基于动态超图卷积网络的高光谱图像分类方法及系统技术方案

本申请提供一种基于动态超图卷积网络的高光谱图像分类方法及系统，属于深度学习及图像处理技术领域。本申请通过获取高光谱图像，对高光谱图像进行降维和超像素分割，通过两次超图构造，实现了特征的动态提取。由于是将整个高光谱图像作为输入，使用超像素分割技术将原始像素划分成超像素点，从而大幅度减少了计算量。并且本申请通过超像素点的特征标签可以确定一些未知原始像素点的特征标签，相当于隐式增加了样本数量，这使本申请的模型在少量训练样本的情况下就可以达到较高的分类精度。练样本的情况下就可以达到较高的分类精度。练样本的情况下就可以达到较高的分类精度。

【技术实现步骤摘要】
基于动态超图卷积网络的高光谱图像分类方法及系统


[0001]本申请涉及深度学习及图像处理
，特别涉及一种基于动态超图卷积网络的高光谱图像分类方法及系统。

技术介绍

[0002]随着高光谱实时分类的技术逐步成熟，应用领域也逐渐从航天遥测、农业、食品安全、医学诊断等领域拓展到工业领域的产品质量检测和分类方面。
[0003]高光谱遥感是成像技术和细分光谱技术有机结合的成像光谱遥感。高光谱图像是由高光谱遥感器系统通过获取、记录带有地物信息的太阳辐射信号得到的含有上百通道且波段连续的图像。高光谱图像含有丰富的光谱和空间信息，由于不同成分对光谱吸收程度不同，在某个特定波长下图像对某个缺陷会有较显著的反映，这使得高光谱图像不仅可以反映样本的大小、形状、缺陷等外部品质特征，还可以充分反映样品内部的物理结构、化学成分的差异。
[0004]通过搭载在不同空间平台上的高光谱传感器，即成像光谱仪，捕获到的高光谱图像具有图谱合一且光谱信息丰富的特点，与普通图像和多光谱图像不同，高光谱图像具有上百个光谱特征。高光谱图像的高维特性、波段间高度相关性、光谱混合等特点使得高光谱图像分类面临巨大挑战。
[0005]现有的高光谱图像分类的方法大多数是基于卷积神经网络的，而卷积神经网络通常需要足够多的标记样本进行训练，这对于高光谱图像分类是非常困难的。同时，大部分的卷积神经网络架构都是将图片进行分批输入网络，这会导致网络不能捕捉到远距离上的像素之间的关系。

技术实现思路

[0006]鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于动态超图卷积网络的高光谱图像分类方法及系统，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
[0007]第一方面，本申请提供一种基于动态超图卷积网络的高光谱图像分类方法包括：
[0008]获取高光谱图像，并对所述高光谱图像进行图像预处理；
[0009]对图像预处理后的所述高光谱图像进行超像素分割，以获得若干超像素点，每个超像素点对应若干原始像素点；
[0010]根据所述超像素点的第一光谱特征进行超图构造，以获取第一超图；
[0011]对所述第一超图进行超图卷积处理，得到所述超像素点的第二光谱特征；
[0012]根据所述超像素点的第二光谱特征重新进行超图构造，以获取第二超图；
[0013]对所述第二超图进行动态超图卷积处理，以获取每个所述超像素点的第三光谱特征；
[0014]根据所述超像素点与原始像素点的对应关系，将所述超像素的光谱特征转换成对
应原始像素点的光谱特征；
[0015]基于所述原始像素点的光谱特征对所述原始像素点进行分类。
[0016]可选地，对图像预处理后的所述高光谱图像进行超像素分割，以获得若干超像素点的步骤，包括：
[0017]采用简单线性迭代聚类对图像预处理后的所述高光谱图像中的原始像素点进行聚类分组，以生成若干超像素点。
[0018]可选地，根据所述超像素点的第一光谱特征进行超图构造，以获取第一超图的步骤，具体包括：
[0019]根据图像预处理后的所述高光谱图像的原始像素点的光谱特征，计算获取每个所述超像素点的第一光谱特征，其中，每个所述超像素点的第一光谱特征为对应所述超像素点所包含的所有原始像素点的光谱特征的平均值；
[0020]基于所述超像素点的第一光谱特征的相似度构建第一超边，以获取超图关联矩阵，完成所述第一超图的构建。
[0021]可选地，在基于所述超像素点的第一光谱特征的相似度构建第一超边的步骤中，所述第一超边e
i
的定义公式如下：
[0022][0023]其中，v
i
为一个超像素点节点，为与超像素点节点v
i
相似度满足预设阈值的若干其他超像素点节点组成的邻域。
[0024]可选地，在对所述第一超图进行超图卷积处理，得到所述超像素点的第二光谱特征的步骤中，所述超图卷积的公式为：
[0025][0026]其中，X表示输入的超像素点的光谱特征，H是超图关联矩阵，D
v
和D
e
分别是节点度矩阵和超边度矩阵，θ是可训练的参数矩阵，Y超图卷积输出的超像素点的光谱特征。
[0027]可选地，在根据所述超像素点的第二光谱特征重新进行超图构造，以获取第二超图的步骤中，根据所述超像素点的第二光谱特征，采用KNN方法和k
‑
means聚类方法构成第二超边。
[0028]可选地，对所述第二超图进行动态超图卷积处理，以获取每个所述超像素点的第三光谱特征的步骤，具体包括：
[0029]对所述第二超图进行顶点卷积，以将每个所述超像素点的第二光谱特征聚合到所述第二超边，以获取超边特征；
[0030]对所述超边特征进行超边卷积，以将邻近超边特征聚集到所述超像素点，以获取所述超像素点的第三光谱特征。
[0031]可选地，所述对所述第二超图进行顶点卷积，以将每个所述超像素点的第二光谱特征聚合到所述第二超边，以获取超边特征的步骤，具体包括：
[0032]对所述超像素点的第二光谱特征进行全局平均池化操作，以获取所述超像素点的第四光谱特征；
[0033]在光谱维度上对所述超像素点的第四光谱特征进行一维卷积操作，并经过Sigmoid激活函数得到各个光谱维度的权重矩阵；
[0034]将权重矩阵与所述超像素点的第二光谱特征相乘，得到所述超像素点的第五光谱特征；根据所述超像素点的第五光谱特征，使用多层感知机学习以获取变换矩阵；
[0035]使用所述变换矩阵对所述超像素点的第五光谱特征进行变换，并使用一维卷积对变换后的特征进行压缩，以获取所述超边特征。
[0036]可选地，通过主成分分析或者卷积神经网络进行图像预处理。
[0037]另一方面，本申请还提供一种基于动态超图卷积网络的高光谱图像分类装置，包括：
[0038]图像降维模块，用于获取高光谱图像，并对所述高光谱图像进行图像预处理；
[0039]像素分割模块，用对图像预处理后的所述高光谱图像进行超像素分割，以获得若干超像素点，每个超像素点对应若干原始像素点；
[0040]第一超图构造模块，用于根据所述超像素点的第一光谱特征进行超图构造，以获取第一超图；
[0041]超图卷积模块，用于对所述第一超图进行超图卷积处理，得到所述超像素点的第二光谱特征；
[0042]第二超图构造模块，用于根据所述超像素点的第二光谱特征重新进行超图构造，以获取第二超图；
[0043]动态图卷积模块，用于对所述第二超图进行动态超图卷积处理，以获取每个所述超像素点的第三光谱特征；
[0044]特征转换模块，用于根据所述超像素点与原始像素点的对应关系，将所述超像素的光谱特征转换成对应原始像素点的光谱特征；
[0045]像素点分类模块，用于基于所述原始像素点的光谱特征对所述原始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态超图卷积网络的高光谱图像分类方法，其特征在于，包括：获取高光谱图像，并对所述高光谱图像进行图像预处理；对图像预处理后的所述高光谱图像进行超像素分割，以获得若干超像素点，每个超像素点对应若干原始像素点；根据所述超像素点的第一光谱特征进行超图构造，以获取第一超图；对所述第一超图进行超图卷积处理，得到所述超像素点的第二光谱特征；根据所述超像素点的第二光谱特征重新进行超图构造，以获取第二超图；对所述第二超图进行动态超图卷积处理，以获取每个所述超像素点的第三光谱特征；根据所述超像素点与原始像素点的对应关系，将所述超像素的光谱特征转换成对应原始像素点的光谱特征；基于所述原始像素点的光谱特征对所述原始像素点进行分类。2.根据权利要求1所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，对图像预处理后的所述高光谱图像进行超像素分割，以获得若干超像素点的步骤，包括：采用简单线性迭代聚类对图像预处理后的所述高光谱图像中的原始像素点进行聚类分组，以生成若干超像素点。3.根据权利要求1所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，根据所述超像素点的第一光谱特征进行超图构造，以获取第一超图的步骤，具体包括：根据图像预处理后的所述高光谱图像的原始像素点的光谱特征，计算获取每个所述超像素点的第一光谱特征，其中，每个所述超像素点的第一光谱特征为对应所述超像素点所包含的所有原始像素点的光谱特征的平均值；基于所述超像素点的第一光谱特征的相似度构建第一超边，以获取超图关联矩阵，完成所述第一超图的构建。4.根据权利要求3所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，在基于所述超像素点的第一光谱特征的相似度构建第一超边的步骤中，所述第一超边e
i
的定义公式如下：其中，v
i
为一个超像素点节点，为与超像素点节点v
i
相似度满足预设阈值的若干其他超像素点节点组成的邻域。5.根据权利要求2所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，在对所述第一超图进行超图卷积处理，得到所述超像素点的第二光谱特征的步骤中，所述超图卷积的公式为：其中，X是输入的超像素点的光谱特征，H是超图关联矩阵，D
v
和D
e
分别是节点度矩阵和超边度矩阵，θ是可训练的参数矩阵，Y是超图卷积输出的超像素点的光谱特征。6.根据权利要求1所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，在根据所述超像素点...

【专利技术属性】
技术研发人员：徐沁，徐淑萌，刘金培，汤进，罗斌，
申请(专利权)人：安徽大学，
类型：发明
国别省市：