基于超图卷积神经网络的高光谱遥感图像地物分类方法技术

本发明专利技术公开了一种基于超图卷积神经网络的高光谱遥感图像地物分类方法，包括：提取高光谱遥感图像的多模态特征；基于不同模态特征构建超图；将超图和高光谱遥感图像输入至超图卷积神经网络提取特征，并利用全梯度下降法优化损失函数，得到地物分类结果。本发明专利技术分类精度高、速度快，提高了分类效率。提高了分类效率。提高了分类效率。

【技术实现步骤摘要】
基于超图卷积神经网络的高光谱遥感图像地物分类方法


[0001]本专利技术涉及模式识别与机器学习
，更具体的说是涉及基于超图卷积神经网络的高光谱遥感图像地物分类方法。

技术介绍

[0002]遥感技术随着上世纪70年代第一颗遥感卫星Landsat
‑
1发射之后得到了迅速的发展和广泛的关注。其中得益于光谱传感器以及光谱成像技术的进步，使得对目标区域进行数十至上百个连续波段的成像成为可能，这便是高光谱遥感技术。不同于可见光和多光谱图像，高光谱遥感图像第一次真正意义上将光谱信息与图像结合起来。由于光谱通道数的急剧增多，高光谱图像也被称作高光谱立方体，即高光谱图像多被表示为三维数据块而不是常规图像的二维数据。高光谱图像如今被广泛应用于食品安全检测、医疗辅助诊断和土地资源管理等领域。其中一项具有挑战性的任务便是地物分类，也被称作高光谱图像分类。
[0003]遥感图像分类是指对遥感图像进行逐像素的分类，类似于计算机视觉领域的语义分割任务。高光谱图像分类属于特殊的遥感图像分类，主要的区别在于样本数量以及类别丰富度和分类精度上。得益本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于超图卷积神经网络的高光谱遥感图像地物分类方法，其特征在于，包括：提取高光谱遥感图像的多模态特征；基于不同模态特征构建超图；将所述超图和所述高光谱遥感图像输入至超图卷积神经网络提取特征，并利用全梯度下降法优化损失函数，得到地物分类结果。2.根据权利要求1所述的基于超图卷积神经网络的高光谱遥感图像地物分类方法，其特征在于，所述多模态特征包括光谱特征和空间特征。3.根据权利要求2所述的基于超图卷积神经网络的高光谱遥感图像地物分类方法，其特征在于，利用主成分分析法提取所述高光谱遥感图像的光谱特征X
spectral
；利用空间位置编码方法提取所述高光谱遥感图像的空间特征X
spatial
，计算公式为：X
spatial
[i]＝[x(i)，y(i)]其中，x(i)，y(i)分别表示像素点i的横纵坐标。4.根据权利要求2所述的基于超图卷积神经网络的高光谱遥感图像地物分类方法，其特征在于，基于不同模态特征构建超图具体为：假设高光谱遥感图像中的每个像素点表示一个样本，将所述光谱特征和所述空间特征表示样本的特征，利用度量函数计算样本之间的相似性；根据样本之间的相似性生成样本之间存在超边的概率，生成超图的关联矩阵，完成超图的构建。5.根据权利要求4所述的基于超图卷积神经网络的高光谱遥感图像地物分类方法，其特征在于，...

【专利技术属性】
技术研发人员：姜志国，马中天，张浩鹏，谢凤英，赵丹培，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：