[发明专利]一种结合图结构与卷积神经网络的高光谱分类方法

说明书

本发明涉及一种图结构与卷积神经相结合的高光谱图像分类方法。所述的卷积神经网络是可将三维分解为一维和二维卷积神经网络，超像素图网络是可用于后续的多尺度二维处理的超像素图网络；包括五大步骤：高光谱图像分割和光谱特征提取、基于图网络的多尺度特征提取、基于卷积神经网络的多尺度特征提取、特征融合和像素分类、损失函数和模型训练。与现有技术相比：本发明提供了一种新的多尺度融合网络及一种谱变换机制，可以提取基于多尺度超像素的图形特征和局部像素特征，利用一维提取图节点的谱特征；可抑制原始高光谱图像的噪声，提高图卷积神经网络对不同高光谱图像的适应性，提高分类精度，自动提取高光谱特征并完成分类。分类正确率达到93％以上。

技术领域

本发明涉及地理遥感技术领域，涉及一种图结构与卷积神经相结合的高光谱图像分类方法。

背景技术

从卫星或机载采集的高光谱图像包含数百个相邻波段，包含丰富的光谱-空间信息。由于高光谱的独特优势，可以在像素级区分土地覆盖类别，因此将每个像素分类为特定标签的高光谱分类引起了广泛关注。高光谱分类已应用于各个领域，如土地管理、环境监测、军事调查和农业评估。然而，高光谱高维度、标记训练样本不足和复杂的光谱噪声效应给高光谱分类带来了很大的困难，人们研究了各种方法来解决上述问题。N

在过去几十年中，各种机器学习分类方法已被用于高光谱分类。在早期阶段，光谱和空间信息通常是分开处理的，大多数分类器的都是在高维空间中分离光谱信息。例如，极限学习机(ELM)、逻辑回归和支持向量机(SVM)等分类方法。然而，这些方法通常侧重于光谱维度，而忽略了空间信息的分析，并且容易分类结果中产生了较大的误差或异常值。为了从高光谱图像中提取空间信息，已经提出了各种基于空间光谱的方法，例如形态轮廓(MP)和扩展的不均匀分布轮廓(EMAP)。此外，Gabor滤波器、小波、扩展形态轮廓滤波器和边缘保持滤波器都已应用于高光谱图像分类，用以提取高光谱图像的纹理特征。传统的机器学习方法为高光谱图像分类做出了巨大贡献。然而，上述方法都是经验性的，严重依赖专业知识，致使传统机器学习方法的鲁棒性和分类准确率低于深度学习方法，例如由Y.Cai,X.Liu,and Z.Cai发表在,BS-Nets:An End-to-End Framework for Band Selection ofHyperspectral Image,IEEE Geosci.Remote Sens.,vol.58,pp.1969-1984,2020一文中所披露的内容。与传统的特征提取技术相比，深度学习方法能够从标记数据中自动提取鲁棒的自适应深度特征。由于深度学习强大的特征学习能力，被广泛应用到各个领域。当然，深度学习在高光谱图像分类任务中也得到了很好的应用，并且表现出了优异的性能。例如，利用递归神经网络、堆叠自动编码器(SAE)和卷积神经网络(CNN)来提取高光谱图像的深层特征。在这些方法中，基于CNN的方法已成为高光谱图像分类最广泛采用的框架。此外，从一维CNN到三维CNN，从单一CNN到混合CNN，从高光谱图像中提取深度光谱空间特征的不同结构相继出现。然而，深度CNN方法面临着一些局限性。首先，深层CNN计算复杂，需要更高的计算能力。此外，由于对标记样本的需求，大多数CNN不适合使用有限的标记样本进行分类。最重要的是，上述深度学习方法是针对欧几里德数据设计的，而高光谱图像分类是高光谱图像覆盖类型之间的相关性容易被忽略，例如，由D.Hong,N.Yokoya,G.Xia,J.Chanussot,X.Zhu.发表在“X-ModalNet:A Semi-Supervised Deep Cross-Modal Network forClassification of Remote Sensing Data[J],”ISPRS J.Photogram.Remote Sens.,2020,167:12-23.一文中所披露的内容。因此，不管是传统机器学习方法还是深度学习中的卷积神经网络在高光谱分类中都面临一定的局限性。

发明内容

针对上述现有技术状况，本发明的目的在于，提供一种结合图结构与卷积神经网络的高光谱分类方法。

现将本发明方法构思及技术解决方案叙述如下：