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！

龙图腾网恭喜西安理工大学申请的专利基于超像素和图卷积的端到端极化SAR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：CN114764884B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202210005850.5，技术领域涉及：G06V20/10；该发明授权基于超像素和图卷积的端到端极化SAR图像分类方法是由金海燕;贺天生;石俊飞;信程设计研发完成，并于2022-01-04向国家知识产权局提交的专利申请。

本基于超像素和图卷积的端到端极化SAR图像分类方法在说明书摘要公布了：本发明公开一种基于超像素和图卷积的端到端极化SAR图像分类方法，包括以下步骤：步骤1，输入待分类的极化SAR图像并裁剪成统一大小；步骤2，将剪裁后图片的按比例划分为训练集和测试集；步骤3，对测试集合训练集的每张图像的每个像素点的复散射矩阵进行分解，生成极化相干矩阵并转换为行向量作为该像素点的极化特征；步骤4，将极化特征拼接上该像素点的横纵坐标，拼接行向量作为像素点特征；步骤5，搭建基于全卷积网络、图卷积网络和卷积神经网络的端到端网络；步骤6，将训练集送入端到端网络中进行联合训练，将测试集送入到训练好的端到端网络中得到结果。本发明能够进一步提高极化SAR图像的分类精度。

本发明授权基于超像素和图卷积的端到端极化SAR图像分类方法在权利要求书中公布了：1.基于超像素和图卷积的端到端极化SAR图像分类方法，其特征在于，包括以下步骤：步骤1，输入待分类的极化SAR图像并裁剪成统一大小；步骤2，将剪裁后的图片按比例划分为训练集和测试集；步骤3，对测试集和训练集的每张图像的每个像素点的复散射矩阵进行分解，生成极化相干矩阵并转换为行向量作为该像素点的极化特征；步骤4，将极化特征拼接上该像素点的横纵坐标，拼接行向量作为像素点特征；步骤5，搭建基于全卷积网络、图卷积网络和卷积神经网络的端到端网络；步骤6，将训练集送入端到端网络中进行联合训练，将测试集送入到训练好的端到端网络中得到结果；所述将训练集送入端到端网络中进行联合训练具体为：步骤6.1，初始化超像素；初始化超像素，超像素初始化大小为高宽为16像素，那么长宽都为512像素的图像被分成了1024个超像素块；步骤6.2，获取超像素与像素之间的软关联矩阵Q；将训练集经步骤3步骤4得到的像素点特征送入全卷积网络中得到输出结果；步骤6.3，通过超像素和像素软关联矩阵获取超像素块的邻接矩阵A、特征矩阵B、超像素与像素之间的转换矩阵C；根据步骤6.2得到的超像素和像素软关联矩阵Q，将每个像素点以最高的概率分配给周边的超像素块来获得整张图像的超像素分割结果；根据超像素分割结果来获取每张图像的邻接矩阵A和特征矩阵B；邻接矩阵A大小为1024，1024，Ai，j表示邻接矩阵A第i行第j列的元素； 特征矩阵B大小为1024，9，Bx表示第x个超像素块的特征；表示超像素块x中第y个像素点特征，n表示第x个超像素块中像素点个数； 超像素和像素的转换矩阵C大小为512×512，1024，Cp，q表示超像素和像素转换矩阵C第p行第q列的元素； 其中，p代表图像的像素点下标，q代表图像的超像素块下标；p∈[1，512×512]；q∈[1，1024]；步骤6.4，图卷积得到图像的超像素特征；将每张图像的邻接矩阵和特征矩阵输入到图卷积网络中，输入是该图像的邻接矩阵和特征矩阵；输出是二维张量H，为图像的超像素特征；步骤6.5，将图像的超像素特征转换为像素特征；Hgcn＝C·H；其中C代表步骤6.3求出的超像素与像素之间的转换矩阵，H代表图卷积网络的输出；步骤6.6，卷积神经网络得到图像的像素级特征；将训练集经步骤3得到的极化特征作为输入送入至卷积神经网络得到像素级特征；步骤6.7，将步骤6.6得到的图像像素级特征和步骤6.5得到的经过超像素和像素的转换矩阵得到的像素级特征融合进行分类；步骤6.8，计算总的损失函数并反向传递迭代更新网络直至收敛。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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”。