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！

龙图腾网获悉中国科学院西安光学精密机械研究所申请的专利基于无监督光谱解混神经网络的高光谱图像变化检测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：CN115909077B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202211683132.X，技术领域涉及：G06V20/10；该发明授权基于无监督光谱解混神经网络的高光谱图像变化检测方法是由胡炳樑;刘松;李海巍;陈军宇;张耿设计研发完成，并于2022-12-27向国家知识产权局提交的专利申请。

本基于无监督光谱解混神经网络的高光谱图像变化检测方法在说明书摘要公布了：本发明为解决现有无监督变化检测算法主要是基于光谱的代数变换和光谱解混存在对具有混合像元的高光谱数据中表现不佳和适用性限制较大的技术问题，而提供一种基于无监督光谱解混神经网络的高光谱图像变化检测方法。包括以下步骤：1、对两个不同时相的高光谱图像进行切分与混合，得到高光谱图像块数据，将其作为训练数据集；2、构建光谱解混网络，生成带有图像特征的端元矩阵和丰度矩阵；3、根据端元矩阵和丰度矩阵重构高光谱图像块数据，选择重构误差训练光谱解混网络；4、基于完成训练的光谱解混网络，根据丰度矩阵生成模块输出的丰度矩阵生成变化灰度图；5、利用阈值分割算法对变化灰度图二值化，得到最终高光谱图像变化检测结果。

本发明授权基于无监督光谱解混神经网络的高光谱图像变化检测方法在权利要求书中公布了：1.一种基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于，包括以下步骤： 步骤1、获取两幅不同时相且形状均为R×C×P的高光谱图像X1和X2，对其分别进行切分与混合，得到若干个形状为H×W×P的高光谱图像块，将其光谱信息作为训练数据集； 其中，R为高光谱图像的行数，C为高光谱图像的列数，P为谱段数；H为切分后高光谱图像块的行数，W为切分后高光谱图像块的列数；H＜R，W＜C； 步骤2、构建光谱解混网络，并利用训练数据集的训练数据生成带有图像特征的丰度矩阵和端元矩阵；具体为： 2.1、构建光谱解混网络： 所述光谱解混网络包括编码模块、丰度矩阵生成模块、端元矩阵生成模块及重构模块；所述编码模块的输入端用于接收切分后的高光谱图像块数据，编码模块的输出端与丰度矩阵生成模块和端元矩阵生成模块的输入端均连接，丰度矩阵生成模块和端元矩阵生成模块的输出端均与重构模块的输入端相连； 所述编码模块用于初步提取高光谱图像的图像特征和数据预处理；所述丰度矩阵生成模块用于提取输入的高光谱图像块的图像特征，生成高光谱图像的丰度矩阵；所述端元矩阵生成模块用于生成高光谱图像的端元矩阵；所述重构模块用于根据端元矩阵和带有图像特征的丰度矩阵重构出高光谱图像块； 2.2、利用训练数据生成端元矩阵和丰度矩阵： 将步骤1获得的训练数据集输入到光谱解混网络中，分别通过丰度矩阵生成模块和端元矩阵生成模块训练得到带有图像特征的丰度矩阵和端元矩阵； 步骤3、根据带有图像特征的丰度矩阵和端元矩阵通过重构模块得到重构的高光谱图像块数据，选择重构误差作为损失函数训练光谱解混网络； 步骤4、基于完成训练的光谱解混网络，根据丰度矩阵生成变化灰度图；具体为： 4.1、将不同时相的高光谱图像X1和X2在行方向进行组合，合成一幅高光谱图像X，高光谱图像X的形状为2R×C×P，并将其光谱数据输入到已训练好的光谱解混网络中； 4.2、经过学习获得丰度矩阵生成模块生成的丰度矩阵A，其形状为2RC×N，则高光谱图像X1对应的丰度矩阵A1为丰度矩阵A的前RC行，高光谱图像X2对应的丰度矩阵A2为丰度矩阵A的后RC行，即 4.3、计算高光谱图像X1和X2丰度矩阵差A1-A2，并在列方向求和得到形状为RC×1的灰度向量； 4.4、进行归一化处理，将灰度向量结果的范围缩放到0～1，并对灰度向量进行形状变换，得到形状为R×C的高光谱图像X1和X2之间的变化灰度图； 步骤5、利用阈值分割算法对变化灰度图二值化，得到最终高光谱图像变化检测结果。

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中国科学院西安光学精密机械研究所，其通讯地址为：710119 陕西省西安市高新区新型工业园信息大道17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。