一种监督的高光谱多尺度图卷积分类方法技术

本发明专利技术涉及高光谱遥感智能信息处理领域，即采用多尺度的图卷积神经网络以监督的方式实现高光谱图像场景内地表覆盖的精细分类，更具体地说，本发明专利技术涉及一种监督的高光谱多尺度图卷积分类方法。本发明专利技术针对高维非线性的高光谱数据结构，通过构建全局、局部和光谱指数邻接矩阵，将少量的已知样本信息监督地用于训练多尺度的图卷积神经网络，可以使图卷积神经网络有效地适应高光谱图数据进行特征学习和标签预测，从而有助于增强高光谱数据非线性特征的图表达能力和提高地表覆盖分类识别的精度。

【技术实现步骤摘要】
一种监督的高光谱多尺度图卷积分类方法
本专利技术涉及高光谱遥感智能信息处理领域，即融合多模态特征数据并采用标准的监督学习方式训练设计的多尺度图卷积神经网络实现高光谱图像分类，具体而言，涉及一种监督的高光谱多尺度图卷积分类方法。
技术介绍
高光谱数据具有“图谱合一”的特性，包含高分辨率的空间和光谱信息以及丰富的电磁光谱与辐射特征，优势在于光谱分辨率较高，对地要素观测的敏感性也高，对于精细的地表覆盖分类具有较强的优势，随之使得高光谱智能信息处理与分析领域存在诸多挑战。高光谱图像的获取和信息处理是高维信号获取和表征的过程，无论空间域还是光谱域都存在强相关性，需要适应非线性特征表达的图表征学习方法，以提高高光谱图像分类的性能。卷积神经网络具有优异的特征抽象表达能力，已知能实现高光谱图像场景内地表覆盖的精细分类，多用于规则的格网数据表征和分析，但无法建模样本间的固有拓扑关系，也无法刻画局部区域中的对象分布与几何特性，例如类别边界。图卷积网络分类方法作为深度卷积网络的扩展，虽可以拓展传统的卷积神经网络高效地处理以图结构表示的非规则结构数据，但由于图结构数据包含节点本身的属性及其与相邻节点的拓扑关系，往往涉及如何构建邻接矩阵，以将高维的高光谱数据转换成图结构的关系数据。特别是，现有的图卷积分类方法多将高光谱图像作为整个图作为输入，只利用光谱特征，不仅计算代价大，也没有考虑高光谱数据中内嵌的局部空间结构信息，并且其图表征学习过程不符合标准的半监督或监督学习关于样本的独立同分布假设。
技术实现思路
鉴于此，本专利技术的目的在于提供一种监督的高光谱多尺度图卷积分类方法，使用图结构编码高维非线性的高光谱结构数据，将规则域的高光谱数据迁移到低维的不规则域，然后采用全局和局部感知的多尺度图卷积滤波有效地处理高光谱图数据，相比于现有技术，具有更低的计算代价和学习复杂性。为了实现上述目的，本专利技术实施例采用的技术方案如下。本专利技术实施例提供了一种监督的高光谱多尺度图卷积分类方法，包括以下步骤：获取高光谱图像数据其中R为域空间，w为图像宽度，h为图像高度，l为光谱通道数；对所述高光谱图像数据进行非监督的特征约简，并进行采样，得到多尺度的高光谱立方体数据集其中K为样本总数；由所述高光谱图像数据导出多通道光谱指数产品集合其中J为采用的光谱指数的个数；根据所述高光谱图像数据高光谱立方体数据集和多通道光谱指数产品集合生成多模态多尺度的衍生数据{H,C,I}；根据所述衍生数据{H,C,I}，采用基于距离量度的非监督聚类构建全局和局部的邻接图矩阵{AH,AC,AI}；联合所述衍生数据{H,C,I}和邻接图矩阵{AH,AC,AI}，以监督的方式训练设计的多尺度图神经网络架构，通过最小化训练损失，得到最优的模型权重；通过监督地训练GCN得到最小化损失函数的权重矩阵W和偏置矩阵b，并预测样本属于所有类别的概率N代表类别的个数，取最大预测概率MAX(pi)对应的类别作为最终分类标签分配给未标注的样本。进一步地，所述非监督的特征约简的方法为主成分分析法。进一步地，所述采样按照3、5、7和11个像素的图块大小进行。进一步地，由所述高光谱图像数据导出多通道光谱指数产品集合具体为：根据归一化植被指数(NDVI)、归一化水体指数(NDWI)和归一化建筑物指数(NDBI)对所述高光谱图像数据进行波段代数计算，并进一步堆叠得到多通道光谱指数产品集合进一步地，所述距离量度是指邻接图的矩阵元素采用L2范式的马氏距离(也称欧氏距离)作为距离量度指标；其中，C是特征向量x的维数，i表示所在行，j表示所在列。进一步地，所述GCN采用指数线性单元作为激活函数，并采用稀疏交叉熵损失函数处理非one-hot编码的数字编码标签。本专利技术的有益效果在于，本专利技术实施例提供的方法采用多模态的特征数据构建多种多尺度的邻接图矩阵，利用少量的已知样本信息，以标准监督的方式训练多尺度图卷积神经网络，学习复杂图结构数据中包含的节点的属性及其与相邻节点的拓扑关系，更为有效地刻画局部区域中的对象分布与空间纹理细节。与传统的基于深度卷积网络的高光谱数据分类方法相比，本专利技术方法具有更优异的分类性能，能够获得更高质量的分类图，有助于增强非线性特征的图表达能力和提高地表覆盖分类识别的精度。顾及高光谱高维的非线性数据结构、图神经网络优异的图表征学习能力，本专利技术基于局部光谱滤波的监督训练学习对高光谱数据进行分类识别，能有效利用空间拓扑特征信息，同时能刻画类别边缘和空间纹理细节，也可以强化类内相似性分析，并具有很好的抗噪能力。本专利技术采用的光谱指数主要包括常见的归一化植被指数、归一化水体指数和归一化建筑物指数，以上指数可分别提高植被、水体和人造特征，抑制其他地表覆被的干扰，可增强相应地物信息，从而实现更好的分类提取效果。为使本专利技术的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过附图所示，本专利技术的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本专利技术的主旨。图1示出本专利技术实施例提供的一种监督的高光谱多尺度图卷积分类方法的流程图。图2示出本专利技术实施例提供的一种监督的高光谱多尺度图卷积分类方法的示意图。图3示出本专利技术实施例提供的一种监督的高光谱多尺度图卷积分类方法的总体框架示意图。具体实施方式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、完整的描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。鉴于现有技术中亟需一种既能够监督地学习非规则的图结构数据，且能够同时建模多尺度特征拓扑关系和刻画类别边界信息的方法，本专利技术人构思出一种监督的高光谱多尺度图卷积分类方法。在该方法中，采用多模态的约简特征构建多种多尺度的邻接图矩阵，利用少量的已知样本信息(每个类别选择30-60个样本)，以监督的方式训练多尺度图卷积神经网络(GraphConvolutionalNeuralNetwork，GCN)，学习复杂图结构数据中包含的节点的属性及其与相邻节点的拓扑关系，更为有效地刻画局部区域中的对象分布与空间纹理细节。与传统的基于深度卷积网络的高光谱数据分类方法相比，本专利技术方法具有更优异的分类性能，能够获得更高质量的分类图，有助于增强非线性特征的图表达能力和提高地表覆盖分类识别的精度。图1-2示出了本专利技术实施例提供的一种监督的高光谱多尺度图卷积分类方法的流程本文档来自技高网...

【技术保护点】
1.一种监督的高光谱多尺度图卷积分类方法，包括以下步骤：/n获取高光谱图像数据

【技术特征摘要】
1.一种监督的高光谱多尺度图卷积分类方法，包括以下步骤：
获取高光谱图像数据其中R为域空间，w为图像宽度，h为图像高度，l为光谱通道数；
对所述高光谱图像数据进行非监督的特征约简，并进行采样，得到多尺度的高光谱立方体数据集其中K为样本总数；
由所述高光谱图像数据导出多通道光谱指数产品集合其中J为采用的光谱指数的个数；
根据所述高光谱图像数据高光谱立方体数据集和多通道光谱指数产品集合生成多模态多尺度的衍生数据{H,C,I}；
根据所述衍生数据{H,C,I}，采用基于距离量度的非监督聚类构建全局和局部的邻接图矩阵{AH,AC,AI}；
联合所述衍生数据{H,C,I}和邻接图矩阵{AH,AC,AI}，以监督的方式训练设计的多尺度图神经网络架构，通过最小化训练损失，得到最优的模型权重；
通过监督地训练GCN得到最小化损失函数的权重矩阵W和偏置矩阵b，并预测样本属于所有类别的概率N代表类别的个数，取最大预测概率MAX(pi)对应的...

【专利技术属性】
技术研发人员：蒲生亮，宋逸宁，陈英瑶，李亚婷，谢小伟，许光煜，余美，常永雷，黄端，王维，刘贤三，叶发茂，何海清，刘波，聂运菊，夏元平，
申请(专利权)人：东华理工大学，
类型：发明
国别省市：江西;36