基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法技术

本发明专利技术公开了一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，属于图像分类技术领域，该方法构建了多尺度超像素模块，利用节点聚合操作，在多个尺度上构建不同的图，不仅可以减轻大图带来的计算负担，而且可以从不同角度描述类别边缘区域，提高边缘分类的准确性；构建了端到端的图卷积残差网络模块，能够更深入地挖掘了数据的潜在特征；设计了一个minibatch方案的图卷积残差网络以进一步考虑计算成本，并且加快网络收敛。基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，根据不同尺度的超像素信息，探讨了不同区域的特征结构，增强了模型空谱特征的提取，与其他方法相比，精确度更高，性能更加稳健。加稳健。

【技术实现步骤摘要】
基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法


[0001]本专利技术属于图像分类
，具体涉及一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法。

技术介绍

[0002]近年来,在高光谱图像分类领域，为了更好的利用数据之间的关系图，图像卷积网络吸引了越来越多的关注。然而,大多数现有基于图卷积的方法有两个主要缺点：一方面,使用全部的像素节点构造的结构图，会导致像素级节点的差异性趋于平滑，失去潜在的空间信息；并且会消耗较高的计算成本,因为像素级节点的结构图尺寸大小是灾难级别的。另一方面,没有探索出较好的邻接关系特征来表示隐藏在高光谱图像中的空谱关系。为此，提出了一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法。

技术实现思路

[0003]为解决上述问题，本专利技术提供了一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，所述方法包括步骤：
[0004](1)构建多尺度超像素模块
[0005](1a)对原始数据集进行主成分分析生成实验数据，提取实验数据第一维度特征进行多尺度超像素分割，生成多个尺度的超像素信息，尺度越大表示分割后超像素数量越多；
[0006](1b)将实验数据和标签数据划分为训练集和测试集；
[0007](2)构建节点聚合模块
[0008](2a)输入训练集，将同尺度下处于相同超像素块内的像素节点进行聚合操作，生成一个节点级特征；其他超像素块操作相同，最后生成的节点级特征数量与超像素块数量一致。其他尺度的聚合操作也相同，换言之多个尺度的超像素信息对应生成多个尺度的节点级特征；
[0009](2b)根据节点级特征构造邻接矩阵，准备好每个尺度的节点级特征和邻接矩阵作为网络输入；
[0010](3)构建多尺度图卷积残差网络模块
[0011](3a)为每个尺度构造一个图卷积残差网络分支，该网络由三层GCRN组成，GCRN包含图卷积模块和残差项两部分组成，图卷积模块由BN层、GCN层、BN层和RELU层相连而成，残差项是将第一个BN层的输入与RELU层的输出在特征维度进行拼接操作；其中最大尺度不同于其他尺度，采用minibatch方法构建图卷积残差网络，采用小批量策略，每次只输入部分样本和对应的子邻接矩阵；将不同尺度的节点级特征和邻接矩阵输入到对应的网络分支中，得到网络输出特征；
[0012](3b)对网络输出特征进行扩散操作，还原到聚合前的维度大小，生成像素级特征，再将每个尺度的像素级特征合并成一个最终用于分类的特征；
[0013](3c)将用于分类的特征送入softmax分类模块进行分类，得到预测标签；
[0014](4)构建以交叉熵函数为基础的损失函数计算损失值，进行网络训练，直至损失值最小，网络收敛；
[0015](5)将测试集传入节点聚合模块，在通过图卷积残差网络模块，得到分类结果，计算分类精度；
[0016]优选地，所述主成分分析步骤为：
[0017](1)对数据集X＝{x1,x2,...,x
n
}去中心化，即每维特征减去各自的平均值。
[0018](2)计算协方差矩阵C＝(1/n
‑
1)X
T
X。
[0019](3)特征值分解方法求协方差矩阵的特征值与特征向量。
[0020](4)按照特征值大小排列特征向量组成特征向量矩阵P。
[0021](5)特征提取X
pca
＝PX。
[0022]优选地，所述多尺度超像素分割是使用ERS超像素分割算法对数据进行分割，通过改变生成超像素的数量来生成多个尺度的超像素。
[0023]优选地，所述节点聚合模块是指，将超像素划分的同质区域内的像素点聚合成一个节点级特征，其聚合操作表达式为：
[0024][0025]其中，X
pca
是经过主成分分析后的数据。λ
i
表示在第p个超像素区域r
p
中第i个像素的权重，即X
pca
(r
p
(i))的权重，其表达式为：
[0026][0027]其中，表示第p个超像素区域内的样本均值。
[0028]优选地，所述邻接矩阵的表达式为：
[0029][0030]其中，v
i
表示第i个节点，τ是控制参数。
[0031]优选地，所述卷积残差网络模块由三层GCRN组成，GCRN的表达式为：
[0032][0033]其中，RELU(
·
)和BN(
·
)表示激活函数和批量归一化，W
(l)
和b
(l)
表示第l层可学习的参数。R
(l)
表示第l层的残差项，其表达式为：
[0034][0035]其中，d(
·
)表示潜在特征维度，W
R(l)
和b
R(l)
表示可学习的参数。
[0036]优选地，所述minibatch方法构建图卷积残差网络，与上述卷积残差网络模块区别
在于，第一：训练方式采用minibatch的方式，每次取部分样本特征和对应部分的子图进行分批训练，直至全部样本被取出，表达式为；
[0037][0038][0039]其中，H
s(l)
表示第l层s批的输入，A
(mb)s
表示第s批子图的邻接矩阵，H
(l+1)
表示所有批量训练完后的最终输出，N/m表示子图数量，m是批量大小。
[0040]第二：该分支邻接矩阵构造方式表达式为：
[0041][0042]其中，U
Vi
表示与样本特征Vi相邻的集合。
[0043]优选地，所述扩散操作是节点聚合的逆向操作，将同一超像素区域内的特征复制成对应的节点级特征，生成像素级特征。扩散操作表达式为：
[0044]X
pca
(r
p
(i))＝V
p
[0045]优选地，所述像素级特征合并操作表达式为：
[0046][0047]其中，M表示尺度的个数。
[0048]优选地，所述损失函数表达式为：
[0049][0050]其中，N表示样本个数，C表示类别个数，y
i,c
和p
i,c
表示样本的标签值和预测值。M表示尺度个数，l表示网络层数。
[0051]本专利技术提供的一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，具有以下优势：
[0052](1)在多尺度超像素模块下，通过节点聚合模块在多个尺度上构建不同的图，不仅可以减轻大图像带来的计算负担，而且可以从不同角度描述类别边缘区域，提高边缘分类的准确性；
[0053](2)为了使网络模块可堆叠，解决网络退化的问题，我们引入了残差网络的思想，构建了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述方法包括步骤：(1)构建多尺度超像素模块(1a)对原始数据集进行主成分分析生成实验数据，提取实验数据第一维度特征进行多尺度超像素分割，生成多个尺度的超像素信息，尺度越大表示分割后超像素数量越多；(1b)将实验数据和标签数据划分为训练集和测试集；(2)构建节点聚合模块(2a)输入训练集，将同尺度下处于相同超像素块内的像素节点进行聚合操作，生成一个节点级特征；其他超像素块操作相同，最后生成的节点级特征数量与超像素块数量一致。其他尺度的聚合操作也相同，换言之多个尺度的超像素信息对应生成多个尺度的节点级特征；(2b)根据节点级特征构造邻接矩阵，准备好每个尺度的节点级特征和邻接矩阵作为网络输入；(3)构建多尺度图卷积残差网络模块(3a)为每个尺度构造一个图卷积残差网络分支，该网络由三层GCRN组成，GCRN包含图卷积模块和残差项两部分组成，图卷积模块由BN层、GCN层、BN层和RELU层相连而成，残差项是将第一个BN层的输入与RELU层的输出在特征维度进行拼接操作；其中最大尺度不同于其他尺度，采用minibatch方法构建图卷积残差网络，采用小批量策略，每次只输入部分样本和对应的子邻接矩阵；将不同尺度的节点级特征和邻接矩阵输入到对应的网络分支中，得到网络输出特征；(3b)对网络输出特征进行扩散操作，还原到聚合前的维度大小，生成像素级特征，再将每个尺度的像素级特征合并成一个最终用于分类的特征；(3c)将用于分类的特征送入softmax分类模块进行分类，得到预测标签；(4)构建以交叉熵函数为基础的损失函数计算损失值，进行网络训练，直至损失值最小，网络收敛；(5)将测试集传入节点聚合模块，在通过图卷积残差网络模块，得到分类结果，计算分类精度。2.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述主成分分析步骤为：(1)对数据集X＝{x1,x2,...,x
n
}去中心化，即每维特征减去各自的平均值。(2)计算协方差矩阵C＝(1/n
‑
1)X
T
X。(3)特征值分解方法求协方差矩阵的特征值与特征向量。(4)按照特征值大小排列特征向量组成特征向量矩阵P。(5)特征提取X
pca
＝PX。3.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述多尺度超像素分割是使用ERS超像素分割算法对数据进行分割，通过改变生成超像素的数量来生成多个尺度的超像素。4.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述节点聚合操作是指，将超像素划分的同质区域内的像素点聚合成
一个节点级特征，其聚合操作表达式为：其中，X
pca
是经过主成分分析后的数据。λ
i
表示在第p个超像素区域r
p
中第i个像素的权重，即X
pca

【专利技术属性】
技术研发人员：李骜，孙悦恭，王泽宁，程媛，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：