【技术实现步骤摘要】
基于图卷积神经网络的高光谱目标检测方法
[0001]本专利技术属于图像处理
,更进一步涉及图像目标检测
中的一种基于图卷积神经网络的高光谱目标检测方法。可用于社会安全、食品安全等领域。
技术介绍
[0002]高光谱图像不同于包含红、绿、蓝三个波段的自然图像,其包含了更多波段的能量信息,且具有高分辨率,因此包含着丰富的空间信息、光谱信息。且由于不同的光谱信息反映不同的物质类型,因此结合光谱特征可以大大提高对目标和背景的检测精度,例如检测衣物表面附着的毒品、火药,检测附着在食品上的化学药品残留等,因此使用高光谱图像进行目标检测在社会安全、食品安全等方面具有重大意义。
[0003]由于高光谱图像包含远超自然图像的信息量,使用机器学习的方法进行高光谱目标检测也是当前备受关注的热点,基于机器学习强大的特征提取能力,可以较好地提取出高光谱图像中丰富的光谱信息,再利用其与已知的光谱向量的相似度区分目标向量与背景向量,从而完成目标检测。然而丰富的空间信息和光谱信息也带来了众多冗余信息的干扰,导致特征提取的复杂度变高,成为影响高光谱图像目标检测精度的重要因素。
[0004]2022年5月13日,申请公布号为CN115115933A,名称为“基于自监督对比学习的高光谱图像目标检测方法”的专利申请,公开了一种基于自监督对比学习的高光谱图像目标检测方法,该方法首先对待检测的高光谱图像进行奇偶波段采样,然后将得到的奇偶波段高光谱图像用于训练相应的对抗卷积自编码器,将训练好的编码器的特征提取部分作为数据增强函数用于数
【技术保护点】
【技术特征摘要】
1.一种基于图卷积神经网络的高光谱目标检测方法,其特征在于,包括如下步骤:(1)获取训练样本集和测试样本集:(1a)获取包含M
×
N个光谱向量且每个光谱向量包含L个波段的维度为M
×
N
×
L的高光谱图像I、每个光谱向量对应的真实标签,以及与高光谱图像I包含的待检测目标光谱向量相似的真实光谱向量d,并利用真实光谱向量d对高光谱图像I进行预处理,得到包含M
×
N个光谱向量的维度为(M
×
N)
×
L的光谱向量矩阵X以及维度为M
×
N的伪标签矩阵y
l
,其中,M≥100,N≥100,L≥200;(1b)将从二维矩阵X中随机选取的C个光谱向量及y
l
中每个光谱向量对应的伪标签构成训练样本集,将二维矩阵X中M
×
N个光谱向量及其对应的真实标签构成测试样本集,100≤C<M
×
N;(2)构建图卷积神经网络H:构建包括依次连接的图卷积层、特征提取子网络W和判决器的图卷积神经网络H;其中,特征提取子网络W包括多个顺次连接的复合层和一个激活层,复合层包括顺次连接的特征映射层和归一化层;(3)对图卷积神经网络H进行迭代训练:(3a)初始化迭代次数为t,最大迭代次数为T,T≥200,当前图卷积神经网络H
t
的权值为ω
t
,并令t=1;(3b)将训练样本集作为图卷积神经网络H的输入,图卷积层对每个训练样本进行图嵌入表示,得到维度为C
×
L的包含每个样本特征的特征矩阵G;特征提取子网络W对特征矩阵G中每个样本特征进行特征映射,得到包含每个训练样本检测概率的检测概率矩阵Y,判决器对矩阵Y中的每个检测概率进行判决,得到C个检测结果;(3c)采用交叉熵损失函数,通过检测概率矩阵Y中每个训练样本对应的检测概率及伪标签矩阵y
l
中每个训练样本对应的伪标签计算W
t
的损失值Loss
t
,并通过损失值Loss
t
对特征提取子网络W
t
的权值ω
t
进行更新,得到本次迭代后的图卷积神经网络H
t
;(3d)判断t=T是否成立,若是,得到训练好的图卷积神经网络H
*
,否则,令t=t+1,H
t
=H,并执行步骤(3b);(4)获取高光谱目标检测结果:(4a)将测试样本集作为训练好的图卷积神经网络H
*
的输入进行前向传播,得到M
×
N个检测结果;(4b)将每个检测结果以其所对应的光谱向量在待检测高光谱图像I中所在的行为横坐标、以所在列为纵坐标,得到维度为M
×
N的目标检测的预测图Y
out
。2.根据权利要求1所述的基于图卷积神经网络的高光谱目标检测方法,其特征在于,步骤(1a)中所述的利用真实光谱向量d对高光谱图像I进行预处理,实现步骤为:(1a1)以高光谱图像I所包含的M
×
N个光谱向量为行,以每个光谱向量包含的L个波段为列,构建维度为...
【专利技术属性】
技术研发人员:雷杰,王澳,钟佳平,谢卫莹,李云松,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。