CN117315381A - 一种基于二阶有偏随机游走的高光谱图像分类方法 - Google Patents
一种基于二阶有偏随机游走的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN117315381A CN117315381A CN202311620265.7A CN202311620265A CN117315381A CN 117315381 A CN117315381 A CN 117315381A CN 202311620265 A CN202311620265 A CN 202311620265A CN 117315381 A CN117315381 A CN 117315381A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- hypergraph
- spatial
- spectral
- random walk
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005295 random walk Methods 0.000 title claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract description 2
- 241001466077 Salina Species 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—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
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于二阶有偏随机游走的高光谱图像分类方法，涉及高光谱图像处理领域。本发明通过线性判别分析算法（LDA）对高光谱图像进行特征提取和降维，排除冗余和无关的信息；采用线性迭代聚类算法（SLIC）进行图像分割，构建具有局部连续性和空间关联性的超像素，并降低图节点规模；提取高光谱图像的光谱特征和空间特征；对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图；将超图融合并输入结构自适应超图神经网络进行学习与分类；本发明与现有技术相比，通过二阶有偏随机游走算法，实现了介于深度优先遍历和广度优先遍历的超边节点采样策略。
Description
技术领域
本发明提出一种基于二阶有偏随机游走的高光谱图像分类方法，涉及高光谱图像处理领域。
背景技术
高光谱图像分类是遥感领域的一个重要研究课题；不同于RGB图像和多光谱图像，高光谱图像具有更丰富的光谱和空间信息；这意味着能为地质勘探、农业评估、土地管理和军事侦察等领域提供更多的关键信息；然而，由于高光谱图像数据具有高度非线性的不规则分布结构，丰富的光谱信息会导致不同的物体具有相似的光谱特征，导致网络难以正确分类；因此如何高效地对高光谱图像中丰富的光谱和空间信息进行建模和表示仍然是一个具有挑战性的任务。
目前，对于高光谱图像的方法主要分为基于CNN模型和基于GCN模型，但是这些方法倾向于关注局部特征，忽略了高光谱图像中的高阶相关性；同时高光谱图像由带状结构群落和聚集结构群落混合组成，如图3所示，而现有方法没有考虑综合利用高光谱图像中存在的不同群落特征；因此，如何对高光谱图像复杂的高阶相关性进行建模，并对高光谱图像中带状结构群落和聚集结构进行有效表征，综合利用高光谱图像中的深度和广度信息是目前亟待解决的技术问题。
发明内容
本发明要解决的技术问题是传统方法对高光谱图像中高阶关系的构造不足问题，本发明的目的在于提供一种基于二阶有偏随机游走的高光谱图像分类方法，同时对高光谱图像中带状结构群落和聚集结构进行有效表征，综合利用高光谱图像中的深度和广度信息。
本发明的技术方案是：一种基于二阶有偏随机游走的高光谱图像分类方法，采用线性迭代聚类算法（SLIC）进行图像分割，构建具有局部连续性和空间关联性的超像素，并降低图节点规模；提取高光谱图像的光谱特征和空间特征；对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图；将超图融合并输入结构自适应超图神经网络进行学习与分类，具体包括以下步骤：
Step1：通过线性判别分析算法（LDA）对高光谱图像进行特征提取和降维，排除冗余和无关的信息；LDA通过最大化类间距离，最小化类内距离，实现将高维的光谱数据投影到一个更低维的子空间，以便更好的区分不同类别的地物。
Step2：采用线性迭代聚类算法（SLIC）进行图像分割，构建具有局部连续性和空间关联性的超像素，并降低图节点规模。
Step3：提取高光谱图像的光谱特征（光谱维度信息）和空间特征（空间维度位置信息）。
本发明所述高光谱图像是一种在数百个连续波段范围内捕捉地表物体反射或辐射的图像，每个波段对应不同的光谱特征；这种图像提供了丰富的光谱信息，可用于分析和识别地表物体的种类、状态和特征。
Step4：对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图；
Step5：将光谱超图和空间超图融合，并输入结构自适应超图神经网络进行学习与分类。
优选的，本发明Step1中高光谱图像数据集用表示，其中M表示高光谱图像的长度，W表示宽度，D1为高光谱图像的特征维度；Step1中降维后的高光谱图像数据集用表示，D2为降维后的高光谱图像的特征维度，且D2≤D1；即/>=LDA()，其中LDA（）表示线性判别分析算法。
优选的，Step2的具体过程为：将LDA降维后的高光谱图像展平为，其中N1=M×W，D2为降维后的高光谱图的特征维度，表示为高光谱图像超像素分割前的像素点个数，通过重复进行聚类迭代和超像素中心更新，得到超像素分割后的高光谱图像表达为，其中S为超像素的个数，且S<N1；通过超像素分割能够将高光谱图像的节点规模减小到S，同时通过聚类迭代得到具有局部连续性和空间关联性的超像素；即/>=SLIC（/>），其中SLIC（）表示线性迭代聚类算法。
优选的，本发明Step3中，提取超像素分割后的光谱特征和空间特征，其中d1为光谱特征维度，d2为空间特征维度；对于一块超像素，其超像素的光谱特征和空间特征为这一超像素块里面的所有像素的平均值；超像素标签采用最大值投票法，即超像素内数量最多的某一类别即为超像素的类别。
优选的，本发明Step4中对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图，具体包括以下步骤：
对超像素分割后的光谱特征和空间特征/>利用欧式距离构建一个简单图结构，/>。
其中d表示特征维度，和/>表示第i和j个超像素的第l维特征,/>表示超像素i和超像素j之间的相似性。
考虑一个随机遍历，刚从节点t遍历到节点v，确定下一个与节点v相邻的节点，设为非标准化转移概率矩阵，二阶有偏随机游走策略为：
其中表示下一节点/>和上一节点t之间的距离长度；P为返回参数，q为进出参数；通过调节p、q能实现介于深度优先遍历和广度优先遍历，实现对高光谱图像中的带状结构和聚集结构的有效表征;最后将遍历节点序列构建成一条超边，组合得到结构自适应光谱超图/>和空间超图/>。
优选的，本发明Step5中，将结构自适应光谱超图和空间超图/>进行融合得到高光谱图像超图结构/>;将高光谱图像特征/>和超图结构/>送进具有两层超图卷积的神经网络进行训练，即/>，其中Z表示单层超图卷积，/>是激活函数，/>和/>是模型的可学习参数，T表示转置，采用标准反向传播算法进行更新；Y是输出信号，并通过以下交叉熵损失函数进行训练：
其中，S是样本数量，即超像素个数，C为类别数，是样本i属于类别j的真实标签，用0或1表示，/>是模型预测样本i属于类别j的概率；D v 代表节点度矩阵，D e 代表边度矩阵。
本发明的有益效果是：本发明通过超图结构来对高光谱图像中的高阶相关性建模，弥补现有方法对复杂的高阶相关性表示不足问题，采用二阶有偏随机游走算法，实现介于深度优先遍历和广度优先遍历的超边节点采样策略，综合利用了高光谱图像中的深度和广度信息，从而提高光谱图像的分类性能。
附图说明
图1是本发明的步骤流程图；
图2是二阶有偏随机游走示例图；
图3是高光谱图像有带状群落和聚集群落混合组成示意图；
图4是Indian Pines数据集的真实高光谱图像的真实标签和不同模型的预测结果；
图5是Xuzhou数据集的真实高光谱图像的真实标签和不同模型的预测结果；
图6是Salinas数据集的真实高光谱图像的真实标签和不同模型的预测结果。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明，但本发明的保护范围并不限于所述范围。
实施例1
一种基于二阶有偏随机游走的高光谱图像分类方法，具体包括以下步骤：
Step1：通过LDA算法对高光谱图像进行特征提取和降维；LDA通过最大化类间距离，最小化类内距离，实现将高维的光谱数据投影到一个更低维的子空间，以便更好的区分不同类别的地物；即对于高光谱图像数据集，用表示，其中M表示高光谱图像的长度，W表示宽度，D1为高光谱图像的特征维度；通过LDA算法得到降维后的高光谱图像，其D2为降维后的高光谱图像的特征维度，并且D2≤D1；即/>=LDA()。
Step2：采用SLIC算法进行图像分割；将LDA降维后的高光谱图像展平为，其中N1=M×W，表示为高光谱图像超像素分割前的像素点个数，通过重复进行聚类迭代和超像素中心更新，得到超像素分割后的高光谱图像表达式为/>，其中S为超像素的个数，且S<N1，通过超像素分割能够将高光谱图像的节点规模减小到S，同时通过聚类迭代得到具有局部连续性和空间关联性的超像素；即/>=SLIC(/>)。
Step3：提取超像素分割后的光谱特征和空间特征/>，其中d1为光谱特征维度，d2为空间特征维度；对于一块超像素，其超像素的光谱特征和空间特征为这一超像素块里面的所有像素的平均值；超像素标签采用最大值投票法，即超像素内数量最多的某一类别即为超像素的类别。
Step4：对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图；首先对超像素分割后的光谱特征和空间特征/>利用欧式距离构建一个简单图结构，/>，其中d表示特征维度，/>表示超像素i和超像素j之间的相似性；如图2所示，考虑一个随机遍历，它刚刚从节点t遍历到节点v，现在需要确定下一个与节点v相邻的节点，设/>为非标准化转移概率矩阵，二阶有偏随机游走策略为：
其中表示下一节点/>和上一节点t之间的距离；P为返回参数，q为进出参数；通过调节p，q能实现介于深度优先遍历和广度优先遍历，实现对高光谱图像中的带状结构和聚集结构的有效表征；最后将遍历节点序列构建成一条超边，组合得到结构自适应光谱超图/>和空间超图/>。
Step5：将结构自适应光谱超图和空间超图/>进行融合得到高光谱图像超图结构/>；将高光谱图像特征/>和超图结构/>送进具有两层超图卷积的神经网络进行训练，即/>，其中Z表示单层超图卷积，/>是激活函数，/>和/>是模型的可学习参数，T表示转置，采用标准反向传播算法进行更新；Y是输出信号，并通过交叉熵损失函数进行训练，其中S是样本数量，即超像素个数，C为类别数，/>是样本i属于类别j的真实标签，用0或1表示，/>是模型预测样本i属于类别j的概率。
下面通过实验的方式来说明本发明是切实可行的，具体实施过程和上述技术方案一致，以下介绍实验所用数据集和电脑环境：
1、实验数据：
Xuzhou 数据集：该数据集是在2014年由机载HYSPEX高光谱相机收集的；该数据集去除噪声后包括436个光谱波段，大小为500×260像素，被标记为9个不同的类别。
Indian Pines 数据集：该数据集是在1992年由AVIRIS传感器收集的，是最早用于HSI分类的数据集之一；其波长范围为0.4-2.5μm，去除噪声后含200个连续波段；其图像空间分辨率为20m×20m，大小为145×145像素，被标记为16个不同的类别。
Salinas 数据集：该数据集是由AVIRIS传感器拍摄，拍摄地点是加州SalinasValley；该原始数据包含224个波段，去除噪声波段后，还剩下204个波段；该数据的空间分辨率是3.7米，大小是512×217像素，包含了16个不同的农作物类别。
2、实验设置
所有实验都使用PyTorch框架实现，使用Adam优化器进行优化，权重衰减设置为0.0005，训练期数为400次，初试学习率设置为0.01；对于Indian Pines 数据集选取每类的50个样本作为训练集，对于Xuzhou 数据集和Salinas 数据集选取每类30个样本作为训练集；并采用总体精度（OA），平均精度（AA）和Kappa系数作为评价指标。
OA是分类模型正确分类的样本数与总样本数的比例，即模型对所有样本的分类准确率的均值，其计算方式为：
其中，TP为真正类的样本数，即被正确分类为正类的样本数；TN为真负类的样本数，即被正确分类为负类的样本数；FP为假正类的样本数，即实际为负类但被错误分类为正类的样本数；FN为假负类的样本数，即实际为正类但被错误分类为负类的样本数。
AA是每个类别分类的准确率的平均值，它能更好地反映不同类别之间的分类性能，其计算方式为：
其中，表示第i类真正类的样本数，即被正确分类为正类的样本数；/>表示第i类的假正类的样本数，即实际为负类但被错误分类为正类的样本数；Kappa系数是用于考虑分类模型性能与随机分类之间的一致性，考虑了偶然性因素；它能够比较分类结果与随机结果的一致性程度，其计算方式为：
作为对比，本实施例还选取经典的支持向量机（SVM），二维卷积神经网络（CNN）和图卷积神经网络（GCN）作为对比模型。
本实施例所述方法简写为（SOBRS(ours)）。
3、实验结果
通过以上步骤，对Indian Pines数据集，Salinas数据集和Xuzhou数据集进行实验验证，得到实验结果如表1，表2和表3所示。
表1为Indian Pines数据集的预测效果
表2为Xuzhou数据集的预测效果
表3为Salinas数据集的预测效果
由表1，表2和表3所示，各指标的最大值用黑体加粗显示，可以看出，所提出的方法在三个数据集上的分类效果都高于对比模型，其中从表1可以看出在Indian Pines数据集上所提出的方法比第二高的对比实例GCN高出10%，在Salinas数据集和Xuzhou数据集也有不同程度的提升，说明所提出的方法相比现有技术通过超图结构能更好的对高光谱图像中包含的高阶相关性进行建模，得到更好的分类效果，同时由图4~6可以看出，所提出的方法通过二阶有偏随机游走的策略综合利用了高光谱图像中的不同群落特征，相比现有技术分类效果更加平滑准确。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种基于二阶有偏随机游走的高光谱图像分类方法，其特征在于，具体包括以下步骤：
Step1：通过线性判别分析算法对高光谱图像进行特征提取和降维，排除冗余和无关的信息；
Step2：采用线性迭代聚类算法进行图像分割，构建具有局部连续性和空间关联性的超像素，并降低图节点规模；
Step3：提取高光谱图像的光谱特征和空间特征；
Step4：对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图；
Step5：将光谱超图和空间超图融合，并输入结构自适应超图神经网络进行学习与分类。
2.根据权利要求1所述的基于二阶有偏随机游走的高光谱图像分类方法，其特征在于：
Step1中高光谱图像数据集用表示，其中M表示高光谱图像的长度，W表示宽度，D1为高光谱图像的特征维度；
Step1中降维后的高光谱图像数据集用表示，D2为降维后的高光谱图像的特征维度，且D2≤D1；即/>=LDA(/>)，其中LDA（）表示线性判别分析算法。
3.根据权利要求1所述的基于二阶有偏随机游走的高光谱图像分类方法，其特征在于：
Step2的具体过程为：将LDA降维后的高光谱图像展平为，D2为降维后的高光谱图的特征维度，其中N1=M×W，表示为高光谱图像超像素分割前的像素点个数，通过重复进行聚类迭代和超像素中心更新,得到超像素分割后的高光谱图像表达为/>，其中S为超像素的个数，且S<N1；通过超像素分割能够将高光谱图像的节点规模减小到S，同时通过聚类迭代得到具有局部连续性和空间关联性的超像素；即/>=SLIC()，其中SLIC（）表示线性迭代聚类算法。
4.根据权利要求1所述的基于二阶有偏随机游走的高光谱图像分类方法，其特征在于：
Step3中，提取超像素分割后的光谱特征和空间特征/>，其中d1为光谱特征维度，d2为空间特征维度；对于一块超像素，其超像素的光谱特征和空间特征为这一超像素块里面的所有像素的平均值；超像素标签采用最大值投票法，即超像素内数量最多的某一类别即为超像素的类别。
5.根据权利要求1所述的基于二阶有偏随机游走的高光谱图像分类方法，其特征在于：Step4中对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图，具体包括以下步骤：
对超像素分割后的光谱特征和空间特征/>利用欧式距离构建一个简单图结构，/>，其中d表示特征维度，/>和/>表示第i和j个超像素的第l维特征，/>表示超像素i和超像素j之间的相似性;
考虑一个随机遍历，刚从节点t遍历到节点v，确定下一个与节点v相邻的节点，设为非标准化转移概率矩阵，二阶有偏随机游走策略为：
，
其中表示下一节点/>和上一节点t之间的距离长度；P为返回参数，q为进出参数；通过调节p、q能实现介于深度优先遍历和广度优先遍历，实现对高光谱图像中的带状结构和聚集结构的有效表征;最后将遍历节点序列构建成一条超边，组合得到结构自适应光谱超图/>和/>。
6.根据权利要求1所述的基于二阶有偏随机游走的高光谱图像分类方法，其特征在于：Step5中，将结构自适应光谱超图和空间超图/>进行融合得到高光谱图像超图结构/>;将高光谱图像特征/>和超图结构/>送进具有两层超图卷积的神经网络进行训练即/>，其中Z表示单层超图卷积/>，是激活函数，/>和/>是模型的可学习参数，T表示转置，采用标准反向传播算法进行更新；Y是输出信号，并通过以下交叉熵损失函数进行训练：
，
其中，S是样本数量，即超像素个数，C为类别数，是样本i属于类别j的真实标签，用0或1表示，/>是模型预测样本i属于类别j的概率；D v 代表节点度矩阵，D e 代表边度矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311620265.7A CN117315381B (zh) | 2023-11-30 | 2023-11-30 | 一种基于二阶有偏随机游走的高光谱图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311620265.7A CN117315381B (zh) | 2023-11-30 | 2023-11-30 | 一种基于二阶有偏随机游走的高光谱图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117315381A true CN117315381A (zh) | 2023-12-29 |
| CN117315381B CN117315381B (zh) | 2024-02-09 |
Family
ID=89274126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311620265.7A Active CN117315381B (zh) | 2023-11-30 | 2023-11-30 | 一种基于二阶有偏随机游走的高光谱图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117315381B (zh) |
Citations (11)
| 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 |
| CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学（武汉） | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
| CN109741358A (zh) * | 2018-12-29 | 2019-05-10 | 北京工业大学 | 基于自适应超图学习的超像素分割方法 |
| CN111913702A (zh) * | 2020-08-11 | 2020-11-10 | 湖北大学 | 一种基于图神经网络的软件系统中关键类的识别方法 |
| 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 |
| CN114463173A (zh) * | 2022-01-07 | 2022-05-10 | 武汉大学 | 一种基于超像素分割的高光谱遥感图像子图重构方法 |
| CN115331063A (zh) * | 2022-09-02 | 2022-11-11 | 安徽大学 | 基于动态超图卷积网络的高光谱图像分类方法及系统 |
| CN115578599A (zh) * | 2022-10-27 | 2023-01-06 | 西北工业大学 | 一种基于超像素-超图特征增强网络的极化sar图像分类方法 |
| CN116152544A (zh) * | 2022-11-04 | 2023-05-23 | 天津理工大学 | 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 |
| CN116612321A (zh) * | 2023-04-28 | 2023-08-18 | 赛思倍斯(绍兴)智能科技有限公司 | 一种基于多阶段超像素引导的高光谱图像分类方法 |
| CN117217929A (zh) * | 2022-05-30 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 注册对象风险识别方法、装置、计算机设备和存储介质 |
-
2023
- 2023-11-30 CN CN202311620265.7A patent/CN117315381B/zh active Active
Patent Citations (11)
| 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 |
| CN106503739A (zh) * | 2016-10-31 | 2017-03-15 | 中国地质大学（武汉） | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 |
| CN109741358A (zh) * | 2018-12-29 | 2019-05-10 | 北京工业大学 | 基于自适应超图学习的超像素分割方法 |
| CN111913702A (zh) * | 2020-08-11 | 2020-11-10 | 湖北大学 | 一种基于图神经网络的软件系统中关键类的识别方法 |
| 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 |
| CN114463173A (zh) * | 2022-01-07 | 2022-05-10 | 武汉大学 | 一种基于超像素分割的高光谱遥感图像子图重构方法 |
| CN117217929A (zh) * | 2022-05-30 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 注册对象风险识别方法、装置、计算机设备和存储介质 |
| CN115331063A (zh) * | 2022-09-02 | 2022-11-11 | 安徽大学 | 基于动态超图卷积网络的高光谱图像分类方法及系统 |
| CN115578599A (zh) * | 2022-10-27 | 2023-01-06 | 西北工业大学 | 一种基于超像素-超图特征增强网络的极化sar图像分类方法 |
| CN116152544A (zh) * | 2022-11-04 | 2023-05-23 | 天津理工大学 | 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 |
| CN116612321A (zh) * | 2023-04-28 | 2023-08-18 | 赛思倍斯(绍兴)智能科技有限公司 | 一种基于多阶段超像素引导的高光谱图像分类方法 |
Non-Patent Citations (7)
| Title |
|---|
| ADITYA GROVER 等: "node2vec: Scalable Feature Learning for Networks", 《ARXIV》, pages 1 - 10 * |
| QIN XU 等: "Hypergraph convolutional network for hyperspectral image classification", 《NEURAL COMPUTING AND APPLICATIONS》, pages 21863 * |
| ZHONGTIAN MA 等: "Hyperspectral image classification using spectral-spatial hypergraph convolution neural network", 《IMAGE AND SIGNAL PROCESSING FOR REMOTE SENSING XXVII》, pages 133 - 140 * |
| 刘玉珍 等: "基于超图和卷积神经网络的高光谱图像分类", 《激光与光电子学进展》, vol. 56, no. 11, 13 November 2018 (2018-11-13), pages 111007 - 1 * |
| 刘玉珍 等: "基于超图和卷积神经网络的高光谱图像分类", 《激光与光电子学进展》, vol. 56, no. 11, pages 111007 - 1 * |
| 周佩莹: "基于图神经网络的高光谱图像分类研究", 《万方数据》, pages 1 - 62 * |
| 黄鸿 等: "空-谱协同正则化稀疏超图嵌入的高光谱图像分类", 《测绘学报》, vol. 48, no. 6, 15 June 2019 (2019-06-15), pages 676 - 687 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117315381B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Automatic graph learning convolutional networks for hyperspectral image classification | |
| Liu et al. | Composite neighbor-aware convolutional metric networks for hyperspectral image classification | |
| Yang et al. | Local label descriptor for example based semantic image labeling | |
| Feng et al. | Dual-graph convolutional network based on band attention and sparse constraint for hyperspectral band selection | |
| CN111859010A (zh) | 一种基于深度互信息最大化的半监督音频事件识别方法 | |
| CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
| Wang et al. | Multivariate time series prediction based on optimized temporal convolutional networks with stacked auto-encoders | |
| He et al. | CECAV-DNN: Collective ensemble comparison and visualization using deep neural networks | |
| CN115457311A (zh) | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 | |
| CN116524253A (zh) | 一种基于轻量级Transformer的甲状腺癌病理图像分类方法 | |
| Luan et al. | Sunflower seed sorting based on convolutional neural network | |
| Li et al. | Adaptive mask sampling and manifold to Euclidean subspace learning with distance covariance representation for hyperspectral image classification | |
| CN113297936B (zh) | 一种基于局部图卷积网络的排球群体行为识别方法 | |
| CN112464172A (zh) | 生长参数主被动遥感反演方法及装置 | |
| Zhang et al. | Multi-domain clustering pruning: Exploring space and frequency similarity based on GAN | |
| CN117315381B (zh) | 一种基于二阶有偏随机游走的高光谱图像分类方法 | |
| CN116343032A (zh) | 结合高斯回归混合模型和mrf高光谱函数数据的分类方法 | |
| Li et al. | Spectral–spatial prototype learning-based nearest neighbor classifier for hyperspectral images | |
| Chang et al. | Image classification algorithm based on big data and multilabel learning of improved convolutional neural network | |
| Huang et al. | DeeptransMap: a considerably deep transmission estimation network for single image dehazing | |
| Hou et al. | Pyramidal dilation attention convolutional network with active and self-paced learning for hyperspectral image classification | |
| CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
| Rao et al. | Classification of land cover usage from satellite images using deep learning algorithms | |
| Yaman et al. | Image processing and machine learning‐based classification method for hyperspectral images | |
| Ning et al. | Construction of multi-channel fusion salient object detection network based on gating mechanism and pooling network |
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 |