一种基于图神经网络的高光谱图像分类方法及系统技术方案

本发明专利技术涉及一种基于图神经网络的高光谱图像分类方法及系统。该方法包括利用主成分分析方法对高光谱图像进行高光谱数据降维；利用超像素分割方法将降维处理后的高光谱图像分割成多个超像素；将每个超像素的中心点作为图节点；根据图节点构建节点之间边的连接关系，确定图结构；根据图结构和图转换层，采用元路径的方法以及矩阵乘法更新图结构；根据更新后的图结构，采用图注意力网络完成光谱图像分类。本发明专利技术能够提高高光谱图像分类的精确度。本发明专利技术能够提高高光谱图像分类的精确度。本发明专利技术能够提高高光谱图像分类的精确度。

【技术实现步骤摘要】
一种基于图神经网络的高光谱图像分类方法及系统


[0001]本专利技术涉及高光谱图像分类领域，特别是涉及一种基于图神经网络的高光谱图像分类方法及系统。

技术介绍

[0002]高光谱图像是利用高光谱传感器，以连续细分的波段对目标区域同时成像，在得到地表图像信息的同时，也获得其光谱信息。与普通图像相比较，高光谱图像由数百个相邻的光谱波段组成，图像在信息丰富程度方面有了极大的提高，基于光谱特征的目标识别方法，有助于我们精确识别不同材料的目标。作为目标检测的重要一环，高光谱图像的精确分类对于军事侦察、伪装防护等具有重要的研究意义。但是，高光谱图像光谱维度较高，且光谱特征存在空间变异性即“同物异谱”和“同谱异物”现象的存在，这些问题给高光谱图像的精确分类带来了很大问题。
[0003]在近些年的研究中，人们已经在发展各种高光谱分类方法方面做出了巨大的努力。其中基于深度学习的方法在各类图像处理方面取得了令人瞩目的成绩。卷积神经网络的主要优点是能够自动学习图像区域的有效特征表示，从而避免复杂的手工特征提取过程。然而卷积神经网络存在其固有的缺点，固定形状和参数的卷积核在获取特征的过程中会忽略到边界信息，且无法处理非欧式空间的图数据。此外，由于高光谱数据维数较高，学习参数过多，传统模型训练时间过长且分类精度有待提高。因此，传统的基于卷积神经网络的方法在解决高光谱分类问题中都存在一定的局限性。

技术实现思路

[0004]本专利技术的目的是提供一种基于图神经网络的高光谱图像分类方法及系统，能够提高高光谱图像分类的精确度。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于图神经网络的高光谱图像分类方法，包括：
[0007]利用主成分分析方法对高光谱图像进行高光谱数据降维；
[0008]利用超像素分割方法将降维处理后的高光谱图像分割成多个超像素；将每个超像素的中心点作为图节点；
[0009]根据图节点构建节点之间边的连接关系，确定图结构；
[0010]根据图结构和图转换层，采用元路径的方法以及矩阵乘法更新图结构；
[0011]根据更新后的图结构，采用图注意力网络完成光谱图像分类。
[0012]可选地，所述超像素分割方法包括：聚类算法。
[0013]可选地，所述注意力网络包括：两层图注意力层以及SOFTMAX层。
[0014]可选地，采用交叉熵损失函数，表征注意力网络输出与原始标签之间的差异。
[0015]可选地，采用Adam算法调整注意力网络的网络参数。
[0016]一种基于图神经网络的高光谱图像分类系统，包括：
[0017]高光谱图像降维模块，用于利用主成分分析方法对高光谱图像进行高光谱数据降维；
[0018]高光谱图像分割模块，用于利用超像素分割方法将降维处理后的高光谱图像分割成多个超像素；将每个超像素的中心点作为图节点；
[0019]图结构构建模块，用于根据图节点构建节点之间边的连接关系，确定图结构；
[0020]图转换模块，用于根据图结构和图转换层，采用元路径的方法以及矩阵乘法更新图结构；
[0021]图分类模块，用于根据更新后的图结构，采用图注意力网络完成光谱图像分类。
[0022]可选地，所述超像素分割方法包括：聚类算法。
[0023]可选地，所述注意力网络包括：两层图注意力层以及SOFTMAX层。
[0024]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0025]本专利技术所提供的一种基于图神经网络的高光谱图像分类方法及系统，将高光谱图像转换为图以充分利用高光谱图像相邻空间的地物信息，从而解决传统分类方法对于空间信息提取的短板。使用超像素分割方法分割高光谱图像从而有效减少图节点数量，节约运算资源，提高分类速度。为了解决图构建过程中产生的弱权值边和无效边的问题，我们采用解决异构图分类的元路径方法，在构建的图中通过自动寻找更具有代表意义的元路径而后通过矩阵乘法构成新的图结构以提高模型的分类精度。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本专利技术所提供的一种基于图神经网络的高光谱图像分类方法流程示意图；
[0028]图2为本专利技术所提供的一种基于图神经网络的高光谱图像分类方法的原理示意图；
[0029]图3为基于超像素的图构建方法示意图；
[0030]图4为本专利技术所提供的一种基于图神经网络的高光谱图像分类系统结构示意图。
具体实施方式
[0031]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0032]本专利技术的目的是提供一种基于图神经网络的高光谱图像分类方法及系统，能够提高高光谱图像分类的精确度。
[0033]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0034]图1为本专利技术所提供的一种基于图神经网络的高光谱图像分类方法流程示意图，
如图1所示，本专利技术所提供的一种基于图神经网络的高光谱图像分类方法，包括：
[0035]S101，利用主成分分析方法对高光谱图像进行高光谱数据降维；
[0036]S102，利用超像素分割方法将降维处理后的高光谱图像分割成多个超像素；将每个超像素的中心点作为图节点；
[0037]S103，根据图节点构建节点之间边的连接关系，确定图结构；
[0038]如图3所示，将相邻的超像素点之间建立边的连接，以完成图的基本构造。其中底纹表示同类区域，点表示超像素的质心，实线表示强权值边，虚线表示弱权值边。正如图3中所示，我所建立的图中包含很多无用甚至是会影响分类结果的边。因此在后续的模型中引用元路径和注意力机制来实施对图的有效学习。
[0039]S104，根据图结构和图转换层，采用元路径的方法以及矩阵乘法更新图结构；
[0040]采用元路径的方法以及矩阵乘法更新图结构的过程为：
[0041]子图Q1和Q2被随机的从邻接矩阵A中通过以下公式选取出来：
[0042][0043]其中为卷积操作，为的参数。通过参数来得到不同的图。
[0044]得到的子图通过矩阵乘法以生成新的元路径：
[0045]A
k
＝Q1Q2ꢀꢀꢀ
(5)
[0046]重复上述步骤，将得到的元路径通过矩阵乘法相乘，得到了新的由元路径组成的图结构。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的高光谱图像分类方法，其特征在于，包括：利用主成分分析方法对高光谱图像进行高光谱数据降维；利用超像素分割方法将降维处理后的高光谱图像分割成多个超像素；将每个超像素的中心点作为图节点；根据图节点构建节点之间边的连接关系，确定图结构；根据图结构和图转换层，采用元路径的方法以及矩阵乘法更新图结构；根据更新后的图结构，采用图注意力网络完成光谱图像分类。2.根据权利要求1所述的一种基于图神经网络的高光谱图像分类方法，其特征在于，所述超像素分割方法包括：聚类算法。3.根据权利要求1所述的一种基于图神经网络的高光谱图像分类方法，其特征在于，所述注意力网络包括：两层图注意力层以及SOFTMAX层。4.根据权利要求3所述的一种基于图神经网络的高光谱图像分类方法，其特征在于，采用交叉熵损失函数，表征注意力网络输出与原始标签之间的差异。5.根据权利要求3所述的一种基于图神经网络的高光...

【专利技术属性】
技术研发人员：赵晓枫，牛家辉，李洪才，夏玉婷，张志利，蔡伟，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：