CN116883692A - 多光谱遥感图像的光谱特征提取方法、装置及存储介质 - Google Patents
多光谱遥感图像的光谱特征提取方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116883692A CN116883692A CN202310659687.9A CN202310659687A CN116883692A CN 116883692 A CN116883692 A CN 116883692A CN 202310659687 A CN202310659687 A CN 202310659687A CN 116883692 A CN116883692 A CN 116883692A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- multispectral remote
- spectrum
- graph
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 85
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000605 extraction Methods 0.000 title claims description 21
- 230000003595 spectral effect Effects 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000005096 rolling process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种多光谱遥感图像的光谱特征提取方法、装置及存储介质，涉及遥感技术领域，该方法包括：获取待研究区域的多光谱遥感图像；预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据；将所述节点数据输入图卷积神经网络进行处理，输出得到所述多光谱遥感图像的光谱特征信息。本发明在进行多光谱遥感图像的光谱特征提取时，基于关于多光谱遥感图像的谱段及谱段之间关联关系的节点数据，采用图卷积神经网络来提取多光谱遥感影像的光谱特征信息，实现了更显著、更有判别力的光谱特征信息的提取，能够得到更具判别性的光谱特征信息。
Description
技术领域
本发明涉及遥感技术领域，具体而言，涉及一种多光谱遥感图像的光谱特征提取方法、装置及存储介质。
背景技术
目前，对于多光谱遥感影像的光谱特征提取，大多光谱特征提取方法仅将各个谱段作为单独的特征向量，而忽略了各个谱段之间的逻辑关联性，使得多光谱遥感影像的谱段相关性缺乏明确清晰的函数表示，无法充分有效地挖掘谱段之间的关联关系，导致提取得到的光谱特征判别性较低。
发明内容
本发明解决的问题是：如何得到多光谱遥感影像更具判别性的光谱特征。
为解决上述问题，本发明提供一种多光谱遥感图像的光谱特征提取方法，包括：
获取待研究区域的多光谱遥感图像；
预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据；
将所述节点数据输入图卷积神经网络进行处理，输出得到所述多光谱遥感图像的光谱特征信息。
可选地，所述预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据包括：
确定所述多光谱遥感图像的所述谱段；
将所述多光谱遥感图像的每个所述谱段作为节点，将所述谱段之间的关联关系作为边，构建关于所述节点和所述边的图结构。
可选地，所述预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据还包括：
采用包括所述节点和所述边的加权图表征所述多光谱遥感图像的所述谱段及所述谱段之间的关联关系。
可选地，所述加权图采用单向加权图；所述构建关于所述节点和所述边的图结构之后，所述预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据还包括：
基于所述单向加权图构建关于所述多光谱遥感图像的邻接矩阵A，其中：
其中，M1＝tanh(αE1θ1)，M2＝tanh(αE2θ2)；α是用于控制激活函数饱和率的超参数；E1和E2为随机初始化的节点嵌入表示，通过所述节点之间向量计算表示所述节点之间的关联关系；θ1和θ2为参数。
可选地，所述图结构采用单向加权图；所述将所述节点数据输入图卷积神经网络进行处理，输出得到所述多光谱遥感图像的光谱特征信息包括：
通过所述图卷积神经网络的mix-hop层处理每个所述节点的入度信息和出度信息。
可选地，mix-hop层包括第一mix-hop层和第二mix-hop层，所述第一mix-hop层和所述第二mix-hop层分别用于处理每个所述节点的所述入度信息和所述出度信息。
可选地，所述mix-hop层包括信息传递层和信息选择层，所述信息传递层用于传播节点数据，信息选择层用于筛选出重要的所述节点数据。
为解决上述问题，本发明还提供一种多光谱遥感图像的光谱特征提取装置，包括：
获取模块，用于获取待研究区域的多光谱遥感图像；
图学习模块，用于预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据；
图卷积模块，用于将所述节点数据输入图卷积神经网络进行处理，输出得到所述多光谱遥感图像的光谱特征信息。
为解决上述问题，本发明还提供一种多光谱遥感图像的光谱特征提取装置，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现上述所述的多光谱遥感图像的光谱特征提取方法。
为解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现上述所述的多光谱遥感图像的光谱特征提取方法。
本发明与现有技术相比，具有以下有益效果：本方法在进行多光谱遥感图像的光谱特征提取时，基于关于多光谱遥感图像的谱段及谱段之间关联关系的节点数据，采用图卷积神经网络来提取多光谱遥感影像的光谱特征信息，实现了更显著、更有判别力的光谱特征信息的提取，能够得到更具判别性的光谱特征信息。
附图说明
图1为本发明实施例中多光谱遥感图像的光谱特征提取方法的流程图；
图2为本发明实施例中步骤200的子流程图；
图3为本发明实施例多光谱遥感图像的光谱特征提取装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
结合图1所示，本发明实施例提供一种多光谱遥感图像的光谱特征提取方法，包括以下步骤：
步骤100、获取待研究区域的多光谱遥感图像。
具体地，通过步骤100，采用雷达等设备采集获取待研究区域(或地区)的多光谱遥感图像，用于本方法的后续步骤的分析处理。
步骤200、预处理多光谱遥感图像，得到关于多光谱遥感图像的谱段及谱段之间关联关系的节点数据。
具体地，通过步骤200，对步骤100得到的多光谱遥感图像进行图像预处理，以得到多光谱遥感图像的节点数据，其中，节点数据包括节点(如将多光谱遥感图像的每个谱段作为节点)及节点之间的关联关系(即谱段之间的关联关系)等，以便于本方法的后续步骤基于谱段(或波段)及谱段之间关联关系进行光谱特征信息提取。
步骤300、将节点数据输入图卷积神经网络进行处理，输出得到多光谱遥感图像的光谱特征信息。
步骤300中，基于图卷积神经网络可以表征非欧几里得空间中多元变量之间的相关性，因此采用图卷积神经网络从基于图的角度实现谱段之间的相关性的挖掘，以得到多光谱遥感图像的光谱特征信息。具体地，通过将步骤200得到的关于多光谱遥感图像的谱段及谱段之间关联关系的节点数据作为输入数据输入到图卷积神经网络进行处理(如迭代计算)，最终输出得到多光谱遥感图像的光谱特征信息。
这样，本方法在进行多光谱遥感图像的光谱特征提取时，基于关于多光谱遥感图像的谱段及谱段之间关联关系的节点数据，采用图卷积神经网络来提取多光谱遥感影像的光谱特征信息，实现了更显著、更有判别力的光谱特征信息的提取，能够得到更具判别性的光谱特征信息。
可选地，结合图1、图2所示，步骤200包括：
步骤210、确定多光谱遥感图像的谱段；
步骤220、将多光谱遥感图像的每个谱段作为节点，将谱段之间的关联关系作为边，构建关于节点和边的图结构。
具体地，基于图卷积神经网络需要一个清晰定义的图结构来传播信息，因此，步骤200中，通过步骤210，对多光谱遥感图像的原图进行相应处理，得到多光谱遥感图像的所有像素点对应的所有谱段相关信息；通过步骤220，将多光谱遥感图像的每个谱段作为节点，并将谱段之间的关联关系(逻辑相关性)作为边，构建关于节点和边的图结构(如加权图等)，从而得到一个能够明确表征谱段之间相关性的图结构用于图卷积神经网络。
可选地，步骤200还包括：
采用包括节点和边的加权图表征多光谱遥感图像的谱段及谱段之间的关联关系。
示例性地，步骤200中，图结构采用加权图，通过构建加权图来表征多光谱遥感图像的谱段及谱段之间的关联关系，并用于图卷积神经网络传播信息。其中，加权图/>中，节点集合/>表示多光谱遥感图像上各像素点对应的各谱段，边集合ε表示谱段与谱段之间的逻辑相关性，并用边的权重定量表示该关联程度。
可选地，结合图2所示，加权图采用单向加权图；步骤220之后，步骤200还包括：
步骤230、基于单向加权图构建关于多光谱遥感图像的邻接矩阵A，其中：
其中，M1＝tanh(αE1θ1)，M2＝tanh(αE2θ2)；α是用于控制激活函数饱和率的超参数；E1和E2为随机初始化的节点嵌入表示，通过节点之间向量计算表示节点之间的关联关系；θ1和θ2为参数。
具体地，谱段之间的关系可以认为是单向的，一个谱段的变化会使得其他相应谱段变化而非相互影响，因此，采用单向加权图来表征多光谱遥感图像的谱段及谱段之间的关联关系。在步骤230中，基于单向加权图来构建关于多光谱遥感图像的邻接矩阵其中，采用ReLU激活函数正则化邻接矩阵A(去除矩阵A中的负值)，如若邻接矩阵A中第u行第v列的元素Auv为正值，那么它的对角元素(对称位置的元素)Avu将为0。另外，/>二者相减表示单向的关系。
可选地，基于上述的参数化的邻接矩阵A，可进行图结构的学习过程并在图结构的学习过程中不断进行优化，实现邻接矩阵A的更新。示例性地，可采用相应神经网络自适应地学习谱段之间的相关性以获取最适应的图结构及图邻接矩阵，如在随机梯度优化过程中不断调整邻接矩阵A，以获得最合适的图结构及其对应的邻接矩阵A。
可选地，步骤300包括：
通过图卷积神经网络的mix-hop层处理每个节点的入度信息和出度信息。
具体地，图卷积神经网络通过聚合节点自身信息(或数据)及邻居节点数据进行信息传递，以实现光谱特征信息的提取，也就是说，采用图卷积神经网络的最终目的是将节点的信息与相邻节点的信息融合，以获得空间依赖关系。节点数据包括节点的入度(指单向加权图中以某节点作为图中边的终点的次数之和)的相关信息(记为入度信息)和出度(指单向加权图中以某节点作为图中边的起点的次数之和)的相关信息(记为出度信息)，图卷积神经网络通过mix-hop层对每个节点的入度信息和出度信息进行处理，将相应入度信息和出度信息被mix-hop层处理后得到的信息相加即为图卷积神经网络最终的输出—多光谱遥感图像的光谱特征信息。
可选地，mix-hop层包括第一mix-hop层和第二mix-hop层，第一mix-hop层和第二mix-hop层分别用于处理每个节点的入度信息和出度信息。
示例性地，图卷积神经网络通过两个mix-hop传播层(第一mix-hop层和第二mix-hop层)分别对每个节点的入度信息和出度信息进行处理，最终将两个mix-hop传播层处理后得到的信息相加即为图卷积神经网络最终的输出—多光谱遥感图像的光谱特征信息，以提升节点数据的处理效率。
可选地，mix-hop层包括信息传递层和信息选择层，信息传递层用于传播节点数据，信息选择层用于筛选出重要的节点数据。
具体地，mix-hop层包含信息传递与信息选择两部分。信息传递层的信息传递计算公式如下：
其中，β为超参数，用于控制保持原始节点数据的比例；k表示信息传递层的深度(或层数)，Hin表示当前层的输入(前一层的输出)，H(k)表示传播深度为k时的光谱特征信息。I为单位矩阵，其是为了充分利用遥感数据谱段的自相关特征，需要将更新后邻接矩阵A的对角线元素统一赋值为1，即得到融合谱段自相关特征的邻接矩阵/> 为/>的度矩阵，为了防止/>矩阵变换后输出发生爆炸现象，需要将图邻接矩阵/>进行归一化处理，即将A的每一行除以行的和，得到/>对于β，由于信息传递层会递归地传播节点数据，其在多层图卷积神经网络中会出现同一个连通图的不同节点表征会随着网络层数的加深而趋向于同一个值的问题，这会导致无法区分不同节点(即过度平滑问题)。为了缓解过度平滑问题，加入了初始节点数据保持因子β，这样传播过程中节点既可以保持局部性，还可以得到更新的邻居节点数据，探索更加深层的邻域。但是，这样会出现一个新的问题，一些节点数据会被丢失，不断地聚合邻居信息只是会给节点增加更多无效的噪声信息；因此，还需通过信息选择层(采用MLP算法)来筛选重要的信息传递到下一层，例如，通过一个参数矩阵充当特征选择器，过滤出每一层产生的重要信息。信息选择层的信息选择计算公式为：
其中，Hout表示当前层的隐层输出状态；W(k)为参数矩阵(初始化的权重矩阵)，当给定的图结构不存在依赖关系时，即信息传递计算公式中聚合邻居信息部分需要为0时，可以令W(k)＝0，仅保留节点初始节点数据。
结合图3所示，本发明另一实施例提供一种多光谱遥感图像的光谱特征提取装置，包括：
获取模块，用于获取待研究区域的多光谱遥感图像；
图学习模块，用于预处理多光谱遥感图像，得到关于多光谱遥感图像的谱段及谱段之间关联关系的节点数据；
图卷积模块，用于将节点数据输入图卷积神经网络进行处理，输出得到多光谱遥感图像的光谱特征信息。
本实施例中，通过多光谱遥感图像的光谱特征提取装置通过获取模块、图学习模块与图卷积模块等结构的配合，保证了多光谱遥感图像的光谱特征提取方法能够顺利且稳定地执行，以实现基于多光谱遥感影像的谱段及谱段之间关联关系并采用图卷积神经网络的光谱特征提取，实现了更显著、更有判别力的光谱特征信息的提取，以得到更具判别性的光谱特征信息。
示例性地，结合图3所示，获取模块、图学习模块和图卷积模块通讯连接。获取模块采用雷达等设备进行待研究区域的多光谱遥感图像的获取；图学习模块根据获取模块获取得到多光谱遥感图像进行相应的预处理，得到关于多光谱遥感图像的谱段及谱段之间关联关系的节点数据，例如采用相应的图结构表征节点数据；图卷积模块将图学习模块得到的节点数据作为输入，采用图卷积神经网络对其进行处理，输出得到多光谱遥感图像的光谱特征信息。一些实施例中，图卷积模块设有多个(图3中省略号表示省略的图卷积模块)，上一图卷积模块的输出可作为下一图卷积模块的输入，最终得到更具判别性的光谱特征信息。
本发明另一实施例提供一种多光谱遥感图像的光谱特征提取装置，包括存储有计算机程序的计算机可读存储介质和处理器，计算机程序被处理器读取并运行时，实现上述的多光谱遥感图像的光谱特征提取方法。
本实施例中，通过多光谱遥感图像的光谱特征提取装置的处理器、计算机可读存储介质等结构的配合，执行多光谱遥感图像的光谱特征提取方法，实现了基于多光谱遥感影像的谱段及谱段之间关联关系并采用图卷积神经网络的光谱特征提取，从而实现了更显著、更有判别力的光谱特征信息的提取，以得到更具判别性的光谱特征信息。
本发明另一实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器读取并运行时，实现上述的多光谱遥感图像的光谱特征提取方法。
本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本发明实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过计算机可读存储介质，存储多光谱遥感图像的光谱特征提取方法相应的计算机程序，能够保证多光谱遥感图像的光谱特征提取方法相应的计算机程序被相应处理器读取和运行时的稳定性。这样执行多光谱遥感图像的光谱特征提取方法，实现了基于多光谱遥感影像的谱段及谱段之间关联关系并采用图卷积神经网络的光谱特征提取，从而实现了更显著、更有判别力的光谱特征信息的提取，以得到更具判别性的光谱特征信息。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种多光谱遥感图像的光谱特征提取方法，其特征在于，包括：
获取待研究区域的多光谱遥感图像；
预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据；
将所述节点数据输入图卷积神经网络进行处理，输出得到所述多光谱遥感图像的光谱特征信息。
2.如权利要求1所述的多光谱遥感图像的光谱特征提取方法，其特征在于，所述预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据包括：
确定所述多光谱遥感图像的所述谱段；
将所述多光谱遥感图像的每个所述谱段作为节点，将所述谱段之间的关联关系作为边，构建关于所述节点和所述边的图结构。
3.如权利要求2所述的多光谱遥感图像的光谱特征提取方法，其特征在于，所述预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据还包括：
采用包括所述节点和所述边的加权图表征所述多光谱遥感图像的所述谱段及所述谱段之间的关联关系。
4.如权利要求3所述的多光谱遥感图像的光谱特征提取方法，其特征在于，所述加权图采用单向加权图；所述构建关于所述节点和所述边的图结构之后，所述预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据还包括：
基于所述单向加权图构建关于所述多光谱遥感图像的邻接矩阵A，其中：
其中，M1＝tanh(αE1θ1)，M2＝tanh(αE2θ2)；α是用于控制激活函数饱和率的超参数；E1和E2为随机初始化的节点嵌入表示，通过所述节点之间向量计算表示所述节点之间的关联关系；θ1和θ2为参数。
5.如权利要求2所述的多光谱遥感图像的光谱特征提取方法，其特征在于，所述图结构采用单向加权图；所述将所述节点数据输入图卷积神经网络进行处理，输出得到所述多光谱遥感图像的光谱特征信息包括：
通过所述图卷积神经网络的mix-hop层处理每个所述节点的入度信息和出度信息。
6.如权利要求5所述的多光谱遥感图像的光谱特征提取方法，其特征在于，mix-hop层包括第一mix-hop层和第二mix-hop层，所述第一mix-hop层和所述第二mix-hop层分别用于处理每个所述节点的所述入度信息和所述出度信息。
7.如权利要求5所述的多光谱遥感图像的光谱特征提取方法，其特征在于，所述mix-hop层包括信息传递层和信息选择层，所述信息传递层用于传播节点数据，信息选择层用于筛选出重要的所述节点数据。
8.一种多光谱遥感图像的光谱特征提取装置，其特征在于，包括：
获取模块，用于获取待研究区域的多光谱遥感图像；
图学习模块，用于预处理所述多光谱遥感图像，得到关于所述多光谱遥感图像的谱段及谱段之间关联关系的节点数据；
图卷积模块，用于将所述节点数据输入图卷积神经网络进行处理，输出得到所述多光谱遥感图像的光谱特征信息。
9.一种多光谱遥感图像的光谱特征提取装置，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1-7中任一项所述的多光谱遥感图像的光谱特征提取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-7中任一项所述的多光谱遥感图像的光谱特征提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659687.9A CN116883692A (zh) | 2023-06-06 | 2023-06-06 | 多光谱遥感图像的光谱特征提取方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659687.9A CN116883692A (zh) | 2023-06-06 | 2023-06-06 | 多光谱遥感图像的光谱特征提取方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116883692A true CN116883692A (zh) | 2023-10-13 |
Family
ID=88261141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310659687.9A Pending CN116883692A (zh) | 2023-06-06 | 2023-06-06 | 多光谱遥感图像的光谱特征提取方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883692A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105548067A (zh) * | 2015-12-16 | 2016-05-04 | 西南大学 | 一种利用变形虫网络实现最小冗余度的波长选择方法 |
| CN111544256A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于图卷积和迁移学习的脑控智能全肢体康复方法 |
| CN112926452A (zh) * | 2021-02-25 | 2021-06-08 | 东北林业大学 | 一种基于GCN和GRU增强U-Net特征的高光谱分类方法及系统 |
| CN113239938A (zh) * | 2021-05-11 | 2021-08-10 | 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 |
| CN113344103A (zh) * | 2021-06-23 | 2021-09-03 | 北京航空航天大学 | 基于超图卷积神经网络的高光谱遥感图像地物分类方法 |
| CN113505878A (zh) * | 2021-07-09 | 2021-10-15 | 兰州大学 | 一种基于图神经网络的航迹预测方法 |
| CN113643182A (zh) * | 2021-08-20 | 2021-11-12 | 中国地质大学（武汉） | 一种基于对偶学习图网络的遥感影像超分辨率重建方法 |
| CN114358159A (zh) * | 2021-12-27 | 2022-04-15 | 国网上海市电力公司 | 一种基于图时空神经网络的变压器故障预测方法 |
| US20220124543A1 (en) * | 2021-06-30 | 2022-04-21 | Oner Orhan | Graph neural network and reinforcement learning techniques for connection management |
| CN114863291A (zh) * | 2022-04-20 | 2022-08-05 | 重庆市地理信息和遥感应用中心 | 基于mcl和光谱差异度量的高光谱影像波段选择方法 |
| CN115376010A (zh) * | 2022-05-13 | 2022-11-22 | 北京化工大学 | 一种高光谱遥感影像分类方法 |
| CN115410088A (zh) * | 2022-10-10 | 2022-11-29 | 中国矿业大学 | 一种基于虚拟分类器的高光谱图像领域自适应方法 |
-
2023
- 2023-06-06 CN CN202310659687.9A patent/CN116883692A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105548067A (zh) * | 2015-12-16 | 2016-05-04 | 西南大学 | 一种利用变形虫网络实现最小冗余度的波长选择方法 |
| CN111544256A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于图卷积和迁移学习的脑控智能全肢体康复方法 |
| CN112926452A (zh) * | 2021-02-25 | 2021-06-08 | 东北林业大学 | 一种基于GCN和GRU增强U-Net特征的高光谱分类方法及系统 |
| CN113239938A (zh) * | 2021-05-11 | 2021-08-10 | 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 |
| CN113344103A (zh) * | 2021-06-23 | 2021-09-03 | 北京航空航天大学 | 基于超图卷积神经网络的高光谱遥感图像地物分类方法 |
| US20220124543A1 (en) * | 2021-06-30 | 2022-04-21 | Oner Orhan | Graph neural network and reinforcement learning techniques for connection management |
| CN113505878A (zh) * | 2021-07-09 | 2021-10-15 | 兰州大学 | 一种基于图神经网络的航迹预测方法 |
| CN113643182A (zh) * | 2021-08-20 | 2021-11-12 | 中国地质大学（武汉） | 一种基于对偶学习图网络的遥感影像超分辨率重建方法 |
| CN114358159A (zh) * | 2021-12-27 | 2022-04-15 | 国网上海市电力公司 | 一种基于图时空神经网络的变压器故障预测方法 |
| CN114863291A (zh) * | 2022-04-20 | 2022-08-05 | 重庆市地理信息和遥感应用中心 | 基于mcl和光谱差异度量的高光谱影像波段选择方法 |
| CN115376010A (zh) * | 2022-05-13 | 2022-11-22 | 北京化工大学 | 一种高光谱遥感影像分类方法 |
| CN115410088A (zh) * | 2022-10-10 | 2022-11-29 | 中国矿业大学 | 一种基于虚拟分类器的高光谱图像领域自适应方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHUNYAN YU 等: "Unsupervised Hyperspectral Band Selection via Hybrid Graph Convolutional Network", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 60 * |
| 武红宇 等: "基于谱段关联的近红外图像模拟方法", 《光子学报》, vol. 47, no. 4, pages 157 - 164 * |
| 陈建通: "基于深度神经网络的高光谱波段选择方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, vol. 2021, no. 5, pages 028 - 151 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Denoising hyperspectral image with non-iid noise structure | |
| CN110097086B (zh) | 图像生成模型训练方法、图像生成方法、装置、设备及存储介质 | |
| US11544535B2 (en) | Graph convolutional networks with motif-based attention | |
| CN110048827B (zh) | 一种基于深度学习卷积神经网络的类模板攻击方法 | |
| Saralioglu et al. | Semantic segmentation of land cover from high resolution multispectral satellite images by spectral-spatial convolutional neural network | |
| Shen et al. | Nonlinear structural vector autoregressive models with application to directed brain networks | |
| Khaw et al. | Image noise types recognition using convolutional neural network with principal components analysis | |
| Ochoa‐Villegas et al. | Addressing the illumination challenge in two‐dimensional face recognition: a survey | |
| CN112633481B (zh) | 一种多跳图卷积神经网络模型系统及训练方法 | |
| Phaneendra Kumar et al. | Whale optimization-based band selection technique for hyperspectral image classification | |
| CN111667019B (zh) | 基于可变形分离卷积的高光谱图像分类方法 | |
| CN113361606A (zh) | 深层图注意力对抗变分自动编码器训练方法及系统 | |
| CN110809126A (zh) | 一种基于自适应可变形卷积的视频帧插值方法及系统 | |
| Lensink et al. | Fully hyperbolic convolutional neural networks | |
| CN116246138A (zh) | 基于全卷积神经网络的红外-可见光图像目标级融合方法 | |
| CN116994093A (zh) | 基于对偶图卷积神经网络的高光谱图像分类方法 | |
| Sujithra et al. | CRUN‐Based Leaf Disease Segmentation and Morphological‐Based Stage Identification | |
| Li et al. | Ga-cnn: Convolutional neural network based on geometric algebra for hyperspectral image classification | |
| CN115376010A (zh) | 一种高光谱遥感影像分类方法 | |
| Guo et al. | Multi-scale multi-attention network for moiré document image binarization | |
| Zhong et al. | Multiscale feature extraction based on convolutional sparse decomposition for hyperspectral image classification | |
| CN117557475A (zh) | 一种两阶段的遥感图像全色锐化方法 | |
| CN116883692A (zh) | 多光谱遥感图像的光谱特征提取方法、装置及存储介质 | |
| Estévez et al. | Nonlinear time series analysis by using gamma growing neural gas | |
| Mehrkanoon et al. | Multi-label semi-supervised learning using regularized kernel spectral clustering |
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 |