[發明專利]一種基于圖卷積神經網絡的遙感影像地物識別方法

在審

• 申請號: 202011294356.2
• 申請日: 2020-11-18
• 公開（公告）號: CN112347970A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 王倪傳;何爽;盧霞
• 申請（專利權）人: 江蘇海洋大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京和聯順知識產權代理有限公司 11621
• 代理人: 劉述麗

1.一種基于圖卷積神經網絡的遙感影像地物識別方法，其特征在于，該方法包含以下步驟：

步驟1：取一景遙感影像分別進行相關預處理操作，包括幾何校正、大氣校正和圖像增強，將彩色遙感影像轉化為XY坐標下的灰度圖像或者CIELAB顏色空間，對其進行簡單線性迭代聚類，初始化種子點，生成緊湊、近似均勻的超像素；

步驟2：基于生成的超像素遙感影像圖，創建圖譜的節點和邊，對影像進行提取紋理特征、顏色特征作為圖譜輸入特征矩陣；

步驟3：結合集成學習的絕大多數投票機制進行標簽制作，若某地物標記得票超過一半，則將超像素預測為該地物類別，否則拒絕標記，進而形成圖譜的標簽數據集；

步驟4：利用深度卷積神經網絡對高分辨率遙感影像特征圖譜自動提取，得到關于影像圖的節點和邊輸入數據，形成關于遙感影像特征描述集；

步驟5：基于遙感影像特征描述集，訓練圖卷積神經網絡模型，獲得影像地物分類模型并對測試樣本分類。

2.根據權利要求1所述的一種基于圖卷積神經網絡的遙感影像地物識別方法，其特征在于：所述步驟1-4中是對遙感影像提取其地物類別特征描述集。

3.根據權利要求1所述的一種基于圖卷積神經網絡的遙感影像地物識別方法，其特征在于：所述步驟5中提出的是基于圖卷積神經網絡的地物分類模型。

4.根據權利要求1所述的一種基于圖卷積神經網絡的遙感影像地物識別方法，其特征在于：所述步驟2中對影像進行提取紋理特征和顏色特征：深度卷積神經網絡自動提取遙感影像特征圖譜集過程：假定共有K種地物類別卷積神經網絡自動提取的特征圖譜集形成可表示為其中其中1≤k≤M表示第k塊分塊遙感影像，n(1≤k≤N)表示第n個超像素，X＝CNN(·)表示執行深度卷積神經網絡。

5.根據權利要求1所述的一種基于圖卷積神經網絡的遙感影像地物識別方法，其特征在于：所述步驟4中利用深度卷積神經網絡對高分辨率遙感影像特征圖譜自動提取：基于圖卷積神經網絡的遙感影像地物識別分類過程；根據全連接卷積神經網絡自動提取的特征圖譜，假定地物類別總共有K種，則其地物識別過程可由以下幾個步驟構成；

步驟4.1：由步驟2生成的遙感影像地物類別特征圖譜集1≤k≤M，聯接生成融合的特征圖譜，對圖卷積神經網絡進行訓練，并采用留一法執行交叉驗證流程，獲取圖卷積神經網絡的地物分類模型訓練參數Θ，其中圖卷積神經網絡層數為2層，并在其后加上自適應注意力機制層，使圖中的每個節點可以根據相鄰節點的特征，為其分配不同的權值，損失函數選用NLL_LOSS，對輸入參數進行log_softmax函數激活，優化函數選用一種自適應學習率的優化方法Adam優化函數進行優化，利用梯度的一階矩估計和二階矩估計動態的調整學習率；

步驟4.2：將加上了注意力機制的圖卷積神經網絡提取的自適應特征描述集及其注意力特征權值進行一次不含注意力機制層的圖卷積操作并進行歸一化處理，最后依據分類模型確定各個節點所屬類別，其公式化描述為O_pre＝GCN(·)，其中O_pre表示輸出所屬類別，GCN(·)表示執行圖卷積神經網絡操作；

步驟4.3、將輸出后的結果與真實地物類別進行精度運算，求出相應的Kappa系數，總體精度以及混淆矩陣等度量參數，進而判斷模型分類效果。