CN111160396B - 一种基于多图结构的图卷积网络的高光谱图像分类方法 - Google Patents
一种基于多图结构的图卷积网络的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN111160396B CN111160396B CN201911239364.4A CN201911239364A CN111160396B CN 111160396 B CN111160396 B CN 111160396B CN 201911239364 A CN201911239364 A CN 201911239364A CN 111160396 B CN111160396 B CN 111160396B
- Authority
- CN
- China
- Prior art keywords
- matrix
- pixel
- connection
- nearest neighbor
- hyperspectral image
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多图结构的图卷积网络的高光谱图像分类方法,包括读入高光谱图像立方体和训练集;高光谱数据重排列得到像素数据矩阵;根据像素数据矩阵,进行强制最近邻连接矩阵及空间近邻连接矩阵的构建;利用图卷积网络分别对强制最近邻连接矩阵及空间近邻权重矩阵和像素数据矩阵进行卷积,得到特征矩阵;特征矩阵进行拼接,使用softmax分类器对像素的特征矩阵AF进行分类,最后验证高光谱图像分类结果。
Description
技术领域
本发明涉及高维图像处理技术领域,具体涉及一种基于多图结构的图卷积网络的高光谱图像分类方法。
背景技术
高光谱图像是一种由高光谱图像传感器获取的、光谱维度波段数量较多的图像立方体,每个像素都由一定谱段范围内的光谱特征构成。光谱特征是目标地物的一种本质特征,反映了地物的材质组成等特性。相比起传统的单波段图像和多光谱图像,高光谱图像的光谱波段数量多达上百个,含有丰富的光谱信息。同时,高光谱图像的大数据量以及高维度的特征也给图像处理以及分类任务带来了巨大的挑战。另外由于标记样本的难度也相当大,需要进行实地的探测考察,因此标记的人力成本和时间成本较高,导致高光谱图像的标记样本无法大量提供。在这种情况下,高光谱图像分类时容易出现维度灾难等现象。其中,一些现有方法利用了大量的未标记样本的信息,计算并构建未标记样本与标记样本之间的关系,提升分类性能,降低标记样本不足的影响。
在已有的图卷积网络对高光谱图像进行分类的方法中,能够获得不错的分类准确率,但是当标记样本数量较少的情况下,分类的准确率不太理想。基于图卷积网络的高光谱图像分类方法对图的结构和标记样本的数量有一定的要求,在训练样本较少的情况下,如何充分利用高光谱图像的光谱信息和空间信息来设计图的结构来提高分类准确率是一个挑战。
发明内容
为了克服现有技术中的缺点与不足,本发明提供一种基于多图结构的图卷积网络的高光谱图像分类方法。
本发明采用如下技术方案:
一种基于多图结构的图卷积网络的高光谱图像分类方法,包括如下步骤:
S2将高光谱图像立方体数据按像素的列顺序取出,重排列成像素数据矩阵V=[v1,v2,...,vN]T,其中N是高光谱图像像素总数,每个像素点有b个特征;
S3根据像素数据矩阵,进行强制最近邻连接矩阵及空间近邻连接矩阵的构建;
S4利用图卷积网络分别对强制最近邻连接矩阵及空间近邻权重矩阵和像素数据矩阵进行卷积,得到特征矩阵;
S5特征矩阵进行拼接,使用softmax分类器对像素的特征矩阵AF进行分类。
优选的,所述S3中构建强制最近邻连接矩阵,具体如下:
采用高斯径向基函数计算像素数据矩阵的全连接权重矩阵W,其中像素vi和像素vj间的连接权重为:
其中,Wii=0,σ=1;
根据全连接权重矩阵W,计算每个像素点除自身外的k近邻;
构造强制最近邻的连接矩阵WNN,其大小为N×N,具体为:将每个像素与其最近邻像素相连,并将强制最近邻的连接矩阵中对应位置的值设置为1,无连接的位置的值设置为0。
优选的,所述S3中,构建空间近邻连接矩阵,具体是构造互f近邻的连接矩阵WSNN,大小为N×N,
在像素数据矩阵中,若vp在vi的f近邻域,vi也在vp的f近邻域,则连接两个像素点,设置互f近邻的连接矩阵WSNN中第i行第j列的值为1,以及第j行第i列的值为1。
优选的,所述S4中具体过程为:
ANN=WNNVM,ASNN=WSNNVMS,其中M与MS是大小为b×16的权重矩阵,WNN为最近邻连接矩阵,WSNN为空间近邻连接矩阵。
优选的,所述S5中特征矩阵进行拼接,使用softmax分类器对像素的特征矩阵AF进行分类,具体为:
拼接特征矩阵,得到A=[ANN,ASNN],然后利用图卷积网络对特征矩阵A进行卷积,得到特征矩阵AF=WNNReLU(A)M2,其中ReLU为线性整流函数,M2是32×16的权重矩阵。
优选的,f为8。
优选的,所述根据全连接权重矩阵W,计算每个像素点除自身外的k近邻;
对于像素vi,计算该像素与所有的像素的连接权重Wi={Wi1,Wi2,...,WiN},取出除Wii外的前k个最大的权重。
本发明的有益效果:
(1)本发明提供的基于多图结构的图卷积网络的高光谱图像分类方法,使用了强制最近邻和互k近邻的方法来构造不同的图结构,弥补的单一图结构所包含的高光谱图像的信息不足的局限性。通过拼接不同图结构所提取的特征,增强了不同类别之间的差异,提升分类准确率;
(2)现有技术中基本图网络分类方法首先利用高光谱图像计算出建模像素间的不规则连接,然后通过强制最近邻等规则构建的连接结构,使用标记样本训练图网络和分类器,最后再对未标记样本进行分类,本发明针对高光谱图像构建的图结构的方法单一,忽略了高光谱图像的空间信息的缺陷,本发明基于多图结构的图卷积网络的高光谱图像分类方法,使用多种近邻方式构造图结构,更有效地提取高光谱图像的不同特征,使得在训练样本比较少的情况下获得更好的分类准确率。
附图说明
图1是本发明的工作流程图;
图2是对于AVIRIS Indian Pines图像的训练样本标签,图像中的像素点被分为12类,训练样本是在AVIRIS Indian Pines图像中对每类随机采样10个像素点得到的。
图3是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本对应图2所示情况。
图4是全体样本标签,采用本发明提出的基于多图结构的图卷积网络的高光谱图像分类方法对AVIRIS Indian Pines图像分类得到的结果,图像中的像素点被分为12类。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,一种基于多图结构的图卷积网络的高光谱图像分类方法,包括如下步骤:
S2将高光谱图像立方体数据按像素的列顺序取出,重排列成像素数据矩阵V=[v1,v2,...,vN]T,其中N是高光谱图像像素总数,每个像素点有b个特征;
例如:图像大小本来是20*20,使用类似reshape的函数变成大小是(400,1)矩阵。
S3根据像素数据矩阵,进行强制最近邻连接矩阵及空间近邻连接矩阵的构建;
所述进行强制最近邻连接矩阵的构建,具体为:
采用高斯径向基函数计算像素数据矩阵的全连接权重矩阵W,其中像素vi和像素vj间的连接权重为:
其中,Wii=0,σ=1;
根据全连接权重矩阵W,计算每个像素点除自身外的k近邻,具体为:对于像素vi,计算该像素与所有的像素的连接权重Wi={Wi1,Wi2,...,WiN},取出除Wii外的前k个最大的权重,以及它们对应被连接像素。
构造强制最近邻的连接矩阵WNN,其大小为N×N,具体为:将每个像素与其最近邻像素相连,并将强制最近邻的连接矩阵中对应位置的值设置为1,无连接的位置的值设置为0。
构建空间近邻连接矩阵,具体是构造互f近邻的连接矩阵WSNN,大小为N×N,
在像素数据矩阵中,若vp在vi的f近邻域,vi也在vp的f近邻域,则连接两个像素点,设置互f近邻的连接矩阵WSNN中第i行第j列的值为1,以及第j行第i列的值为1。
S4利用图卷积网络分别对强制最近邻连接矩阵及空间近邻权重矩阵和像素数据矩阵进行卷积,得到特征矩阵;
具体:ANN=WNNVM,ASNN=WSNNVMS,其中M与MS是大小为b×16的权重矩阵。
S5特征矩阵进行拼接,得到A=[ANN,ASNN],再次利用图卷积网络对特征矩阵A进行卷积,得到特征矩阵AF=WNNReLU(A)M2,其中ReLU为线性整流函数,M2是大小为32×16的权重矩阵;
S6使用softmax分类器对像素的特征矩阵AF进行分类,可以分为12类,比如说未耕作的玉米地,草地-牧场,未耕作的大豆地,稍作耕作的大豆地,木材。
S7验证高光谱图像分类结果,一般采用总体准确率为标准。
图2是对于AVIRIS Indian Pines图像的训练样本标签,图像中的像素点被分为12类,训练样本是在AVIRIS Indian Pines图像中对每类随机采样10个像素点得到的。
图3是测试样本标签,图像中的像素点被分为12类,图中抽取的训练样本对应图2所示情况。
图4是全体样本标签,采用本发明提出的基于多图结构的图卷积网络的高光谱图像分类方法对AVIRIS Indian Pines图像分类得到的结果,图像中的像素点被分为12类。
由图4得到表1利用基于多图结构的图卷积网络的高光谱图像分类方法以及图2训练样本对AVIRIS Indian Pines高光谱图像的测试样本进行分类,得到的准确率。其中,待分类的像素来自于12个类。
表1
每类训练样本个数 | 10 |
分类准确率(%) | 58.92 |
本实施例所述方法的优势如下:
本发明提供的基于多图结构的图卷积网络的高光谱图像分类方法,使用了强制最近邻和互k近邻的方法来构造不同的图结构,弥补的单一图结构所包含的高光谱图像的信息不足的局限性。通过拼接不同图结构所提取的特征,增强了不同类别之间的差异,一定程度上提升分类准确率。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种基于多图结构的图卷积网络的高光谱图像分类方法,其特征在于,包括如下步骤:
S2、将高光谱图像立方体数据按像素的列顺序取出,重排列成像素数据矩阵V=[v1,v2,...,vN]T,其中N是高光谱图像像素总数,每个像素点有b个特征;
S3、根据像素数据矩阵,进行强制最近邻连接矩阵及空间近邻连接矩阵的构建;
S4、利用图卷积网络分别对强制最近邻连接矩阵及空间近邻权重矩阵和像素数据矩阵进行卷积,得到特征矩阵;
S5、特征矩阵进行拼接,使用softmax分类器对像素的特征矩阵AF进行分类;
所述S3中构建强制最近邻连接矩阵,具体如下:
采用高斯径向基函数计算像素数据矩阵的全连接权重矩阵W,其中像素vi和像素vj间的连接权重为:
其中,Wii=0,σ=1;
根据全连接权重矩阵W,计算每个像素点除自身外的k近邻;
构造强制最近邻的连接矩阵WNN,其大小为N×N,具体为:将每个像素与其最近邻像素相连,并将强制最近邻的连接矩阵中对应位置的值设置为1,无连接的位置的值设置为0;
所述S5中特征矩阵进行拼接,使用softmax分类器对像素的特征矩阵AF进行分类,具体为:
拼接特征矩阵,得到A=[ANN,ASNN],然后利用图卷积网络对特征矩阵A进行卷积,得到特征矩阵AF=WNNReLU(A)M2,其中ReLU为线性整流函数,M2是32×16的权重矩阵。
2.根据权利要求1所述的高光谱图像分类方法,其特征在于,所述S3中,构建空间近邻连接矩阵,具体是构造互f近邻的连接矩阵WSNN,大小为N×N,
在像素数据矩阵中,若vj在vi的f近邻域,vi也在vp的f近邻域,则连接两个像素点,设置互f近邻的连接矩阵WSNN中第i行第j列的值为1,以及第j行第i列的值为1。
3.根据权利要求1所述的高光谱图像分类方法,其特征在于,所述S4中具体过程为:
ANN=WNNVM,ASNN=WSNNVMS,其中M与MS是大小为b×16的权重矩阵,WNN为最近邻连接矩阵,WSNN为空间近邻连接矩阵。
4.根据权利要求2所述的高光谱图像分类方法,其特征在于,f为8。
5.根据权利要求1所述的高光谱图像分类方法,其特征在于,所述根据全连接权重矩阵W,计算每个像素点除自身外的k近邻;
对于像素vi,计算该像素与所有的像素的连接权重Wi={Wi1,Wi2,...,WiN},取出除Wii外的前k个最大的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911239364.4A CN111160396B (zh) | 2019-12-06 | 2019-12-06 | 一种基于多图结构的图卷积网络的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911239364.4A CN111160396B (zh) | 2019-12-06 | 2019-12-06 | 一种基于多图结构的图卷积网络的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160396A CN111160396A (zh) | 2020-05-15 |
CN111160396B true CN111160396B (zh) | 2023-04-25 |
Family
ID=70556468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911239364.4A Active CN111160396B (zh) | 2019-12-06 | 2019-12-06 | 一种基于多图结构的图卷积网络的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160396B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783865B (zh) * | 2020-06-23 | 2022-03-15 | 西北工业大学 | 基于空谱邻域嵌入和最优相似图的高光谱分类方法 |
CN112362594B (zh) * | 2020-10-14 | 2022-04-22 | 华南理工大学 | 一种基于共聚焦显微高光谱成像的混合凝胶组分分布的直接检测方法 |
CN112381147B (zh) * | 2020-11-16 | 2024-04-26 | 虎博网络技术(上海)有限公司 | 动态图片相似度模型建立、相似度计算方法和装置 |
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 |
CN113762389B (zh) * | 2021-09-08 | 2024-04-12 | 大连海事大学 | 一种基于动态诊断的高光谱影像小样本分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN110516596A (zh) * | 2019-08-27 | 2019-11-29 | 西安电子科技大学 | 基于Octave卷积的空谱注意力高光谱图像分类方法 |
-
2019
- 2019-12-06 CN CN201911239364.4A patent/CN111160396B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN110516596A (zh) * | 2019-08-27 | 2019-11-29 | 西安电子科技大学 | 基于Octave卷积的空谱注意力高光谱图像分类方法 |
Non-Patent Citations (1)
Title |
---|
张康 ; 黑保琴 ; 周壮 ; 李盛阳 ; .变异系数降维的CNN高光谱遥感图像分类.遥感学报.2018,(01),第91-100页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111160396A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160396B (zh) | 一种基于多图结构的图卷积网络的高光谱图像分类方法 | |
CN110717354B (zh) | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 | |
CN110399909B (zh) | 一种基于标签约束弹性网图模型的高光谱图像分类方法 | |
CN108009559B (zh) | 一种基于空谱联合信息的高光谱数据分类方法 | |
CN109784392B (zh) | 一种基于综合置信的高光谱图像半监督分类方法 | |
CN109325431B (zh) | 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置 | |
CN110770752A (zh) | 多尺度特征融合网络结合定位模型的害虫自动计数方法 | |
CN106845418A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
CN110991511A (zh) | 一种基于深度卷积神经网络的向日葵作物种子分拣方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN107066958A (zh) | 一种基于hog特征和svm多分类器的人脸识别方法 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
CN110147725A (zh) | 一种基于正交指数局保投影的高光谱图像特征提取方法 | |
CN111241939A (zh) | 一种基于无人机数码影像的水稻产量估测方法 | |
CN103839078A (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN112232151A (zh) | 一种嵌入注意力机制的迭代聚合神经网络高分遥感场景分类方法 | |
CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
CN115240072A (zh) | 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 | |
CN109145950B (zh) | 一种基于图信号采样的高光谱图像主动学习方法 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN108446723B (zh) | 一种高光谱图像的多尺度空谱协同分类方法 | |
CN111199251B (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
CN111259913A (zh) | 一种基于词袋模型和纹理特征的细胞光谱图像分类方法 |
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 |