[go: up one dir, main page]

CN111695636B - 一种基于图神经网络的高光谱图像分类方法 - Google Patents

一种基于图神经网络的高光谱图像分类方法 Download PDF

Info

Publication number
CN111695636B
CN111695636B CN202010543653.XA CN202010543653A CN111695636B CN 111695636 B CN111695636 B CN 111695636B CN 202010543653 A CN202010543653 A CN 202010543653A CN 111695636 B CN111695636 B CN 111695636B
Authority
CN
China
Prior art keywords
graph
hyperspectral image
neural network
graph neural
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010543653.XA
Other languages
English (en)
Other versions
CN111695636A (zh
Inventor
余先川
秦晋
朱猛
梁玉晨
黄涛
姚旺
王昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Priority to CN202010543653.XA priority Critical patent/CN111695636B/zh
Publication of CN111695636A publication Critical patent/CN111695636A/zh
Application granted granted Critical
Publication of CN111695636B publication Critical patent/CN111695636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图神经网络的高光谱图像分类方法，包括：S1：获取待处理区域的高光谱图像数据，对所述高光谱图像数据进行预处理；S2：对经过预处理的所述高光谱图像数据进行超像素分割，得到分割的超像素；S3：将所述超像素构建图数据，相邻超像素构建边；S4：利用图神经网络模型对所述图数据进行训练，得到分类结果；本发明提高最终分类结果的精度和效果。

Description

一种基于图神经网络的高光谱图像分类方法
技术领域
本发明涉及图像处理技术领域，更具体的说是涉及一种基于图神经网络的高光谱图像分类方法。
背景技术
目前，随着遥感技术和成像光谱仪的发展,高光谱图像的分辨率不断提高，应用需求越来越广泛，但其具有波段数多、数据量庞大等特点给高光谱图像的分类、识别等带来了很大的困难。
但是，因为过高的维度和高度冗余的信息可能会导致计算复杂性的急剧增加，并可能影响分类的准确性。与此同时，高光谱数据的标签样本的获得需要耗费大量的人力物力，十分难以取得，这也阻碍了高光谱图像分类的研究。高光谱图像分类的研究的目的是借助一个像素的光谱信息对高光谱图像中的每一个像素分配一个地物类别，在最开始是通过手工来提取特征，之后再借助机器学习的算法对数据进行建模并分类，因为需要研究人员手动提取特征，实验缓慢且结果不稳定。
因此，如何提供一种能够解决上述问题的高光谱图像分类方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于图神经网络的高光谱图像分类方法，减少对标记样本的依赖，提出基于图神经网络的半监督高光谱图像分类算法，利用少量的标签数据，提高最终分类结果的精度，以及减少不良边界轮廓的出现，得到可用性高的分类结果。
为了实现上述目的，本发明采用如下技术方案：
一种基于图神经网络的高光谱图像分类方法，包括：
S1：获取待处理区域的高光谱图像数据，对所述高光谱图像数据进行预处理；
S2：对经过预处理的所述高光谱图像数据进行超像素分割，得到分割的超像素；
S3：将相邻的所述超像素点组成边，由所述边构建图数据；
S4：利用图网络模型对所述图数据进行训练，得到分类结果。
采用上述方法的有益效果为：利用HSGACN网络模型即图神经网络引入到高光谱图像分类中，提高了高光谱图像分类效果和精度。
优选的，所述步骤S1具体包括：所述预处理的过程为对所述高光谱图像数据剔除干扰波段，并对经过剔除的所述高光谱图像数据进行归一化处理。
优选的，所述步骤S3中，获取两个所述超像素之间的空间距离和光谱距离，对所述空间距离及所述光谱距离平衡权重后进行迭代。
优选的，所述迭代次数为10次。
优选的，所述的图神经网络模型是基于多种图神经网络模型，如图卷积网络、图注意力网络等所设计的网络。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于图神经网络的高光谱图像分类方法，减少对标记样本的依赖，提出基于图神经网络的半监督高光谱图像分类算法，利用少量的标签数据，提高最终分类结果的精度，以及减少不良边界轮廓的出现，得到可用性高的分类结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种倾斜摄影模型的融合方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
参见附图1所示，本发明实施例1公开了一种基于图神经网络的高光谱图像分类方法，包括：
S1：获取待处理区域的高光谱图像数据，对所述高光谱图像数据进行预处理；
S2：对经过预处理的所述高光谱图像数据进行超像素分割，得到分割的超像素；
其中，步骤S2提出基于SLIC算法的高光谱图像超像素分割算法，通过计算像素点之间的空间距离和光谱距离，并平衡权重，迭代的更新超像素聚类中心和范围边界，在新的聚类中心和旧的聚类中心之间的误差小于一定范围时停止迭代，最终得到一个由超像素构成的高光谱图像数据。
S3：将相邻的所述超像素点组成边，由所述边构建图数据；
其中，步骤S3的具体过程中：将分割图中的超像素构成一个个的节点，节点的特征为超像素中所有像素特征的均值，之后将相邻超像素的节点构建一条边，来构建图数据。
S4：利用图神经网络模型对所述图数据进行训练，得到分类结果。
其中，利用图神经网络的特征传播特性改变未标记样本的特征，使得相同类别的超像素的特征更为相似，利用图注意力网络可以改变边的权重的特性，来逐渐优化图数据的结构，利用图卷积网络可以对全局运算的特性，充分利用图数据的特征和结构信息。
具体的，步骤S4中图神经网络模型是一个两层的图神经网络结构，一层为图注意力层，一层为图卷积层，其中图卷积网络是现有的结构
Figure BDA0002539900570000031
其中H(l)是第l层的输出(即嵌入结果)，σ(·)表示激活函数，在本文中使用的是Softplus函数，Wl表示第l层包含的可训练权重矩阵。
在一个具体的实施例中，步骤S1具体包括：预处理的过程为对高光谱图像数据剔除干扰波段，并对经过剔除的高光谱图像数据进行归一化处理。
具体的，干扰波段主要剔除是否为水蒸气的吸收波段(4-7微米)，由于4-7微米波段是卫星距离远大气水的干扰吸收，这段波段数据质量差，难以参加后续计算，归一化通过均值平方差归一化(x-平均值)/方差。
在一个具体的实施例中，步骤S3中，获取两个超像素之间的空间距离和光谱距离，对空间距离及光谱距离平衡权重后进行迭代。
具体的，空间距离和光谱距离的表达式为：
Figure BDA0002539900570000041
Figure BDA0002539900570000042
Figure BDA0002539900570000043
Figure BDA0002539900570000044
式中，dc为光谱平方差，d(sx,sy)为光谱角距离，ds为距离平方差，通过调整m来平衡，m取值一般为100。
在一个具体的实施例中，迭代次数为10次，聚类中心和旧的聚类中心之间的误差表达式为
Figure BDA0002539900570000045
当该误差小于0.01即可。
为验证方法的有效性，在三个公开数据集Indian pines、Pavia University和Kennedy Space Center上实验，在每个类别只有30个标记样本的情况下分别达到91.84％、95.69％和98.42％的精度。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于图神经网络的高光谱图像分类方法，其特征在于，包括：S1：获取待处理区域的高光谱图像数据，对所述高光谱图像数据进行预处理；S2：对经过预处理的所述高光谱图像数据进行超像素分割，得到分割的超像素；S3：将相邻的所述超像素点组成边，由所述边构建图数据；S4：利用图神经网络模型对所述图数据进行训练，得到分类结果；其中，步骤S3的具体过程中：将分割图中的超像素构成一个个的节点，节点的特征为超像素中所有像素特征的均值，之后将相邻超像素的节点构建一条边，来构建图数据；步骤S4中图神经网络模型是一个两层的图神经网络结构，一层为图注意力层，改变边的权重来优化图数据的结构，一层为图卷积层，对全局运算，充分利用图数据的特征和结构信息。
2.根据权利要求1所述的一种基于图神经网络的高光谱图像分类方法，其特征在于，所述步骤S1具体包括：所述预处理的过程为对所述高光谱图像数据剔除干扰波段，并对经过剔除的所述高光谱图像数据进行归一化处理。
3.根据权利要求1所述的一种基于图神经网络的高光谱图像分类方法，其特征在于，所述步骤S3中，获取两个所述超像素之间的空间距离和光谱距离，对所述空间距离及所述光谱距离平衡权重更新聚类中心位置和范围后进行迭代。
4.根据权利要求1所述的一种基于图神经网络的高光谱图像分类方法，其特征在于，所述步骤S4中，所述图神经网络模型为图卷积网络、图注意力网络所设计的网络。
5.根据权利要求3所述的一种基于图神经网络的高光谱图像分类方法，其特征在于，所述迭代次数为10次。
CN202010543653.XA 2020-06-15 2020-06-15 一种基于图神经网络的高光谱图像分类方法 Active CN111695636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010543653.XA CN111695636B (zh) 2020-06-15 2020-06-15 一种基于图神经网络的高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010543653.XA CN111695636B (zh) 2020-06-15 2020-06-15 一种基于图神经网络的高光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN111695636A CN111695636A (zh) 2020-09-22
CN111695636B true CN111695636B (zh) 2023-07-14

Family

ID=72481169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010543653.XA Active CN111695636B (zh) 2020-06-15 2020-06-15 一种基于图神经网络的高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN111695636B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329818B (zh) * 2020-10-20 2023-07-07 南京信息工程大学 基于图卷积网络嵌入表征的高光谱图像非监督分类方法
CN112949416B (zh) * 2021-02-04 2022-10-04 东华理工大学 一种监督的高光谱多尺度图卷积分类方法
CN113052216B (zh) * 2021-03-15 2022-04-22 中国石油大学(华东) 基于双路图u-net卷积网络的溢油高光谱图像检测方法
CN113160177B (zh) * 2021-04-23 2025-01-10 杭州电子科技大学 一种基于超像素和图卷积网络的平面分割方法
CN113239938B (zh) * 2021-05-11 2024-01-09 中国人民解放军火箭军工程大学 一种基于图结构的高光谱分类方法及系统
CN113269196B (zh) * 2021-07-19 2021-09-28 湖南大学 一种图卷积神经网络高光谱医药成分分析的实现方法
CN113723255B (zh) * 2021-08-24 2023-09-01 中国地质大学（武汉） 一种高光谱影像分类方法和存储介质
CN114399002A (zh) * 2022-01-21 2022-04-26 平安科技（深圳）有限公司 基于图神经网络的图像场景分类方法及装置
CN115810144B (zh) * 2022-11-04 2025-07-01 西北工业大学 一种基于区域预检测的水中悬浮声呐目标识别方法
CN115810149A (zh) * 2022-11-22 2023-03-17 中国地质大学（武汉） 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法
CN116109522B (zh) * 2023-04-10 2023-07-14 北京飞渡科技股份有限公司 一种基于图神经网络的轮廓矫正方法、装置、介质及设备
CN119418114B (zh) * 2024-10-30 2025-09-02 青岛科技大学 一种高光谱图像分类方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106469316A (zh) * 2016-09-07 2017-03-01 深圳大学 基于超像素级信息融合的高光谱图像的分类方法及系统
CN110619370A (zh) * 2019-09-23 2019-12-27 云南电网有限责任公司电力科学研究院 一种高光谱图像超像素局部线性嵌入降维方法
CN111160478A (zh) * 2019-12-31 2020-05-15 北京理工大学重庆创新中心 一种基于深度学习的高光谱目标显著性检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9430499B2 (en) * 2014-02-18 2016-08-30 Environmental Systems Research Institute, Inc. Automated feature extraction from imagery
CN111902825B (zh) * 2018-03-23 2024-08-23 多伦多大学管理委员会 多边形对象标注系统和方法以及训练对象标注系统的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106469316A (zh) * 2016-09-07 2017-03-01 深圳大学 基于超像素级信息融合的高光谱图像的分类方法及系统
WO2018045626A1 (zh) * 2016-09-07 2018-03-15 深圳大学 基于超像素级信息融合的高光谱图像的分类方法及系统
CN110619370A (zh) * 2019-09-23 2019-12-27 云南电网有限责任公司电力科学研究院 一种高光谱图像超像素局部线性嵌入降维方法
CN111160478A (zh) * 2019-12-31 2020-05-15 北京理工大学重庆创新中心 一种基于深度学习的高光谱目标显著性检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Geologic Body Classification of Hyperspectral Data Based on Dilated Convolution Neural Network at Tianshan Area;Jin Qin等;《 IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium》;全文 *
面向高光谱图像分类的超像素级Gabor特征融合方法研究;贾森等;《南京信息工程大学学报(自然科学版)》(01);全文 *

Also Published As

Publication number Publication date
CN111695636A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111695636B (zh) 一种基于图神经网络的高光谱图像分类方法
CN110992262B (zh) 一种基于生成对抗网络的遥感图像超分辨重建方法
CN111191718B (zh) 基于图注意力网络的小样本sar目标识别方法
CN109829353B (zh) 一种基于空间约束的人脸图像风格化方法
CN112132006A (zh) 一种面向耕地保护的林地和建筑物智能提取方法
CN111553837A (zh) 一种基于神经风格迁移的艺术文本图像生成方法
CN110427990A (zh) 一种基于卷积神经网络的艺术图像分类方法
CN109598750B (zh) 一种基于变形空间金字塔的大尺度差异图像特征点匹配方法
CN107066916B (zh) 基于反卷积神经网络的场景语义分割方法
CN109086777B (zh) 一种基于全局像素特征的显著图精细化方法
CN108734719A (zh) 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法
CN110020599A (zh) 一种稀疏强化型低秩约束的人脸图像聚类方法
CN110378423A (zh) 特征提取方法、装置、计算机设备及存储介质
CN113486967B (zh) 结合图卷积网络和马尔可夫随机场的sar图像分类算法
WO2024099026A1 (zh) 图像处理方法、装置、设备、存储介质及程序产品
CN118430054B (zh) 一种基于ai智能的人脸识别方法和系统
CN113610125B (zh) 一种基于编码器-解码器图神经网络的高光谱分类方法
CN114764750B (zh) 基于自适应一致性先验深度网络的图像去噪方法
JP2013536960A (ja) 写真から肖像スケッチを合成するシステム及び方法
Lu et al. An efficient approach for feature-preserving mesh denoising
CN106846321B (zh) 一种基于贝叶斯概率与神经网络的图像分割方法
CN115223080A (zh) 一种基于非局部特征聚合神经网络的目标分割方法
CN111932645B (zh) 基于生成对抗网络gan自动生成水墨画的方法
CN116152544A (zh) 基于残差增强空谱融合超图神经网络的高光谱图像分类方法
CN118154984B (zh) 融合引导滤波的无监督邻域分类超像素生成方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant