CN116664954B 基于图卷积与卷积融合的高光谱地物分类方法 （西安电子科技大学）

基于图卷积与卷积融合的高光谱地物分类本发明公开了一种基于图卷积与卷积融合降法迭代优化网络参数，得到训练好的提取网特征的深层次信息，捕获图像区域间的依赖关2(1)从公开网站获取高光谱图像的原始数据集和数据标注集，并从数据标注集中选取3a)建立由三个图卷积层，一个图池化层，一个图反池化层构成的区域级特征提取模3b)搭建由多尺度特征提取层与现有的注意力层组成的像素级特征提取模块，用于提3d)将区域级特征提取模块与像素级特征模块并联连接，再与融合模块串联构成特征4a)将原始图像以及区域矩阵V、邻接关系矩阵M、区域5a)将原始图像以及区域矩阵V、邻接关系矩阵5b)对输出向量F的通道维度使用argmax函数计算通道维度上最大值所在的位置索引，2.根据权利要求1所述的方法，其特征在于p'＝Slic(p,Z)3.根据权利要求1所述的方法，其特征在于，步骤34.根据权利要求1所述的方法，其特征在于，步骤2b)中对分i,j表示矩阵Q中第i6.根据权利要求1所述的方法，其特征在于，步骤3a)输入特征依次经过第一图卷积层得到输出第一特征F1，该F1依次经过第一图池化层、7.根据权利要求1所述的方法，其特征在于，3b1)建立由一个点卷积层分别与3个逐通道卷积层并联连接再相加组成多尺度特征提43b2)选用现有的注意力层，用于将位置8.根据权利要求1所述的方法，其特征在于y'是整个网络的输出。4b2)根据特征提取网络输出与训练集真实标签的损失值提取网络参数θm+1：10.根据权利要求1所述的方法，其特征在于，步骤5b)对输出向量F的通道维度使用5取高光谱中的空间信息和光谱信息并且能够有效的过滤掉特征提取时的光谱通道上的嘈[0007]牟李超等人发表在电气电子工程师学会IEEE期刊中的文章提出了一种非局部图[0008]万生等人发表在电气电子工程师学会IEEE期刊中的文章提出了多尺度图卷积的块区域内和像素之间的映射函数，同时利用多尺度技术来有效的补充空间信息的提取能方法利用简单线性迭代聚类算法构造的超像素在样本不均衡的条件下很容易影响特征提[0009]徐克杰等人发表在电气电子工程师学会IEEE期刊中的文章提出了专门为高光谱6[0012](1)从公开网站获取高光谱图像的原始数据集和数据标注集，并从数据标注集中[0018]3b)搭建由多尺度特征提取层与现有的注意力层组成的像素级特征提取模块，用[0020]3d)将区域级特征提取模块与像素级特征模块并联连接，再与融合模块串联构成[0026]5b)对输出向量F的通道维度使用argmax函数计算通道维度上最大值所在的位置[0029]1)本发明由于构建了一个基于区域级特征提取模块和像7[0030]2)本发明在特征提取网络中由于建立了一个由多尺度特征提取层和注意力层组[0040]从数据标注集中去掉标签为0的样本构成前景数据集，从前景数据集中选取部分8[0050]其中表示矩阵A中第i行第j列的元素，Q中[0064]3.2.1)建立包括一个点卷积层分别与3个逐通道卷积层并联连接再相加组成的多9[0081]3.4)将区域级特征提取模块与特征融合转换模块、像素级特征提取模块进行串[0094]5.2)使用argsmax函数计算得到向量F6通道维度上最大值所在的索引：Fout=[0098]本发明的仿真环境选取了python3.8+pytorch1.7的框架，在GeForceRTX[0100]IndianPines数据集由机载可见/红外成像光谱仪AVIRIS传感器在印第安纳州西[0101]paivaU数据集是使用反射光学系统成像光谱仪ROSIS_3HS传感器在帕维亚大学附[0102]Houston2013数据集是2012年利用机载传感器ITRES_CASI1500在休斯顿大学及其该数据集是在2013年被发表于IEEE地球科学与遥感学会数据融合大赛中。该区域十分复[0103]Salinas数据集由AVIRIS传感器在加利福尼亚州SalinasValley拍摄，空间分辨[0105]仿真1，在上述仿真条件下，分别用本发明和现有七个高光谱遥感图像分类方法CEGCN,MDGCN,S2GAT,3DOCT_SSAN,A2S2K_ResNet,SVM,RF_200在IndianPines数据集上进[0108]仿真2，在上述仿真条件下，分别用本发明和现有七个高光谱遥感图像分类方法CEGCN,MDGCN,S2GAT,3DOCT_SSAN,A2S2K_ResNet,SVM,RF_200在paviaU数据集上进行分类，[0111]仿真3，在上述仿真条件下，分别用本发明和现有七个高光谱遥感图像分类方法CEGCN,MDGCN,S2GAT,3DOCT_SSAN,A2S2K_ResNet,SVM,RF_200在Houston2013数据集上进行[0114]仿真4，在上述仿真条件下，分别用本发明和现有七个高光谱遥感图像分类方法CEGCN,MDGCN,S2GAT,3DOCT_SSAN,A2S2K_ResNet,SVM,RF_200在Salinas数据集上进行分L,YangJ,etal.CNN_enhancedgraphconvolutionalnetworkwithpixel_andsuperpixel_levelfeaturefusionforhyperspectralimageclassification[J].IEEETransactionsonGeoscienceandRemoteSensing,2020,59(10):8657_8671.etal.Multiscaledynamicgraphconvolutionalnetworkforhyperspectralimageclassification[J].IEEETransactionsonGeoscienceandRemoteSensing,2019,58(5):3162_3177.al.Semisupervisedclassificationforhyperspectralimagesusinggraphattentionnetworks[J].IEEEGeoscienceandRemoteSensingLetters,2020,18(1):157_161.basedon3_doctaveconvolutionwithspatial–spectralattentionnetwork,”IEEETransactionsonGeoscienceandRemoteSensing,vol.59,no.3,pp.2430–2447,2020.[0122]A2S2K_ResNet在IEEE上发表的用于高光谱图像分类的方法，即：S.K.Roy,S.Manna,T.Song,andL.Bruzzone,“Attentionbasedadaptivespectral_spatialkernelresnetforhyperspectralimageclassification,”IEEETransactionsonGeoscienceandRemoteSensing,2020.[0123]SVM在IEEE上发表的用于高光谱图像分类的方法，即：J.A.GualtieriandS.Chettri,“Supportvectormachinesforclassifificationo