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！

龙图腾网获悉绍兴文理学院申请的专利一种基于张量多子空间学习的高光谱异常检测方法及系统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：CN121482617B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202610014391.5，技术领域涉及：G06V20/10；该发明授权一种基于张量多子空间学习的高光谱异常检测方法及系统是由肖庆江;黄日胜;黄梦怡设计研发完成，并于2026-01-07向国家知识产权局提交的专利申请。

本一种基于张量多子空间学习的高光谱异常检测方法及系统在说明书摘要公布了：本发明公开一种基于张量多子空间学习的高光谱异常检测方法及系统，方法包括：获取待检测区域的高光谱图像张量数据；进行逐波段归一化处理；分解为异常张量、噪声张量、以及结构背景成分；设计非凸张量相关全变分正则化；构造迭代稀疏权重张量；采用结构化‑范数；构造鲁棒字典张量；建立异常检测模型；采用基于交替方向乘子法的有效迭代更新算法进行优化，获取最优的异常张量；对获得的最优异常张量进行检测，生成异常检测结果图。本发明通过分别对背景成分、异常成分和噪声成分进行正则化约束优化并构造鲁棒背景字典，实现背景、异常和噪声三者之间的有效分离。

本发明授权一种基于张量多子空间学习的高光谱异常检测方法及系统在权利要求书中公布了：1.一种基于张量多子空间学习的高光谱异常检测方法，其特征在于，所述方法包括： 步骤S1，获取待检测区域的高光谱图像张量数据； 步骤S2，对获取的高光谱图像张量数据进行逐波段归一化处理； 步骤S3，将高光谱图像张量数据分解为异常张量、噪声张量、以及基于鲁棒字典张量和系数张量张量积的结构背景成分； 步骤S4，设计非凸张量相关全变分正则化用于约束系数张量； 步骤S5，在张量-范数约束下，构造迭代稀疏权重张量用于约束异常张量； 步骤S6，采用结构化-范数约束噪声张量； 步骤S7，结合非凸张量相关全变分正则化和迭代稀疏权重张量并将其集成到张量鲁棒主成分分析框架中，构造鲁棒字典张量； 步骤S8，将非凸张量相关全变分正则化、迭代稀疏权重张量和结构化-范数集成到统一的张量低秩表示学习框架中，建立异常检测模型； 步骤S9，对所建立的模型，采用基于交替方向乘子法的有效迭代更新算法进行优化，获取最优的异常张量； 步骤S10，对获得的最优异常张量进行检测，生成异常检测结果图； 在步骤S4中，非凸张量相关全变分正则化的设计步骤为： 步骤S41，定义传统张量相关全变分，明确在建模背景低秩性与局部平滑性时的表达； 式中，是系数张量沿着第模的梯度张量；表示张量核范数；是的第个奇异值；是的第个正面切片；是沿着的第三维做快速傅里叶变换后的结果；m、n和b分别表示高光谱图像的高度、宽度和波段数；表示张量的模态索引；表示正面切片的索引；表示奇异值索引； 步骤S42，定义非凸张量相关全变分，并克服传统张量相关全变分在描述背景结构时的偏差； 式中，为非凸Gamma拟范数，具有酉不变性； 在步骤S8中，异常检测模型为： 式中，、、、和分别表示高光谱图像张量数据、鲁棒字典张量、系数张量、异常张量和噪声张量；和为正则化参数；是系数张量沿着第模的梯度张量；为非凸Gamma拟范数；表示迭代稀疏权重张量；表示待求解的稀疏异常张量；表示组稀疏-范数；表示噪声结构化稀疏项；表示张量的模态索引；表示哈达玛积。

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绍兴文理学院，其通讯地址为：312000 浙江省绍兴市越城区城南大道1077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。