[发明专利]基于双路图U-NET卷积网络的溢油高光谱图像检测方法

权利要求书

1.一种基于双路图U-NET卷积网络的溢油高光谱图像检测方法，包括以下步骤：

步骤0、通过w×w的窗口，将需要检测溢油的高光谱图像分割为多个大小为w×w的图像块，作为样本数据，其中w为奇数；

步骤1、对所述高光谱图像的数据进行图结构化，得到光谱图结构信息和空间图结构信息，

其中，所述光谱图结构信息包括以下信息：所述高光谱图像中的具有光谱相似性的多个像素的各自的光谱特征；以及所述具有光谱相似性的多个像素彼此之间的光谱相似性，

其中，所述空间图结构信息包括以下信息：所述高光谱图像中的具有空间相似性的多个像素的各自的光谱特征；以及所述具有空间相似性的多个像素彼此之间的光谱相似性；

步骤2、将所述光谱图结构信息和空间图结构信息分别送入双路图U-NET卷积网络中的一路，分别得到所述高光谱图像的光谱图特征和空间图特征；

步骤3、对所述光谱图特征和所述空间图特征进行融合，得到空-谱图特征；

步骤4、将所述空-谱图特征送入分类器，以得到所述高光谱图像的分类结果，

其中，步骤1包括：

步骤1-1、以所述高光谱图像的每个像素作为中心像素，分别建立所述空间图结构信息，

其中，所述空间图结构信息由特征矩阵和邻接矩阵构成，

所述空间图结构信息的特征矩阵的元素值为中心像素及其相邻像素的光谱特征值，所述空间图结构信息的邻接矩阵的元素值为中心像素与其相邻像素的光谱相似性；

步骤1-2、对所述高光谱图像的每个图像块，分别建立所述光谱图结构信息，

其中，所述光谱图结构信息由特征矩阵和邻接矩阵构成，

所述光谱图结构信息的特征矩阵的元素值为图像块中的中心像素以及与所述中心像素的光谱最相似的r个像素的光谱特征值，所述光谱图结构信息的邻接矩阵的元素值为所述中心像素与所述r个像素组成的r+1个像素彼此之间的光谱相似性。

2.根据权利要求1所述的基于双路图U-NET卷积网络的溢油高光谱图像检测方法，其中，在步骤1之前，还包括以下步骤：

步骤0-1、对所述高光谱图像的数据进行预处理，包括数据归一化和数据降维。

3.根据权利要求1或2所述的基于双路图U-NET卷积网络的溢油高光谱图像检测方法，其中，所述光谱相似性的度量定义如下：

其中，x_i,x_j为需度量的两个像素的光谱特征值，λ为宽度参数。

4.根据权利要求1或2所述的基于双路图U-NET卷积网络的溢油高光谱图像检测方法，其中，对于每个图像块而重复执行所述步骤2至4，以产生与每个图像块相对应的多个分类结果。

5.根据权利要求4所述的基于双路图U-NET卷积网络的溢油高光谱图像检测方法，其中，所述步骤2至4是基于图卷积神经网络实现的，所述样本数据作为训练集或测试集，

其中，在训练阶段，使用主损失函数，其采用交叉损失熵，定义如下：

其中，p＝{p₁,p₂,…,p_n}是使用空-谱图特征分类所得到的概率分布，p_k是类别k的概率，m是像素标签的种类的数目，是像素地面真值的独热编码表示。

6.根据权利要求5所述的基于双路图U-NET卷积网络的溢油高光谱图像检测方法，其中，对于每个图像块，利用自适应梯度下降优化算法优化交叉损失熵，重复进行步骤2至4。

7.根据权利要求1所述的基于双路图U-NET卷积网络的溢油高光谱图像检测方法，其中，所述w×w的窗口的分割步长为1，所述图像块的总数与高光谱图像的像素总数相同。

8.根据权利要求1所述的基于双路图U-NET卷积网络的溢油高光谱图像检测方法，其中，在所述双路图U-NET卷积网络中的一路中，经过四层图卷积与图池化后，得到四种尺度的特征{s₁,s₂,s₃,s₄}，之后进行四层图反卷积，在反卷积的同时，将四种尺度的特征组合，最后得到多尺度的光谱图特征与空间图特征S＝{s₁；s₂；s₃；s₄}，S为四种尺度进行组合后的多尺度特征；

所述步骤2包括：

步骤2-1、通过注意力模块，从所述光谱图特征和空间图特征中筛选出有效特征波段，

其中，所述注意力模块的筛选函数定义如下：

其中，W_θ,W_g,W分别代表卷积核参数Conv_θ,Conv_g，Conv，并且，卷积核为1×1的卷积核。