[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

本發明公開了基于圖中圖卷積網絡的高光譜圖像分類方法，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。本發明通過確定每一超像素塊的局部結構圖保留了超像素內極優的同質信息，并將其與目標光譜圖像的全局結構圖一起綜合判定目標光譜圖像的圖像類別，提高了分類的準確性。解決了現有的基于圖卷積的目標光譜圖像分類方法在表征超像素時，采用超像素塊內的均值或最大值統計變量，嚴重地忽略了超像素內極優的同質信息，導致分類結果不準確的問題。

技術領域

本發明涉及圖像處理領域，尤其涉及的是一種基于圖中圖卷積網絡的高光譜圖像分類方法。

背景技術

近年來，高光譜成像技術的發展顯著地提高了目標光譜圖像的光譜分辨率。精細的光譜分辨率有利于圖像更好地表達地物的光譜特性，實現更加精確的像素級分類。隨著無人機技術的成熟和高光譜衛星的部署，目標光譜圖像數據的獲取渠道越來越多。但是，在目標光譜圖像分類領域，數據的標記要求標注人員具備一定的先驗知識，費時費力。得益于硬件設施如圖形處理單元(GPU)的快速發展和海量數據，深度學習技術在計算機視覺和自然語言處理領域取得了顯著性的突破，在性能上大幅度地超越了傳統的機器學習方法。與傳統機器學習相比，深度學習無需過多的先驗知識和手工設置，就能夠從海量的數據和標簽對之中自適應地學習它們之間的映射關系，因此深度學習技術也被引入到目標光譜圖像分類領域，用以更好地提取地物的空間和光譜信息并進一步地提高分類的準確率。

深度學習方法雖然已經能夠完全勝任處理圖像或序列等歐式空間數據的任務，但是在非歐數據領域，例如圖結構數據中卻寸步難行。目前提出了許多的基于圖卷積的目標光譜圖像分類方法，通過圖表示的方法來更好地提取像素點的鄰近信息。在這類方法中，通常需要采用超像素分割方法，將目標光譜圖像轉換為若干個超像素塊。然后，將超像素視為圖節點，而其鄰近關系視則為節點的邊，以此構造目標光譜圖像的圖表示。然而現有的基于圖卷積的目標光譜圖像分類方法在表征超像素時，一般采用超像素塊內的均值或最大值統計變量。這種方法雖然簡單，但是嚴重地忽略了超像素內極優的同質信息，使得模型取得了次優解。

因此，現有技術還有待改進和發展。

發明內容

本發明要解決的技術問題在于，針對現有技術的上述缺陷，提供一種基于圖中圖卷積網絡的高光譜圖像分類方法，旨在解決現有的基于圖卷積的目標光譜圖像分類方法在表征超像素時，采用超像素塊內的均值或最大值統計變量，嚴重地忽略了超像素內極優的同質信息，導致分類結果不準確的問題。

本發明解決問題所采用的技術方案如下：

第一方面，本發明實施例提供一種基于圖中圖卷積網絡的高光譜圖像分類方法，其中，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。

在一種實施方式中，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。

在一種實施方式中，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；