買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜西安理工大學(xué)申請(qǐng)的專利基于超像素和圖卷積的端到端極化SAR圖像分類方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114764884B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-13發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210005850.5，技術(shù)領(lǐng)域涉及：G06V20/10；該發(fā)明授權(quán)基于超像素和圖卷積的端到端極化SAR圖像分類方法是由金海燕;賀天生;石俊飛;信程設(shè)計(jì)研發(fā)完成，并于2022-01-04向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于超像素和圖卷積的端到端極化SAR圖像分類方法在說(shuō)明書摘要公布了：本發(fā)明公開(kāi)一種基于超像素和圖卷積的端到端極化SAR圖像分類方法，包括以下步驟：步驟1，輸入待分類的極化SAR圖像并裁剪成統(tǒng)一大小；步驟2，將剪裁后圖片的按比例劃分為訓(xùn)練集和測(cè)試集；步驟3，對(duì)測(cè)試集合訓(xùn)練集的每張圖像的每個(gè)像素點(diǎn)的復(fù)散射矩陣進(jìn)行分解，生成極化相干矩陣并轉(zhuǎn)換為行向量作為該像素點(diǎn)的極化特征；步驟4，將極化特征拼接上該像素點(diǎn)的橫縱坐標(biāo)，拼接行向量作為像素點(diǎn)特征；步驟5，搭建基于全卷積網(wǎng)絡(luò)、圖卷積網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的端到端網(wǎng)絡(luò)；步驟6，將訓(xùn)練集送入端到端網(wǎng)絡(luò)中進(jìn)行聯(lián)合訓(xùn)練，將測(cè)試集送入到訓(xùn)練好的端到端網(wǎng)絡(luò)中得到結(jié)果。本發(fā)明能夠進(jìn)一步提高極化SAR圖像的分類精度。

本發(fā)明授權(quán)基于超像素和圖卷積的端到端極化SAR圖像分類方法在權(quán)利要求書中公布了：1.基于超像素和圖卷積的端到端極化SAR圖像分類方法，其特征在于，包括以下步驟：步驟1，輸入待分類的極化SAR圖像并裁剪成統(tǒng)一大小；步驟2，將剪裁后的圖片按比例劃分為訓(xùn)練集和測(cè)試集；步驟3，對(duì)測(cè)試集和訓(xùn)練集的每張圖像的每個(gè)像素點(diǎn)的復(fù)散射矩陣進(jìn)行分解，生成極化相干矩陣并轉(zhuǎn)換為行向量作為該像素點(diǎn)的極化特征；步驟4，將極化特征拼接上該像素點(diǎn)的橫縱坐標(biāo)，拼接行向量作為像素點(diǎn)特征；步驟5，搭建基于全卷積網(wǎng)絡(luò)、圖卷積網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的端到端網(wǎng)絡(luò)；步驟6，將訓(xùn)練集送入端到端網(wǎng)絡(luò)中進(jìn)行聯(lián)合訓(xùn)練，將測(cè)試集送入到訓(xùn)練好的端到端網(wǎng)絡(luò)中得到結(jié)果；所述將訓(xùn)練集送入端到端網(wǎng)絡(luò)中進(jìn)行聯(lián)合訓(xùn)練具體為：步驟6.1，初始化超像素；初始化超像素，超像素初始化大小為高寬為16像素，那么長(zhǎng)寬都為512像素的圖像被分成了1024個(gè)超像素塊；步驟6.2，獲取超像素與像素之間的軟關(guān)聯(lián)矩陣Q；將訓(xùn)練集經(jīng)步驟3步驟4得到的像素點(diǎn)特征送入全卷積網(wǎng)絡(luò)中得到輸出結(jié)果；步驟6.3，通過(guò)超像素和像素軟關(guān)聯(lián)矩陣獲取超像素塊的鄰接矩陣A、特征矩陣B、超像素與像素之間的轉(zhuǎn)換矩陣C；根據(jù)步驟6.2得到的超像素和像素軟關(guān)聯(lián)矩陣Q，將每個(gè)像素點(diǎn)以最高的概率分配給周邊的超像素塊來(lái)獲得整張圖像的超像素分割結(jié)果；根據(jù)超像素分割結(jié)果來(lái)獲取每張圖像的鄰接矩陣A和特征矩陣B；鄰接矩陣A大小為1024，1024，Ai，j表示鄰接矩陣A第i行第j列的元素； 特征矩陣B大小為1024，9，Bx表示第x個(gè)超像素塊的特征；表示超像素塊x中第y個(gè)像素點(diǎn)特征，n表示第x個(gè)超像素塊中像素點(diǎn)個(gè)數(shù)； 超像素和像素的轉(zhuǎn)換矩陣C大小為512×512，1024，Cp，q表示超像素和像素轉(zhuǎn)換矩陣C第p行第q列的元素； 其中，p代表圖像的像素點(diǎn)下標(biāo)，q代表圖像的超像素塊下標(biāo)；p∈[1，512×512]；q∈[1，1024]；步驟6.4，圖卷積得到圖像的超像素特征；將每張圖像的鄰接矩陣和特征矩陣輸入到圖卷積網(wǎng)絡(luò)中，輸入是該圖像的鄰接矩陣和特征矩陣；輸出是二維張量H，為圖像的超像素特征；步驟6.5，將圖像的超像素特征轉(zhuǎn)換為像素特征；Hgcn＝C·H；其中C代表步驟6.3求出的超像素與像素之間的轉(zhuǎn)換矩陣，H代表圖卷積網(wǎng)絡(luò)的輸出；步驟6.6，卷積神經(jīng)網(wǎng)絡(luò)得到圖像的像素級(jí)特征；將訓(xùn)練集經(jīng)步驟3得到的極化特征作為輸入送入至卷積神經(jīng)網(wǎng)絡(luò)得到像素級(jí)特征；步驟6.7，將步驟6.6得到的圖像像素級(jí)特征和步驟6.5得到的經(jīng)過(guò)超像素和像素的轉(zhuǎn)換矩陣得到的像素級(jí)特征融合進(jìn)行分類；步驟6.8，計(jì)算總的損失函數(shù)并反向傳遞迭代更新網(wǎng)絡(luò)直至收斂。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人西安理工大學(xué)，其通訊地址為：710048 陜西省西安市碑林區(qū)金花南路5號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。