【技术实现步骤摘要】
本专利技术属于遥感图像处理，涉及一种高光谱遥感图像分类方法，尤其涉及一种基于非监督多视角图对比学习的高光谱遥感图像分类方法、设备及软件产品。
技术介绍
1、高光谱遥感图像处理在物质信息探测方面有着重要的地位，是遥感领域的重要课题。高光谱遥感图像能提供连续的辐射光谱波段，承载着丰富的地物信息，能用于处理不同的应用领域，如房屋的变化检测、农作物评估、地质矿产资源调查等(文献1、2、3)。高光谱遥感图像处理领域中，分类问题是其中的一个主要任务，所谓高光谱影像分类即为确定每个高光谱影像像素点的类别。现有分类方法主要是基于卷积神经网络的方法研究，即使用卷积神经网络模型进行端到端的影像分类。
2、图卷积神经网络作为一种深度学习模型(文献4、5)，已经成功地运用到高光谱遥感图像分类中，基于图卷积神经网络的方法能处理高维数据并能够快速聚合周围节点信息，能够快速的提取深层抽象信息。现有的高光谱影像图分类方法中，需要大量的先验训练样本，才能取得比较好的效果。但是，在高光谱影像分类应用中，这会耗费大量的人力资源。同时，现有的构造图结构的方法大多数现存的图分类方法存在构建初始图不完善的问题，从而在训练过程中仅能提取影像的局部信息，而忽视了对远程信息的挖掘。
3、参考文献：
4、[1]he l,li j,liu c,li s.recent advances on spectral-spatialhyperspectral image classification:an overview and new guidelin
5、[2]ahmad m,shabbir s,roy sk,hong d,wu x,yao j,et al.hyperspectralimage classification-traditional to deep models:a survey for futureprospects.ieee j sel top appl earth observations remote sens.2022oct 15；15:968-99.
6、[3]ye j,he j,peng x,wu w,qiao y.attention-driven dynamic graphconvolutional network for multi-label image recognition.in:vedaldi a,bischofh,brox t,frahm j-m,editors.computer vision-eccv 2020[internet].cham:springerinternational publishing；2020[cited 2021apr 26].p.649-65.(lecture notes incomputer science；vol.12366).available from:https://link.springer.com/10.1007/978-3-030-58589-1_39
7、[4]liang h,li q.hyperspectral imagery classification using sparserepresentations of convolutional neural network features.remotesens.2016jan27；8(2):99.
8、[5]zhang h,zou j,and zhang l,ems-gcn:an end-to-end mixhopsuperpixel-based graph convolutional network for hyperspectral image classification.ieeetrans.geosci.remote sens.2022mar 30；60:1-16.
技术实现思路
1、针对现有技术需要大量的训练样本，构建初始图不完善的问题，本专利技术方法提供了一种精度高、效率高的基于非监督多视角图对比学习的高光谱影像分类方法。
2、第一方面，本专利技术提供了一种基于非监督多视角图对比学习的高光谱遥感图像分类方法，包括以下步骤：
3、步骤1：将获取的高光谱遥感图像x进行数据预处理，得到超像素和对应的标签，分割矩阵；
4、步骤2：根据分割矩阵，从多视角角度分别建立空间邻接矩阵和光谱邻接矩阵，得到多视图；
5、步骤3：将多视图输入到自适应增强的对比学习模型中，得到深层特征用于分类；
6、步骤3：将多视图输入到自适应数据增强模块中，得到深层特征用于分类；
7、所述自适应数据增强模块，包括并行设置的光谱图自适应数据增强分支和空间图自适应数据增强分支；所述光谱图自适应数据增强分支和空间图自适应数据增强分支，均由串联的边筛选层和特征掩码层组成；所述边筛选层，首先采用引用节点中心性度量参数衡量当前节点的重要程度，根据该参数将边的重要程度用其两端节点的参数取平均来表示；然后将边进行重要性排序，选取前k个节点，将他们的边缘关系保留，剩余的边删除；所述特征掩码层，首先对节点的重要性进行排序，然后设置一个丢弃概率，将不重要的节点的特征掩码为0来实现数据增强。
8、作为优选，步骤1中，采用主成分分析pca对高光谱遥感图像做降维和去噪处理。
9、作为优选，步骤2中，使用带有k阶近邻的欧氏距离得到光谱邻接矩阵aspe：
10、n(vi)＝argsort(||vi-vj||2)；
11、
12、其中，n(vi)是节点i与其他所有节点j的欧氏距离；nk(vi)的k代表对所有节点的筛选过程，nk(vi)表示前k个与节点i欧氏距离相近的节点集合；vi和vj是图中节点的特征；argsort()函数是对矩阵中的元素从小到大排序，并返回相应序列元素的数组下标；
13、使用基于自连接的空间二阶近邻构建空间邻接矩阵aspa：
14、aspa＝a×a+i；
15、a＝max(w),b＝min(w),if a≠b,aab＝1；
16、其中，用一个3×3的模板w取分割矩阵的最大值a和最小值b，得到基于空间一阶近邻的邻接矩阵a；i为单位矩阵。
17、作为优选，步骤3中，得到的多视图a先经过自适应边丢弃获得边矩阵
18、e＝vstack(coo_matrix(a)),
19、其中，j代表边的数量，coo_matrix以及vstack是python中的两个矩阵变换函数；
20、然后计算节点a和b之间边的重要性度量参数
21、
22、其中θa(e)对节点a计算度矩阵，θb(e)对节点b计算度矩阵，e是edge的缩写；
23、计算归一化后的边缘本文档来自技高网...
【技术保护点】
1.一种基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于：步骤1中，采用主成分分析PCA对高光谱遥感图像做降维和去噪处理。
3.根据权利要求1所述的基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于：步骤2中，使用带有K阶近邻的欧氏距离得到光谱邻接矩阵Aspe：
4.根据权利要求1所述的基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于：步骤3中，得到的多视图A先经过自适应边丢弃获得边矩阵
5.根据权利要求1-4任一项所述的基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于：所述自适应增强的对比学习模型用于特征提取；训练过程中，使用NT-Xent损失函数进行反向传播：
6.一种基于非监督多视角图对比学习的高光谱遥感图像分类系统，其特征在于，包括以下模块：
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于非监督多视角图对比学习的高光谱遥感图像分类方法。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于非监督多视角图对比学习的高光谱遥感图像分类方法。
...【技术特征摘要】
1.一种基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于：步骤1中，采用主成分分析pca对高光谱遥感图像做降维和去噪处理。
3.根据权利要求1所述的基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于：步骤2中，使用带有k阶近邻的欧氏距离得到光谱邻接矩阵aspe：
4.根据权利要求1所述的基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于：步骤3中，得到的多视图a先经过自适应边丢弃获得边矩阵
5.根据权利要求1-4任一项所述的基于非监督多视角图对比学习的高光谱遥感图像分类方法，其特征在于：所述自适应增强的对比学习模型用于特征提取；训练过程中...
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。