝A+AT2；步骤3：基于得到的测地线空谱协同表示系数，构建测地线空谱协同图，继而利用图嵌入框架，通过求解广义特征值分解问题，获得最优投影矩阵，得到高光谱图像数据的低维特征子空间。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区崇文路2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”。