基于贝叶斯层图卷积神经网络的高光谱图像分类方法技术

本发明专利技术涉及一种基于贝叶斯层图卷积神经网络的高光谱图像分类方法，包括：步骤1：获取高光谱图像数据集，对高光谱图像数据集进行预处理，之后按照预设比例划分得到训练集和测试集；步骤2：构建贝叶斯层图卷积神经网络；步骤3：利用训练集和测试集对贝叶斯层图卷积神经网络进行训练和测试，得到训练完成的贝叶斯层图卷积神经网络；步骤4：利用训练完成的贝叶斯层图卷积神经网络对待测高光谱图像的目标进行识别分类，得到识别结果。本发明专利技术的方法实现对遥感图像的高效率与高准确度分类，解决了遥感图像的分类领域的不确定性评估问题，实现了分类结果置信度的量化，解决了神经网络系统面对小样本目标时由于过拟合现象从而可能导致的漏警问题。的漏警问题。的漏警问题。

【技术实现步骤摘要】
基于贝叶斯层图卷积神经网络的高光谱图像分类方法


[0001]本专利技术属于遥感图像分类
，具体涉及一种基于贝叶斯层图卷积神经网络的高光谱图像分类方法。

技术介绍

[0002]在图卷积神经网络被提出之后，其在计算机视觉领域得到了广泛应用。同时，研究人员提出了多种基于图卷积思想的各种神经网络变体以及针对遥感图像分类的分类策略，其中的主要代表是GCN(图卷积神经网络)、MDGCN(多尺度动态图卷积神经网络)、S2GCN(空
‑
谱图卷积神经网络)等神经网络架构。上述技术方案通过对超像素分割后的遥感图像特征矩阵进行空间特征提取和聚合，获得与特征矩阵对应的空间邻接矩阵，结合图卷积思想设计与不同数据集相匹配的神经网络结构进行训练及测试。
[0003]基于贝叶斯思想的机器学习训练策略有着较长的研究历史，随着深度神经网络的提出，贝叶斯思想也通过对深度神经网络权重矩阵的概率分布式表达实现了二者的有机结合。贝叶斯神经网络通过结合概率建模与神经网络，实现了预测结果的置信度评估并保证了神经网络的强泛化性。
[0004]当前研究领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯层图卷积神经网络的高光谱图像分类方法，其特征在于，包括：步骤1：获取高光谱图像数据集，对所述高光谱图像数据集进行预处理，之后按照预设比例划分得到训练集和测试集；步骤2：构建贝叶斯层图卷积神经网络；步骤3：利用所述训练集和所述测试集对所述贝叶斯层图卷积神经网络进行训练和测试，得到训练完成的贝叶斯层图卷积神经网络；步骤4：利用训练完成的贝叶斯层图卷积神经网络对待测高光谱图像的目标进行识别分类，得到识别结果；其中，所述高光谱图像数据集包括若干原始高光谱遥感图像，每个所述原始高光谱遥感图像包括多个识别目标以及目标对应的类别标签；所述贝叶斯层图卷积神经网络包括级联的全连接模块、第一贝叶斯图卷积层模块、Dropout层、第二贝叶斯图卷积层模块和Softmax层。2.根据权利要求1所述的基于贝叶斯层图卷积神经网络的高光谱图像分类方法，其特征在于，对所述高光谱图像数据集进行预处理，包括：对每个所述原始高光谱遥感图像，利用超像素分割算法分割得到对应的超像素块；对每个超像素块选择块内标签最多的种类作为该超像素块的类别标签，去除类别标签为背景的超像素块，得到表示地物类别的超像素块；获取所述表示地物类别的超像素块的邻接矩阵；构建所述表示地物类别的超像素块对应的特征向量，并根据所述特征向量和对应的类别标签，得到表示地物类别的超像素块对应的特征矩阵。3.根据权利要求1所述的基于贝叶斯层图卷积神经网络的高光谱图像分类方法，其特征在于，所述特征向量包括光谱特征和纹理特征。4.根据权利要求1所述的基于贝叶斯层图卷积神经网络的高光谱图像分类方法，其特征在于，所述全连接模块包括级联的第一全连接层、ReLU激活层和第二全连接层。5.根据权利要求2所述的基于贝叶斯层图卷积神经网络的高光谱图像分类方法，其特征在于，所述贝叶斯图卷积层模块包括级联的贝叶斯图卷积层、ReLU激活层和BN层。6.根据权利要求5所述的基于贝叶斯层图卷积神经网络的高光谱图像分类方法，其特征在于，所述贝叶斯图卷积层为权重参数和偏置均以分布形式表示的全连接层；所述贝叶斯图卷积层用于根据权重参数对输入的矩阵进行加权计...

【专利技术属性】
技术研发人员：张明阳，狄子琦，蒋汾龙，公茂果，蒋祥明，武越，李豪，王善峰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：