[發(fā)明專利]基于超圖卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像地物分類方法

有效

• 申請?zhí)枺?/td>: 202110697409.3
• 申請日: 2021-06-23
• 公開（公告）號: CN113344103B
• 公開（公告）日: 2023-03-24
• 發(fā)明（設(shè)計(jì)）人: 姜志國;馬中天;張浩鵬;謝鳳英;趙丹培
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V20/10;G06V10/46;G06V10/58;G06V10/82;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 北京慕達(dá)星云知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11465
• 代理人: 符繼超

1.基于超圖卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像地物分類方法，其特征在于，包括：

提取高光譜遙感圖像的多模態(tài)特征；

基于不同模態(tài)特征構(gòu)建超圖；

將所述超圖和所述高光譜遙感圖像輸入至超圖卷積神經(jīng)網(wǎng)絡(luò)提取特征，并利用全梯度下降法優(yōu)化損失函數(shù)，得到地物分類結(jié)果，

所述多模態(tài)特征包括光譜特征和空間特征，

利用主成分分析法提取所述高光譜遙感圖像的光譜特征X_spectral；

利用空間位置編碼方法提取所述高光譜遙感圖像的空間特征X_spatial，計(jì)算公式為：

X_spatial[i]＝[x(i),y(i)]

其中，x(i)，y(i)分別表示像素點(diǎn)i的橫縱坐標(biāo)，

基于不同模態(tài)特征構(gòu)建超圖具體為：

假設(shè)高光譜遙感圖像中的每個像素點(diǎn)表示一個樣本，將所述光譜特征和所述空間特征表示樣本的特征，利用度量函數(shù)計(jì)算樣本之間的相似性；

根據(jù)樣本之間的相似性生成樣本之間存在超邊的概率，生成超圖的關(guān)聯(lián)矩陣，完成超圖的構(gòu)建，

關(guān)聯(lián)矩陣H計(jì)算公式為：

其中，x_i表示第i個樣本的特征,x_j表示第j個樣本的特征，N_k(x_j)表示x_j的k個鄰居，mean表示k個鄰居與樣本x_j歐式距離的均值。

2.根據(jù)權(quán)利要求1所述的基于超圖卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像地物分類方法，其特征在于，所述超圖卷積神經(jīng)網(wǎng)絡(luò)利用所述關(guān)聯(lián)矩陣H表示超圖數(shù)據(jù)；

所述超圖的卷積運(yùn)算為：

其中，Θ是可訓(xùn)練參數(shù)，W為超邊權(quán)重矩陣，Y是卷積運(yùn)算后的輸出，H是關(guān)聯(lián)矩陣，D_v和D_e分別表示頂點(diǎn)度和邊度的對角線矩陣，對于D_v和D_e中的元素，每個頂點(diǎn)度定義為d(v)＝Σ_e∈Eω(e)h(v,e)和每個邊度定義為δ(e)＝Σ_v∈Vh(v,e)，V表示超圖中頂點(diǎn)集合，E表示超圖中超邊集合；其中，

v表示超圖頂點(diǎn)，e表示超圖的超邊；

所述超圖卷積神經(jīng)網(wǎng)絡(luò)的卷積層通過超圖卷積運(yùn)算和非線性激活函數(shù)得到，計(jì)算公式為：

其中，X^(l+1)是第l層的輸出，σ是用于非線性激活的RELU函數(shù)，Θ^(l)是可訓(xùn)練的參數(shù)，W是可訓(xùn)練的超邊權(quán)重矩陣。