一种基于GCN与CNN新型网络的小样本HSI分类方法技术

本发明专利技术提出了一种基于GCN与CNN新型网络的小样本HSI分类方法，包括以下步骤：S1，对HSI数据进行线性投影映射和像素特征到超像素特征的转换；S2，对形成的超像素特征送入到图编码器中，然后进行HSI图数据形式的特征提取，再经过解码器解码出图数据特征；S3，将图数据特征进行非线性特征处理，得到特征一；S4，对HSI数据通过光谱清洗卷积进行降噪，同时对高维的HSI数据进行降维处理，生成降维特征图；S5，将降维特征图通过注意力机制和信息交互处理，之后再经过一层注意力机制与空间特征卷积，得到特征二；S6，将步骤S3得到的特征一与步骤S5得到的特征二进行ConCat多特征融合，输出分类结果。本发明专利技术解决了小样本分类、噪音大、光谱空间语义位置信息丢失等问题。语义位置信息丢失等问题。语义位置信息丢失等问题。

【技术实现步骤摘要】
一种基于GCN与CNN新型网络的小样本HSI分类方法


[0001]本专利技术涉及高光谱图像处理领域，特别是涉及一种基于GCN与CNN新型网络的小样本HSI分类方法。

技术介绍

[0002]随着高光谱遥感技术的快速发展，高光谱遥感在对地观测方面的应用越来越广泛。高光谱图像(Hyperspectral Image，HSI)分类是高光谱遥感图像分析的主要方法，它在自然资源评价、城市土地利用规划、精细化农业和林业、环境保护等国民经济相关领域受到广泛关注。
[0003]HSI提供了非常丰富光谱与空间信息，在表征地物类别时能够提供精确的研究数据，但是当前高光谱图像传感器采集的数据往往含有大量冗余信息，所以提供人工标记的地物特征样本常常非常有限。因此，设计一个在标记样本有限时也能高效分类的方法非常有必要。高光谱图像分类主要挑战来自于：(1)光谱空间联合利用率不高；(2)用于分类的高光谱图像模型过于复杂；(3)在训练样本有限时所取得的分类效果不理想。当前小样本下的高光谱图像分类方法，虽然一定程度上缓解了小样本学习下的困难，但是大多数的方法仍然存在着模型过于复杂的问题。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于GCN与CNN新型网络的小样本HSI分类方法。
[0005]为了实现本专利技术的上述目的，本专利技术提供了一种基于GCN与CNN新型网络的小样本HSI分类方法，包括以下步骤：
[0006]S1，对HSI数据采用线性判别分析LDA进行线性投影映射，再通过SLIC分割算法进行像素特征到超像素特征的转换；
[0007]S2，对形成的超像素特征送入到图编码器中构成图数据形式，然后通过ARMA图神经网络进行HSI图数据形式的特征提取，再经过解码器解码出图数据特征；
[0008]S3，将图数据特征进行非线性特征处理，得到特征一；通过非线性特征处理使得解码后的图数据特征更加稳定，网络鲁棒性更加优异。
[0009]S4，对HSI数据通过光谱清洗卷积进行降噪，同时对高维的HSI数据进行降维处理，生成尺寸为C
×
H
×
W的降维特征图；
[0010]S5，将降维特征图通过注意力机制定位光谱空间位置信息，然后通过空间特征卷积对定位之后的光谱空间特征进行信息交互处理，使得空间卷积提取的特征趋于多样化，之后再经过一层注意力机制与空间特征卷积，最终得到特征二；
[0011]S6，将步骤S3得到的特征一与步骤S5得到的特征二进行ConCat多特征融合，输出分类结果。
[0012]进一步地，在SLIC分割算法进行像素特征到超像素特征的转换过程中，会产生一
个关联矩阵C∈R
HW
×
T
来记录像素聚类到超像素之中，其中H、W分别表示关联矩阵的高度和宽度，T表示分割成多少个超像素；定义像素与超像素之间的关系为：
[0013][0014]C
i,j
表示的是在空间位置(i，j)矩阵C的具体数值；
[0015]代表的是在空间位置第i个像素；
[0016]S
j
表示的在空间位置第j个是超像素；
[0017]表示经过归一化的X；
[0018]X表示HSI像素特征；
[0019]Flatten(.)表示将HSI数据空间像素扁平化；
[0020]之后在使用图编码器将关联矩阵C与HSI像素特征X进行编码新生成新的特征向量：
[0021][0022]Encoder(X；C)表示对X和C进行编码操作；
[0023]为矩阵的转置，表示的是对关联矩阵C进行归一化处理；
[0024]然后经过带有ARMA滤波器图卷积提取图节点中的特征，之后在使用图解器将图节点中的特征投影到空间维度之中：
[0025][0026]Decoder(V；C)表示对V和C进行解码操作；
[0027]Reshape(.)表示的是恢复扁平化的HSI数据；
[0028]V表示的是ARMA图卷积中的节点特征。
[0029]最后通过LDA投影降维与超像素分割算法SLIC，生成无向图数据G＝(V,E)，E表示的是图数据的边。
[0030]进一步地，所述通过ARMA图神经网络进行HSI图数据形式的特征提取，由此得到的图节点特征为：
[0031][0032]表示通过ARMA图神经网络得到的图节点特征；
[0033]K表示对K个1阶滤波器ARMA1叠加之后的图信号；
[0034]M表示M个需要叠加的邻接矩阵；
[0035]a
k
表示对k个1阶滤波器ARMA1叠加之后相关系数a；
[0036]b
k
表示对k个1阶滤波器ARMA1叠加之后相关系数b；
[0037]μ
m
表示第m个相邻矩阵的特征值；
[0038]u
m
表示对K个1阶滤波器ARMA1叠加之后第m个相邻矩阵的特征值；
[0039]为u
m
的矩阵转置。
[0040]进一步地，所述ARMA1滤波器通过迭代过程中得到新的图卷积层表示为：
[0041][0042]表示经过ARMA图神经网络滤波器t
‑
1时刻的图信号；
[0043]表示经过ARMA图神经网络滤波器t时刻的图信号；
[0044]σ表示激活函数；
[0045]表示修正之后的拉普拉斯矩阵；
[0046]W表示的是ARMA图神经网络滤波之后的权重；
[0047]V表示图节点特征；
[0048]U代表的是在训练过程需要学习的未滤波的权重。
[0049]进一步地，所述S3包括：
[0050]第i个通道位置HSI特征信息通过非线性特征转换映射特征后，表示为：
[0051][0052]表示第l层的神经网络第i个位置神经元处的位置信息；
[0053]表示第l
‑
1层的神经网络第i个位置神经元处的位置信息；
[0054]第l
‑
1层的神经网络第i个位置神经元处的权值系数；
[0055]表示第l
‑
1层神经网络第i个位置神经元处噪音的大小；
[0056]ψ表示激活函数LeakyReLU。
[0057]进一步地，所述对HSI数据通过光谱清洗卷积后，表示为：
[0058][0059]其中表示通过光谱清洗卷积后的HSI特征图；
[0060]ψ表示激活函数LeakyReLU；
[0061]表示输入第l
‑
1层在空间位置(i,j)的第c个通道的权重系数；
[0062]表示第l
‑
1层输入的高度为h，宽度为w，波段数为b的HSI特征图；
[0063]表示第l
‑
1层输入的高度为h，宽度为w本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GCN与CNN新型网络的小样本HSI分类方法，其特征在于，包括以下步骤：S1，对HSI数据采用线性判别分析LDA进行线性投影映射，再通过SLIC分割算法进行像素特征到超像素特征的转换；S2，对形成的超像素特征送入到图编码器中构成图数据形式，然后通过ARMA图神经网络进行HSI图数据形式的特征提取，再经过解码器解码出图数据特征；S3，将图数据特征进行非线性特征处理，得到特征一；S4，对HSI数据通过光谱清洗卷积进行降噪，同时对高维的HSI数据进行降维处理，生成降维特征图；S5，将降维特征图通过注意力机制定位光谱空间位置信息，然后通过空间特征卷积对定位之后的光谱空间特征进行信息交互处理，之后再经过一层注意力机制与空间特征卷积，最终得到特征二；S6，将步骤S3得到的特征一与步骤S5得到的特征二进行ConCat多特征融合，输出分类结果。2.根据权利要求1所述的一种基于GCN与CNN新型网络的小样本HSI分类方法，其特征在于，在SLIC分割算法进行像素特征到超像素特征的转换过程中，会产生一个关联矩阵C∈R
HW
×
T
来记录像素聚类到超像素之中，其中H、W分别表示关联矩阵的高度和宽度，T表示分割成多少个超像素；定义像素与超像素之间的关系为：C
i,j
表示的是在空间位置(i，j)矩阵C的具体数值；代表的是在空间位置第i个像素；S
j
表示的在空间位置第j个是超像素；表示经过归一化的X；X表示HSI像素特征；Flatten(.)表示将HSI数据空间像素扁平化；之后在使用图编码器将关联矩阵C与HSI像素特征X进行编码新生成新的特征向量：Encoder(X；C)表示对X和C进行编码操作；为矩阵的转置，表示的是对关联矩阵C进行归一化处理；然后经过带有ARMA滤波器图卷积提取图节点中的特征，之后在使用图解器将图节点中的特征投影到空间维度之中：Decoder(V；C)表示对V和C进行解码操作；Reshape(.)表示的是恢复扁平化的HSI数据；V表示的是ARMA图卷积中的节点特征；最后通过LDA投影降维与超像素分割算法SLIC，生成无向图数据G＝(V,E)，E表示的是图数据的边。
3.根据权利要求1所述的一种基于GCN与CNN新型网络的小样本HSI分类方法，其特征在于，所述通过ARMA图神经网络进行HSI图数据形式的特征提取，由此得到的图节点特征为：于，所述通过ARMA图神经网络进行HSI图数据形式的特征提取，由此得到的图节点特征为：表示通过ARMA图神经网络得到的图节点特征；K表示对K个1阶滤波器ARMA1叠加之后的图信号；M表示M个需要叠加的邻接矩阵；a
k
表示对k个1阶滤波器ARMA1叠加之后相关系数a；b
k
表示对k个1阶滤波器ARMA1叠加之后相关系数b；μ
m
表示第m个相邻矩阵的特征值；u
m
表示对K个1阶滤波器ARMA1叠加之后第m个相邻矩阵的特征值；为u
m
的矩阵转置。4.根据权利要求3所述的一种基于GCN与CNN新型网络的小样本HSI分类方法，其特征在于，所述ARMA1滤波器通过迭代过程中得到新的图卷积层表示为：滤波器通过迭代过程中得到新的图卷积层表示为：表示经过ARMA图神经网络滤波器t
‑
1时刻的图信号；表示经过ARMA图神经网络滤波器t时刻的图信号；σ表示激活函数；表示修正之后的拉普拉斯矩阵；W表示的是ARMA图神经网络滤波之后的权重；V表示图节点特征；U代表的是在训练过程需要学习的未滤波的权重。5.根据权利要求1所述的一种基于GCN与CNN新型网络的小样本HSI分类方法，其特征在于，所述S3包括：第i个通道位置HSI特征信息通过非线性特征转换映射特征后，表示为：通过非线性特征转换映射特征后，表示为：表示第l层的神经网络第i个位置神经元处的位置信息；表示第l
‑
1层的神经网络第i个位置神经元处的位置信息；第l
‑
1层的神经网络第i个位置神经元处的权值系数；表示第l
‑
1层神经网络第i个位置神经元处噪音的大小；ψ表示激活函数LeakyReLU。6.根据权利要求1所述的一种基于GCN与CNN新型网络的小样本HSI分类方法，其特征在于，所述对HSI数据通过光谱清洗卷积后，表示为：
其中表示通过光谱清洗...

【专利技术属性】
技术研发人员：杨静，孙杰，丁书杰，王一凡，麻兴江，李小勇，
申请(专利权)人：贵州大学，
类型：发明
国别省市：