[發明專利]一種結合圖結構與卷積神經網絡的高光譜分類方法

在審

• 申請號: 202111150852.5
• 申請日: 2021-09-29
• 公開（公告）號: CN113920442A
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 丁遙;張志利;蔡偉;趙曉楓;陽能軍;尉成果
• 申請（專利權）人: 中國人民解放軍火箭軍工程大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/40;G06V10/762;G06V10/771;G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 燕肇琪

1.一種結合圖結構與卷積神經網絡的高光譜分類方法，提取圖像特征和多尺度空間特征在超像素圖網絡和卷積神經網絡進行，其特征在于：所述的卷積神經網絡CNN是可將三維CNN分解為一維CNN和二維CNN的卷積神經網絡CNN；所述的超像素圖網絡HSI是可用于后續的多尺度二維CNN處理的超像素圖網絡HSI；具體包括以下步驟：

步驟1：高光譜圖像分割和光譜特征提取；

步驟2：基于圖網絡的多尺度特征提取；

步驟3：基于卷積神經網絡的多尺度特征提取；

步驟4：特征融合和像素分類；

步驟5：損失函數和模型訓練。

2.根據權利要求1所述的一種結合圖結構與卷積神經網絡的高光譜分類方法，其特征在于：步驟1中所述的“高光譜圖像分割和光譜特征提取”的具體步驟如下：

步驟1.1：采用線性判別分析(LDA)降低光譜維數，采用簡單線性迭代聚類(SLIC)將高光譜圖片分割為超像素；具體而言，采用LDA-SLIC方法將高光譜圖片分割為K＝[(H×W)/S]超級像素，其中H和W分別表示高光譜圖片的高度和寬度，S(1≤S)是超級像素的分段比例，超級像素的數量由S決定；給定高光譜立方體I_B＝{x₁，x₂，…，x_m}，具有m＝H×W個像素和B個波段，則超像素HSI可表示為

步驟1.2：兩層一維卷積神經網絡CNN的構建

為了通過網絡訓練抑制和消除原始高光譜圖像的噪聲，提取具有鑒別能力和魯棒性的光譜特征，則采用兩層一維卷積神經網絡CNN，第b頻譜段l卷積層的輸出特性表示為：

其中p₀＝(x，y)是像素在高光譜圖像中的空間位置，和分別是可訓練權重(1×1卷積核)和偏差；σ(·)為激活功能，即ReLU；如等式(3)所示，所提出方法中空間位置p_0處像素的光譜特征向量可以寫成

步驟1.3：將圖網絡與卷積神經網絡緊密結合

關聯矩陣表示像素與超像素之間的關系，在像素與超像素之間架起一座橋梁，具體而言M可以計算為

其中x_i是I_B的第i個像素，″展平″(HSI)表示高光譜圖像在空間維度中的展平操作，如等式(4)所述，可以實現空間像素和超級像素之間的映射；

步驟1.4：將每個超像素的平均光譜特征作為一個節點特征向量，圖形節點特征可以數學表示為

其中H_i是第i個節點特征向量，N_i表示超級像素中包含的像素數量，是如等式(3)所示的像素的光譜特征向量。

3.根據權利要求1所述的一種結合圖結構與卷積神經網絡的高光譜分類方法，其特征在于：步驟2中所述的“基于圖網絡的多尺度特征提取”具體步驟如下：

步驟2.1：為解決節點之間的空間關系丟失問題，采用整形操作，即

HSI＝reshape(M_i，j，H) (6)

通過整形操作，可以將圖形特征投影回空間維度；

步驟2.2：為提高計算效率，將超像素作為圖節點，給定一個圖鄰接矩陣可以表示為

其中H_i和H_j表示節點i，j的光譜特征，是H_i的t跳鄰居節點，γ＝0.2是一個經驗值，可以通過聚集不同跳鄰居節點來實現多尺度操作；

步驟2.3：采用多尺度GCN網絡來處理該圖，分支1中圖卷積的第l層輸出可計算為

其中，是歸一化后的l-1層輸出；與式(8)類似，分支2中圖卷積的l層輸出可以表示為