(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210545904.7 (22)申请日 2022.05.19 (65)同一申请的已公布的文献号 申请公布号 CN 114782763 A (43)申请公布日 2022.07.22 (73)专利权人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 高国明　陈哲　谷延锋　 (74)专利代理 机构 哈尔滨华夏松花江知识产权 代理有限公司 23213 专利代理师 时起磊 (51)Int.Cl. G06V 10/77(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01) G06V 20/10(2022.01) (56)对比文件 CN 110717485 A,2020.01.21 CN 106951822 A,2017.07.14CN 113066034 A,2021.07.02 CN 109308485 A,2019.02.0 5 CN 10727385 3 A,2017.10.20 US 2020334456 A1,2020.10.2 2 Guoming Gao等.Tensorized Pri ncipal Component Alignment: A Un ified Framew ork for Multimodal High -Resolution Images Classificati on. 《IEEE Transacti ons on Geoscience and Remote Sensi ng》 .2018,第57 卷(第1期), 高国明.高分辨 率遥感图像多时相对齐与分 类技术研究. 《中国博士学位 论文全文数据库信 息科技辑》 .2019,(第01期), 肖佳秀.基 于弹性网的信息 压缩稀疏化研 究. 《中国优秀硕士学位 论文全文数据库信息科 技辑》 .2022,(第05期), (续) 审查员 梁清粼 (54)发明名称 多视角高分遥感图像稀疏主成分对齐方法 (57)摘要 多视角高分遥感图像稀 疏主成分对齐方法， 本发明涉及多视角高分遥感图像对齐方法。 本发 明的目的是为了解决现有高空间分辨率遥感图 像成像时存在的多角度问题， 该问题 导致遥感图 像分类准确率低。 过程为： 1： 利用稀疏主成分分 析方法对获取的待处理的源域图像和带标签的 目标图像进行计算， 得到待处理的源域图像的特 征向量和带标签的目标图像的特征向量； 2： 将待 处理的源域图像的特征向量和带标签的目标图 像的特征向量进行变换， 从而使待处理的源域图 像和带标签的目标图像的数据分布进行对齐， 得 到对齐后的待处理的源域图像和带标签的目标 图像； 3： 基于监督式分类方法完成对待处理的源域图像的分类结果。 本发明用于遥感图像处理领 域。 [转续页] 权利要求书3页 说明书7页 附图5页 CN 114782763 B 2022.11.11 CN 114782763 B (56)对比文件 Jiayi Li等.Semi-supervised sparse relearning representati on classificati on for high -resolution remote sensi ng imagery. 《2016 IE EE Internati onal Geoscience and Remote Sensi ng Symposium (IGARSS)》 .2016,2/2 页 2[接上页] CN 114782763 B1.多视角高分遥感图像稀疏主成分对齐方法， 其特 征在于： 所述方法具体过程 为： 步骤1： 获取待处理 的源域图像和带标签的目标图像， 利用稀疏主成分分析方法对获取 的待处理的源域图像和带标签的目标图像进 行计算， 得到待处理的源域图像的特征向量和 带标签的目标图像的特 征向量； 所述待处 理的源域图像为待处 理的高分遥感图像； 所述带标签的目标图像为带 标签的高分遥感图像； 步骤2： 将待处理的源域图像的特征向量和带标签的目标图像的特征向量进行变换， 从 而使待处理的源域图像和带标签的目标图像的数据分布进 行对齐， 得到对齐后的待处理的 源域图像和带 标签的目标图像； 步骤3： 将步骤2对齐后的带标签的目标图像输入监督式分类方法进行训练， 得到训练 好的监督式分类方法， 将步骤2对齐后的待处理的源域图像输入训练好的监督式分类方法， 完成对待处 理的源域图像的分类结果； 所述步骤1中稀疏主成分 分析方法具体过程 为： 步骤11、 将主成分 分析进行改写； 步骤12、 施加弹性网约束； 所述步骤11中将主成分 分析进行改写； 具体过程 为： 步骤111、 引入向量α， 使β 具有最大 方差； 具体为： 对于任何惩罚系数 λ＞0， 让 受制于||α ||2＝1 式中， 为最佳满足||α||2＝1的向量， 为最佳稀疏近似， α 为满足||α||2＝1的向量， xi表示矩阵X的第i行向量， X为待处理的源域图像或带标签的目标图像， β 为稀疏近似， λ为 2‑范数惩罚系数； Vi为主成分对应的载荷， || ||2为向量元素平方和； ||  ||为2‑ 范数； 步骤112、 假设考虑的是 前k个主成分； 让Ap×k＝[α1，…， αk]和Bp×k＝[β1，…， βk]； 式中， p为正整数； 对于任意的λ＞0， 式(2)中转换为： 式(3)受制于ATA＝Ik×k； A用来使B具有最大 方差； A为Ap×k， B为Bp×k； 那么权　利　要　求　书 1/3 页 2 CN 114782763 B 3