[發明專利]基于超圖卷積神經網絡的高光譜遙感圖像地物分類方法

有效

• 申請號: 202110697409.3
• 申請日: 2021-06-23
• 公開（公告）號: CN113344103B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 姜志國;馬中天;張浩鵬;謝鳳英;趙丹培
• 申請（專利權）人: 北京航空航天大學
• 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: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發明公開了一種基于超圖卷積神經網絡的高光譜遙感圖像地物分類方法，包括：提取高光譜遙感圖像的多模態特征；基于不同模態特征構建超圖；將超圖和高光譜遙感圖像輸入至超圖卷積神經網絡提取特征，并利用全梯度下降法優化損失函數，得到地物分類結果。本發明分類精度高、速度快，提高了分類效率。

技術領域

本發明涉及模式識別與機器學習技術領域，更具體的說是涉及基于超圖卷積神經網絡的高光譜遙感圖像地物分類方法。

背景技術

遙感技術隨著上世紀70年代第一顆遙感衛星Landsat-1發射之后得到了迅速的發展和廣泛的關注。其中得益于光譜傳感器以及光譜成像技術的進步，使得對目標區域進行數十至上百個連續波段的成像成為可能，這便是高光譜遙感技術。不同于可見光和多光譜圖像，高光譜遙感圖像第一次真正意義上將光譜信息與圖像結合起來。由于光譜通道數的急劇增多，高光譜圖像也被稱作高光譜立方體，即高光譜圖像多被表示為三維數據塊而不是常規圖像的二維數據。高光譜圖像如今被廣泛應用于食品安全檢測、醫療輔助診斷和土地資源管理等領域。其中一項具有挑戰性的任務便是地物分類，也被稱作高光譜圖像分類。

遙感圖像分類是指對遙感圖像進行逐像素的分類，類似于計算機視覺領域的語義分割任務。高光譜圖像分類屬于特殊的遙感圖像分類，主要的區別在于樣本數量以及類別豐富度和分類精度上。得益于更豐富的光譜信息，高光譜圖像可以在樣本數量更少的情況下進行多類別的精確地物分類。與此同時，大量的光譜信息會造成信息冗余的問題，樣本數量不夠也會造成方法過擬合等問題，這些問題都增加了高光譜分類的研究難度。

因此，如何提供一種分類精度高的高光譜遙感圖像地物分類方法是本領域技術人員亟需解決的問題。

發明內容

有鑒于此，本發明提供了一種基于超圖卷積神經網絡的高光譜遙感圖像地物分類方法，分類精度高、速度快，提高了分類效率。

為了實現上述目的，本發明采用如下技術方案：

基于超圖卷積神經網絡的高光譜遙感圖像地物分類方法，包括：

提取高光譜遙感圖像的多模態特征；

基于不同模態特征構建超圖；

將所述超圖和所述高光譜遙感圖像輸入至超圖卷積神經網絡提取特征，并利用全梯度下降法優化損失函數，得到地物分類結果。

優選的，所述多模態特征包括光譜特征和空間特征。

優選的，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，計算公式為：

X_spatial[i]＝[x(i)，y(i)]

其中，x(i)，y(i)分別表示像素點i的橫縱坐標。

優選的，基于不同模態特征構建超圖具體為：

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

根據樣本之間的相似性生成樣本之間存在超邊的概率，生成超圖的關聯矩陣，完成超圖的構建。

優選的，關聯矩陣H計算公式為：

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，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。

優選的，所述超圖卷積神經網絡利用所述關聯矩陣H表示超圖數據；