[发明专利]一种监督的高光谱多尺度图卷积分类方法

权利要求书

1.一种监督的高光谱多尺度图卷积分类方法，包括以下步骤：

获取高光谱图像数据，其中为域空间，w为图像宽度，h为图像高度，l为光谱通道数；

对所述高光谱图像数据进行非监督的特征约简，并进行采样，得到多尺度的高光谱立方体数据集，其中K为样本总数；

由所述高光谱图像数据导出多通道光谱指数产品集合，其中J为采用的光谱指数的个数；

根据所述高光谱图像数据、高光谱立方体数据集和多通道光谱指数产品集合生成多模态多尺度的衍生数据；

根据所述衍生数据，采用基于距离量度的非监督聚类构建全局和局部的邻接图矩阵；

联合所述衍生数据和邻接图矩阵，以监督的方式训练设计的多尺度图神经网络架构，通过最小化训练损失，得到最优的模型权重；

通过监督地训练GCN得到最小化损失函数的权重矩阵和偏置矩阵，并预测样本属于所有类别的概率，代表类别的个数，取最大预测概率对应的类别作为最终分类标签分配给未标注的样本。

2.根据权利要求1所述的方法，其特征在于：所述非监督的特征约简的方法为主成分分析法。

3.根据权利要求1所述的方法，其特征在于：所述采样按照3、5、7和11个像素的图块大小进行。

4.根据权利要求1所述的方法，其特征在于：由所述高光谱图像数据导出多通道光谱指数产品集合具体为：根据归一化植被指数、归一化水体指数和归一化建筑物指数对所述高光谱图像数据进行波段代数计算，并进一步堆叠得到多通道光谱指数产品集合。

5.根据权利要求1所述的方法，其特征在于：所述距离量度是指邻接图的矩阵元素采用L2范式的马氏距离作为距离量度指标；其中，是特征向量的维数，表示所在行，表示所在列。

6.根据权利要求1所述的方法，其特征在于：所述GCN采用指数线性单元作为激活函数，并采用稀疏交叉熵损失函数处理非one-hot编码的数字编码标签。