[发明专利]基于图中图卷积网络的高光谱图像分类方法

说明书

本发明公开了基于图中图卷积网络的高光谱图像分类方法，所述方法包括：获取目标光谱图像，将所述目标光谱图像分割成若干超像素块；确定若干所述超像素块分别对应的局部结构图和所述目标光谱图像对应的全局结构图；根据所述若干所述局部结构图和所述全局结构图，确定所述目标光谱图像对应的目标图像类别。本发明通过确定每一超像素块的局部结构图保留了超像素内极优的同质信息，并将其与目标光谱图像的全局结构图一起综合判定目标光谱图像的图像类别，提高了分类的准确性。解决了现有的基于图卷积的目标光谱图像分类方法在表征超像素时，采用超像素块内的均值或最大值统计变量，严重地忽略了超像素内极优的同质信息，导致分类结果不准确的问题。

技术领域

本发明涉及图像处理领域，尤其涉及的是一种基于图中图卷积网络的高光谱图像分类方法。

背景技术

近年来，高光谱成像技术的发展显著地提高了目标光谱图像的光谱分辨率。精细的光谱分辨率有利于图像更好地表达地物的光谱特性，实现更加精确的像素级分类。随着无人机技术的成熟和高光谱卫星的部署，目标光谱图像数据的获取渠道越来越多。但是，在目标光谱图像分类领域，数据的标记要求标注人员具备一定的先验知识，费时费力。得益于硬件设施如图形处理单元(GPU)的快速发展和海量数据，深度学习技术在计算机视觉和自然语言处理领域取得了显著性的突破，在性能上大幅度地超越了传统的机器学习方法。与传统机器学习相比，深度学习无需过多的先验知识和手工设置，就能够从海量的数据和标签对之中自适应地学习它们之间的映射关系，因此深度学习技术也被引入到目标光谱图像分类领域，用以更好地提取地物的空间和光谱信息并进一步地提高分类的准确率。

深度学习方法虽然已经能够完全胜任处理图像或序列等欧式空间数据的任务，但是在非欧数据领域，例如图结构数据中却寸步难行。目前提出了许多的基于图卷积的目标光谱图像分类方法，通过图表示的方法来更好地提取像素点的邻近信息。在这类方法中，通常需要采用超像素分割方法，将目标光谱图像转换为若干个超像素块。然后，将超像素视为图节点，而其邻近关系视则为节点的边，以此构造目标光谱图像的图表示。然而现有的基于图卷积的目标光谱图像分类方法在表征超像素时，一般采用超像素块内的均值或最大值统计变量。这种方法虽然简单，但是严重地忽略了超像素内极优的同质信息，使得模型取得了次优解。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于图中图卷积网络的高光谱图像分类方法，旨在解决现有的基于图卷积的目标光谱图像分类方法在表征超像素时，采用超像素块内的均值或最大值统计变量，严重地忽略了超像素内极优的同质信息，导致分类结果不准确的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种基于图中图卷积网络的高光谱图像分类方法，其中，所述方法包括：

获取目标光谱图像，将所述目标光谱图像分割成若干超像素块；

确定若干所述超像素块分别对应的局部结构图和所述目标光谱图像对应的全局结构图；

根据所述若干所述局部结构图和所述全局结构图，确定所述目标光谱图像对应的目标图像类别。

在一种实施方式中，所述将所述目标光谱图像分割成若干超像素块，包括：

将所述目标光谱图像输入超像素分割算法，得到若干所述超像素块，其中，每一所述超像素块对应一个同质区域。

在一种实施方式中，将每一所述超像素块作为一个目标超像素块，所述局部结构图的确定过程，包括：

将所述目标超像素块中的每一像素点作为一个第一节点，得到第一节点矩阵；

根据全部所述第一节点之间的邻接关系，得到第一邻接矩阵；