【技术实现步骤摘要】
本专利技术涉及图像处理，具体为一种基于图神经网络与卷积网络的多源遥感图像分类方法。
技术介绍
1、多源遥感图像的分类问题是当前热门研究问题。该问题涉及到单传感器获取的数据或多或少存在样本数不足或信息错误等问题，以及多源遥感图像融合任务时存在着难以训练与收敛、网络结构不稳定、难以同时兼顾空间及光谱信息等缺点，从而导致分类结果不准确；在已经提出的图神经网络中对图像的超像素分割算法过于简单，并不能很好的进行超像素的划分以及边缘贴合度不高以及图神经网络中超像素分割算法导致的细节缺失问题。
2、综上所述，现有的分类技术无法满足当前多源遥感图像的精度更高的分类，故针对以上问题，本专利技术提出一种基于图神经网络与卷积网络融合的多源遥感图像分类方法。
技术实现思路
1、针对上述存在的技术不足，本专利技术的目的是提供一种基于图神经网络与卷积网络的多源遥感图像分类方法。
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、本专利技术提供基于图神经网络与卷积网络的多源遥感图像分类方法，其特征在于，包括：在基于多尺度细节注入改进生成对抗网络的多源遥感图像融合算法msdi-gan中，
4、步骤1，把原始单通道图像pan图像和上采样四通道ms图像进行叠加后获取的五通道的叠加图像输入生成器g；
5、步骤2，生成器g与空间鉴别器对抗，输入的真实数据是原始pan图像空间梯度信息，输入的虚假信息是g输出的高精度多光谱图像hrms；
6、g与
7、步骤3，利用多尺度细节注入思想深化g与、神经网络层数，并利用g不同神经网络层提取原始多源数据多尺度特征信息，并送入、对应的判别层；
8、步骤4，利用密集连接网络densenet优化g个卷积层之间的连接；
9、步骤5，将msdi-gan输出的hrms图像作为基于超像素分割的图卷积网络与增添注意力机制的卷积网络特征融合的多光谱图像分类网络fcgn输入信息；
10、步骤6，把输入进来的hrms图像先使用降维去噪模块进行处理；
11、步骤7，经过降维去噪模块后，处理后的hrms图像分别进入超像素分割的图卷积网络gcn分支和增添注意力机制的卷积网络cnn分支；
12、步骤8，进入gcn后，应用基于球簇聚类的超像素分割迭代算法；
13、步骤9，依据超像素的空间连接关系将整幅图像构建为图结构；
14、步骤10，构建两个图注意层gat来对关系特征进行提取；
15、步骤11，在网络中添加残差结构；
16、步骤12，输出超像素的图卷积网络分类图；
17、步骤13，进入cnn分支后，该cnn分支中引入了深度可分离卷积来减少参数，且加入了注意力机制从而突出重要特征，忽略不重要特征，最后输出图像；
18、步骤14，将gcn分支和cnn分支输出的特征采用add方法进行融合；
19、步骤15，融合过后使用softmax函数得到每个像素的概率分布，其中，最大值则为预测标签。
20、进一步地，所述步骤10中gat是通过注意力机制进行结点特征的聚合进而完成卷积操作，具体操作如下：
21、首先使用注意力机制计算节点之间的关联度，计算公式如下：
22、；
23、其中，表示注意力系数，即节点之间的关联度，表示节点的邻域，表示节点特征，f表示节点特征的通道数，表示可学习的线性变换矩阵，表示注意力机制，表示拼接，权重向量为可学习参数；
24、然后，使用softmax函数对所有的注意力系数进行归一化，便于不同节点间的注意力系数比较，其每个节点的输出为下式所示：
25、；
26、最后，gat采用多头注意力的方法来提高gat的稳定性和表达能力，即用多组全连接层计算k组注意力系数，然后，通过特征拼接或平均的操作更新目标节点的特征，计算公式如下：
27、；
28、其中，表示第k次得到的归一化注意力系数，表示第k次的线性变换矩阵，本网络中多头数为5。
29、本专利技术的有益效果在于：本专利技术方法解决了单传感器获取的数据存在样本数不足或信息错误的问题，以及简单的超像素分割算法导致的细节缺失问题，使该网络分类的结果更准确；该网络能够自适应地学习和识别不同种类的多光谱遥感图像，具有较强的自适应性；该网络采用深度学习算法，能够快速处理大量的多光谱遥感图像数据，具有高效的性能。
本文档来自技高网...【技术保护点】
1.基于图神经网络与卷积网络的多源遥感图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络与卷积网络的多源遥感图像分类方法，其特征在于，所述步骤10中GAT是通过注意力机制进行结点特征的聚合进而完成卷积操作，具体操作如下：
【技术特征摘要】
1.基于图神经网络与卷积网络的多源遥感图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络与卷积...
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。