[发明专利]基于微型批处理与级联融合的图卷积网络高光谱分类方法

说明书

本发明提供一种基于微型批处理与级联融合的图卷积网络高光谱分类方法，涉及高光谱图像处理与应用技术领域。将输入的高光谱影像数据集进行微型批量处理,CNN使用minibatch策略进行培训，得到数据集的所有子集，构造高光谱影像数据集的邻接矩阵，构建拉普拉斯矩阵，进行谱域中的图卷积，将通过傅里叶变换后的图信号进行卷积处理，从而提取特征，将miniGCNs与CNNs级联融合后，输出样本类别。本发明利用一种新的有监督的miniGCN进行网络训练，具有更大的灵活性，同时融合了卷积神经网络为HS图像分类任务提取更多样化和更具鉴别能力的特征表示，方法更具有有效性和优越性。

技术领域

本发明涉及高光谱图像处理与应用技术领域，尤其涉及一种基于微型批处理与级联融合的图卷积网络高光谱分类方法。

背景技术

高光谱图像具有丰富而详细的光谱信息，通过捕捉与像素相关联的光谱特征曲线中连续形状的更细微差异，可以更有效的识别感兴趣的物体(特别是光谱相似类的物体)。与RGB和多光谱(MS)数据相比，高光谱图像能够以更精细和更准确的探测和识别地球表面的物质。然而，地物之间的高度光谱混合性和光谱可变性、复杂的噪声效应给高光谱数据的有效判别信息提取带来了困难。

在过去的几十年里，各种手工处理和基于学习的特征提取(FE)算法(非监督或监督)已经成功地设计并应用于(高光谱)HS图像分类。其中形态学(MPs)是一种有效的工具，它可以从HS图像中手动提取空间光谱特征。将MPs提取的特征作为支持向量机(SVM)分类器的输入向量，获得了满意的分类结果。在此基础上最大稳定极值区域引导MPs被提出，并且在MS图像上获得了高分类性能。为了进一步增强特征表示，研究人员还提出了其他形态学处理方法在图像分类上的研究，包括属性轮廓(APs)和不变APs。另一种典型的FE学习策略是基于子空间的学习，如稀疏矩阵和流形学习。这些方法通过使用新的、潜在的、低维的子空间表示来管理高维原始空间，从而学习获得变换或投影。尽管上述方法已经被证明在HS分类任务中是有效的，但是由于缺乏强大的数据拟合和表示能力，特征识别仍然有限。

受深度学习(DL)技术的启发，堆叠式自动编码器被应用于通过主成分分析(PCA)获得的降维HS图像来实现HS图像分类。卷积神经网络(CNNs)被证明能够从HS图像中更有效地提取空间光谱特征，从而产生更高的分类性能。递归神经网络可以将光谱特征作为序列数据进行处理。

在上述研究的基础上，图卷积网络(GCNs)是一个热点和新兴的网络体系结构，它能够通过对样本(或顶点)之间的关系进行建模来有效地处理图结构数据。因此，可以使用GCNs来模拟HS图像中的像素之间存在的空间关系，从而改进CNNs中存在的问题。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于微型批处理与级联融合的图卷积网络高光谱分类方法，对高光谱图像进行分类，提高高光谱数据的分类精度。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于微型批处理与级联融合的图卷积网络高光谱分类方法，包括以下步骤：

步骤1：输入待分类的原始高光谱影像数据集X，其中，n＝a₁×b为一个a₁行b列的高光谱影像的像素点个数，d表示高光谱影像的波段数，x_nd表示第d个波段第n个像素点；d个波段也代表具有d个特征；

步骤2：将输入的数据集进行微型批量处理，得到数据集的所有子集m₁m₂...m_n；

步骤3：对所输入的高光谱影像数据集X，构造其邻接矩阵A定义顶点即邻接矩阵中的每个节点之间的关系或边；邻接矩阵A的形式如下：

A中的每个元素通过以下基函数RBF进行计算：