[發明專利]基于圖中圖卷積網絡的高光譜圖像分類方法

在審

• 申請號: 202111509923.6
• 申請日: 2021-12-10
• 公開（公告）號: CN114022786A
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 賈森;江樹國;鄧琳
• 申請（專利權）人: 深圳大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 李可

1.一種基于圖中圖卷積網絡的高光譜圖像分類方法，其特征在于，所述方法包括：

獲取目標光譜圖像，將所述目標光譜圖像分割成若干超像素塊；

確定若干所述超像素塊分別對應的局部結構圖和所述目標光譜圖像對應的全局結構圖；

根據所述若干所述局部結構圖和所述全局結構圖，確定所述目標光譜圖像對應的目標圖像類別。

2.根據權利要求1所述的基于圖中圖卷積網絡的高光譜圖像分類方法，其特征在于，所述將所述目標光譜圖像分割成若干超像素塊，包括：

將所述目標光譜圖像輸入超像素分割算法，得到若干所述超像素塊，其中，每一所述超像素塊對應一個同質區域。

3.根據權利要求1所述的基于圖中圖卷積網絡的高光譜圖像分類方法，其特征在于，將每一所述超像素塊作為一個目標超像素塊，所述局部結構圖的確定過程，包括：

將所述目標超像素塊中的每一像素點作為一個第一節點，得到第一節點矩陣；

根據全部所述第一節點之間的鄰接關系，得到第一鄰接矩陣；

根據所述第一節點矩陣和所述第一鄰接矩陣，生成所述目標超像素塊對應的所述局部結構圖。

4.根據權利要求1所述的基于圖中圖卷積網絡的高光譜圖像分類方法，其特征在于，所述全局結構圖的確定過程，包括：

將每一所述超像素塊作為一個第二節點，得到第二節點矩陣；

根據全部所述第二節點之間的鄰接關系，得到第二鄰接矩陣；

根據所述第二節點矩陣和所述第二鄰接矩陣，生成所述全局結構圖。

5.根據權利要求1所述的基于圖中圖卷積網絡的高光譜圖像分類方法，其特征在于，所述根據所述若干所述局部結構圖和所述全局結構圖，確定所述目標光譜圖像對應的目標圖像類別，包括：

將若干所述局部結構圖嵌入所述全局結構圖，得到目標結構圖；

根據所述目標結構圖，確定所述目標圖像類別。

6.根據權利要求5所述的基于圖中圖卷積網絡的高光譜圖像分類方法，其特征在于，所述將若干所述局部結構圖嵌入所述全局結構圖，得到目標結構圖，包括：

根據每一所述局部結構圖對應的所述超像素塊，確定每一所述局部結構圖在所述全局結構圖中對應的嵌入位置；

根據每一所述局部結構圖對應的嵌入位置，將每一所述局部結構圖嵌入所述全局結構圖，得到所述目標結構圖。

7.根據權利要求5所述的基于圖中圖卷積網絡的高光譜圖像分類方法，其特征在于，所述根據所述目標結構圖，確定所述目標圖像類別，包括：

將所述目標結構圖輸入圖像分類模型，得到所述目標圖像類別，其中，所述圖像分類模型包括第一卷積模塊、第二卷積模塊、融合模塊以及分類模塊；

所述第一卷積模塊，用于根據若干所述局部結構圖進行特征提取，得到若干所述超像素塊分別對應的第一特征向量，根據全部所述第一特征向量確定第一特征矩陣；

所述第二卷積模塊，用于根據所述第一特征矩陣和所述全局結構圖進行特征提取，得到若干所述超像素塊分別對應的第二特征向量；

所述融合模塊，用于將每一所述超像素塊對應的所述第一特征向量和所述第二特征向量進行融合，得到每一所述超像素塊對應的融合特征向量；

所述分類模塊，用于根據每一所述超像素塊對應的融合特征向量，生成概率分布信息，根據所述概率分布信息確定所述目標圖像類別。