一种基于图神经网络的热红外高光谱数据波段选择方法技术

本发明专利技术属于图像处理技术领域，涉及一种基于图神经网络的热红外高光谱数据波段选择方法。该方法通过构建图神经网络模型，生成波段权重矩阵，使用激活函数过滤掉权重较小的波段，将过滤后的权重矩阵与波段矩阵相乘然后使用多层感知机进行回归计算，以回归值与参考温度值的均方根误差为损失值，利用反向传播算法更新图神经网络模型的参数直至模型收敛，通过更新后的图神经网络模型实现对高光谱数据实现高效波段选择，从而显著提高高光谱数据的回归准确率和效率。归准确率和效率。归准确率和效率。

【技术实现步骤摘要】
一种基于图神经网络的热红外高光谱数据波段选择方法


[0001]本专利技术涉及图像处理
，具体而言，涉及一种基于图神经网络的热红外高光谱数据波段选择方法。

技术介绍

[0002]随着遥感技术的发展，大气红外线探测仪、红外大气探空干涉仪、热空气高光谱成像仪等多种高光谱热红外传感器被开发出来，可同时获取数十甚至数千个通道的数据。由于热红外波段高光谱数据有着丰富的信道信息，存在不需要额外输入的情况下同时估算地表和大气参数的可能，包括地表温度、发射率、大气透过率、上行辐射和下行辐射。在此基础上利用神经网络方法对数据具有强大拟合能力的特点，可以拟合出星上热辐射能与地表和大气参数之间的非线性关系，进而估计地表和大气参数。
[0003]但是高光谱传感器在得到更为细致的数据的同时也带来了大量的冗余数据，其庞大的数据量也使得为多光谱图像设计的常用图像处理算法效果并不理想。特别是高光谱数据的高维度带来了“维度灾难”的问题，即在固定的、少量的训练样本下，随着高光谱数据的维度增加，高光谱数据的回归准确率降低，因此需要对高光谱数据进行波段选择。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种基于图神经网络的热红外高光谱数据波段选择方法，包括：
[0005]将各个波段的高光谱数据转换为图的数据结构；
[0006]建立图卷积神经网络与图注意力网络的图神经网络模型；
[0007]使用所述图神经网络模型对各个波段的所述高光谱数据进行加权生成权重矩阵；
[0008]根据所述权重矩阵对各个波段的所述高光谱数据进行选择，得到初始波段的所述高光谱数据；
[0009]根据初始波段的所述高光谱数据，使用多层感知机进行地表温度回归，得到目标地表温度数据；
[0010]建立模拟数据集，获取参考地表温度；
[0011]根据所述参考地表温度，计算所述目标地表温度数据的误差，确定所述图神经网络模型的损失值；
[0012]利用所述图神经网络模型的损失值，使用反向传播算法更新所述图神经网络模型的参数，直至所述图神经网络模型收敛；
[0013]获取热红外高光谱数据并将所述热红外高光谱数据中各个波段的高光谱数据转换为图的数据结构输入至所述图神经网络模型，得到目标波段的所述高光谱数据。
[0014]本专利技术的有益效果是：本专利技术通过构建图神经网络模型，生成波段权重矩阵，使用激活函数过滤掉权重较小的波段，将过滤后的权重矩阵与波段矩阵相乘然后使用多层感知机进行回归计算，以回归值与参考温度值的均方根误差为损失值，利用反向传播算法更新
图神经网络模型的参数直至模型收敛，通过更新后的图神经网络模型实现对高光谱数据进行高效波段选择，从而显著提高高光谱数据的回归准确率和效率。
[0015]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0016]进一步，建立图卷积神经网络，包括：
[0017]采用若干个图卷积层、若干个全连接层与一个第一激活函数作为所述图卷积神经网络模型的基础结构，通过所述图卷积层与所述全连接层获取图中节点信息，使用所述第一激活函数将权重值映射至设定范围内。
[0018]进一步，建立图注意力神经网络，包括：
[0019]使用若干个注意力卷积层与一个第二激活函数构建初始图注意力神经网络，在所述初始图注意力神经网络的第一层注意力机制中计算注意力系数，对数据进行升维；
[0020]在所述初始图注意力神经网络的第二层注意力机制中，设置第二输出通道，计算注意力系数，在所述第二输出通道将数据重新降维，使用第三激活函数对权重进行重新映射；
[0021]使用第三激活函数对权重值进行重新映射，得到所述图注意力神经网络。
[0022]进一步，所述第二激活函数与所述第三激活函数均为Tanh激活函数。
[0023]进一步，所述图神经网络模型还包括滤波器结构，滤波器结构对所述图卷积神经网络的输出和所述图注意力网络的输出进行加权求和，使用ReLU函数令权重小于设定值的波段失活，得到初始波段的所述高光谱数据。
[0024]进一步，根据所述权重矩阵对各个波段的所述高光谱数据进行选择，得到初始波段的所述高光谱数据，包括：根据各个波段的权重值进行波段选择，使用激活函数对选择的波段的所述权重矩阵进行过滤，令权重值低于设定阈值的波段的所述高光谱数据所代表的神经元失活，得到初始波段的所述高光谱数据。
[0025]进一步，根据所述参考地表温度，计算所述目标地表温度数据的误差，确定所述图神经网络模型的损失值，包括：
[0026]将所述目标地表温度数据与所述参考地表温度进行对比，计算所述目标地表温度数据与所述参考地表温度的均方根误差作为所述图神经网络模型的损失值。
[0027]进一步，建立模拟数据集，获取参考地表温度，包括：
[0028]从波谱数据库筛选地物类型数据，从TIGR热力学数据库中获取大气廓线数据；
[0029]根据所述地物类型数据与所述大气廓线数据输入MODTRAN大气传输模型计算辐射参数，确定地物反射率；
[0030]将所述地物反射率转换为地物发射率；
[0031]根据所述地物发射率计算出地表覆盖的辐亮度并进行温度反演，得到地表温度数据作为所述参考地表温度；
[0032]以所述辐亮度为特征，所述地表温度数据为标签建立数据集。
附图说明
[0033]图1为本专利技术实施例1提供的一种基于图神经网络的热红外高光谱数据波段选择方法的流程图。
具体实施方式
[0034]为使本专利技术实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0035]作为一个实施例，如附图1所示，为解决上述技术问题，本实施例提供一种基于图神经网络的热红外高光谱数据波段选择方法，包括：
[0036]将各个波段的高光谱数据转换为图的数据结构；
[0037]建立图卷积神经网络与图注意力网络的图神经网络模型；
[0038]使用图神经网络模型对各个波段的高光谱数据进行加权生成权重矩阵；
[0039]根据权重矩阵对各个波段的高光谱数据进行选择，得到初始波段的高光谱数据；
[0040]根据初始波段的高光谱数据，使用多层感知机进行地表温度回归，得到目标地表温度数据；
[0041]建立模拟数据集，获取参考地表温度；
[0042]根据参考地表温度，计算目标地表温度数据的误差，确定图神经网络模型的损失值；
[0043]利用图神经网络模型的损失值，使用反向传播算法更新图神经网络模型的参数，直至图神经网络模型收敛；
[0044]获取热红外高光谱数据并将热红外高光谱数据中各个波段的高光谱数据转换为图的数据结构输入至图神经网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的热红外高光谱数据波段选择方法，其特征在于，包括：将各个波段的高光谱数据转换为图的数据结构；建立图卷积神经网络与图注意力网络的图神经网络模型；使用所述图神经网络模型对各个波段的所述高光谱数据进行加权生成权重矩阵；根据所述权重矩阵对各个波段的所述高光谱数据进行选择，得到初始波段的所述高光谱数据；根据初始波段的所述高光谱数据，使用多层感知机进行地表温度回归，得到目标地表温度数据；建立模拟数据集，获取参考地表温度；根据所述参考地表温度，计算所述目标地表温度数据的误差，确定所述图神经网络模型的损失值；利用所述图神经网络模型的损失值，使用反向传播算法更新所述图神经网络模型的参数，直至所述图神经网络模型收敛；获取热红外高光谱数据并将所述热红外高光谱数据中各个波段的高光谱数据转换为图的数据结构输入至所述图神经网络模型，得到目标波段的所述高光谱数据。2.根据权利要求1所述一种基于图神经网络的热红外高光谱数据波段选择方法，其特征在于，建立图卷积神经网络，包括：采用若干个图卷积层、若干个全连接层与一个第一激活函数作为所述图卷积神经网络模型的基础结构，通过所述图卷积层与所述全连接层获取图中节点信息，使用所述第一激活函数将权重值映射至设定范围内。3.根据权利要求1所述一种基于图神经网络的热红外高光谱数据波段选择方法，其特征在于，建立图注意力神经网络，包括：使用若干个注意力卷积层与一个第二激活函数构建初始图注意力神经网络，在所述初始图注意力神经网络的第一层注意力机制中计算注意力系数，对数据进行升维；在所述初始图注意力神经网络的第二层注意力机制中，设置第二输出通道，计算注意力系数，在所述第二输出通道将数据重新降维，使用第三激活函数对权重进行重新映射；使用第三激活函数对权重值进行重新映射，得到所述图注意力神经网络。4.根据权利要求3...

【专利技术属性】
技术研发人员：赵恩宇，屈年鑫，王玉磊，宋梅萍，高彩霞，段四波，
申请(专利权)人：中国科学院空天信息创新研究院中国农业科学院农业资源与农业区划研究所，
类型：发明
国别省市：