CN113239938B - 一种基于图结构的高光谱分类方法及*** - Google Patents
一种基于图结构的高光谱分类方法及*** Download PDFInfo
- Publication number
- CN113239938B CN113239938B CN202110510184.6A CN202110510184A CN113239938B CN 113239938 B CN113239938 B CN 113239938B CN 202110510184 A CN202110510184 A CN 202110510184A CN 113239938 B CN113239938 B CN 113239938B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- super
- image
- graph
- pixel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000287196 Asthenes Species 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于图结构的高光谱分类方法及***，该方法包括：将高光谱图像分割为N个超像素；各所述超像素均包括多个像素；根据N个超像素，构建图的邻接矩阵；所述邻接矩阵中各元素表示各所述超像素的特征之间的关系；根据所述邻接矩阵，利用双层图卷积算法对所述高光谱图像进行特征提取，获得各超像素的第一特征；利用自注意力机制学习各所述超像素的第一特征，获得各所述超像素的第二特征；根据各所述第二特征对所述高光谱图像中各超像素进行分类。本发明提高了高光谱分类的准确性。
Description
技术领域
本发明涉及光谱分类领域，特别是涉及一种基于图结构的高光谱分类方法及***。
背景技术
高光谱图像具有大量的光谱波段，包含丰富的空间和光谱信息，能够对包含不同材质的物进行准确识别。与多光谱图像或RGB(红色，绿色和蓝色)分析相比，高光谱图像分析能够更有效的识别对象特征。因此，将每个图像像素分类为特定标签的高光谱图像分类引起了许多领域的高度关注，例如农业监测，军事侦察以及灾难预防和控制。但是，高光谱图像波段多、光谱特征空间变异性和获取标签困难等问题给高光谱分类带来了很大困难。
在过去的几十年中，传统的机器学习算法，例如支持向量机、随机森林和K近邻，已经在高光谱分类中取得了巨大的成功。然而，传统的机器学习算法很大程度上取决于人的专业知识，存在特征提取不充分、分类效果不好等问题。
受深度学习卷积神经网络在图像处理成功应用的启发，卷积神经网络也已经应用于高光谱分类。卷积神经网络的主要优点是能够自动学习问题域的有效特征表示，从而避免复杂的手工特征工程。但是卷积神经网络方法需要大量的训练标签，而高光谱图像标签数据量少，难以提供大量的训练样本。此外，卷积神经网络内核主要为规则图形识别设计，因此它们无法自适应地捕获高光谱图像中不同对象区域的不规则几何变化。最后，卷积神经网络的卷积核的权重是固定的，这使得网络在特征提取过程中会导致边缘丢失现象，并可能导致在分类过程中导致分类错误。
因此，不管是传统机器学习方法还是深度学习中的卷积神经网络在高光谱分类中都面临一定的局限性。
发明内容
本发明的目的是提供一种基于图结构的高光谱分类方法及***，提高了分类准确度。
为实现上述目的，本发明提供了如下方案：
一种基于图结构的高光谱分类方法，包括：
将高光谱图像分割为N个超像素；各所述超像素包括多个像素；
根据N个超像素，构建图的邻接矩阵；所述邻接矩阵中各元素表示各所述超像素的特征之间的关系；
根据所述邻接矩阵，利用双层图卷积算法对所述高光谱图像进行特征提取，获得各超像素的第一特征；
利用自注意力机制学习各所述超像素的第一特征，获得各所述超像素的第二特征；
根据各所述第二特征对所述高光谱图中各超像素进行分类。
可选地，所述将高光谱图像分割为N个超像素，具体包括：
采用无监督主成分分析算法对高光谱图像进行降维；
将降维获得的第一主成分生成基本图像；
采用线性迭代聚类算法对所述基本图像进行分割，获得N个超像素。
可选地，所述邻接矩阵中超像素i和超像素j之间的关系表示为：
其中，xi表示超像素i的特征，xj表示超像素j的特征，N(xj)表示超像素j的邻居节点集合，γ表示经验系数。
可选地，所述根据各所述第二特征对所述高光谱图中各超像素进行分类，具体包括：
根据各所述第二特征采用交叉熵函数，对所述高光谱图中各超像素进行分类。
本发明还公开了一种基于图结构的高光谱分类***，包括：
高光谱图像分割模块，用于将高光谱图像分割为N个超像素；各所述超像素包括多个像素；
图的邻接矩阵构建模块，用于根据N个超像素，构建图的邻接矩阵；所述邻接矩阵中各元素表示各所述超像素的特征之间的关系；
第一特征提取模块，用于根据所述邻接矩阵，利用双层图卷积算法对所述高光谱图像进行特征提取，获得各超像素的第一特征；
第二特征提取模块，用于利用自注意力机制学习各所述超像素的第一特征，获得各所述超像素的第二特征；
超像素分类模块，用于根据各所述第二特征对所述高光谱图中各超像素进行分类。
可选地，所述高光谱图像分割模块，具体包括：
图像降维单元，用于采用无监督主成分分析算法对高光谱图像进行降维；
基本图像获得单元，用于将降维获得的第一主成分生成基本图像；
图像分割单元，用于采用线性迭代聚类算法对所述基本图像进行分割，获得N个超像素。
可选地，所述邻接矩阵中超像素i和超像素j之间的关系表示为：
其中，xi表示超像素i的特征，xj表示超像素j的特征，N(xj)表示超像素j的邻居节点集合，γ表示经验系数。
可选地，所述超像素分类模块，具体包括：
超像素分类单元，用于根据各所述第二特征采用交叉熵函数，对所述高光谱图中各超像素进行分类。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明利用图的邻接矩阵表示高光谱图像中各所述超像素的特征之间的关系，利用超像素与超像素之间的相互关系，采用自注意力机制学习提取有效特征，简化了计算量，提高了分类准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于图结构的高光谱分类方法流程示意图；
图2为本发明高光谱图像预处理流程示意图；
图3为本发明一种基于图结构的高光谱分类方法原理示意图；
图4为本发明一种基于图结构的高光谱分类***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于图结构的高光谱分类方法及***，提高了分类准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种基于图结构的高光谱分类方法流程示意图，如图1所示，
一种基于图结构的高光谱分类方法，包括：
步骤101：将高光谱图像分割为N个超像素；各所述超像素均包括多个像素。
其中步骤101，具体包括：
采用无监督主成分分析算法对高光谱图像进行降维；
利用降维获得的第一主成分生成基本图像；
采用线性迭代聚类算法对所述基本图像进行分割，获得N个超像素。
步骤102：根据N个超像素，构建图的邻接矩阵；所述邻接矩阵中各元素表示各所述超像素的特征之间的关系。
所述邻接矩阵中超像素i和超像素j之间的关系表示为：
其中，xi表示超像素i的特征，xj表示超像素j的特征，N(xj)表示超像素j的邻居节点集合，γ表示经验系数。
步骤103：根据所述邻接矩阵，利用双层图卷积算法对所述高光谱图像进行特征提取，获得各超像素的第一特征。
步骤104：利用自注意力机制学习各所述超像素的第一特征，获得各所述超像素的第二特征。
自注意力机制学习时，第l个网络层输出的第i个节点(超像素)的特征表示为：
其中，σ表示激活函数，l表示网络层，aij表示超像素i与超像素j之间边的权重，Ni表示超像素i的邻居节点集合，WT表示W的转置，表示第l层第i个节点的特征。
步骤105：根据各所述第二特征对所述高光谱图像中各超像素进行分类。
根据各所述第二特征采用交叉熵函数，对所述高光谱图像中各超像素进行分类。
交叉熵函数计算各超像素属于每个类别的概率，将概率最高的类别作为超像素的类别。
下面以具体实施例说明本发明一种基于图结构的高光谱分类方法，具体包括以下步骤：
Step1：高光谱图像分割。采用分割算法将高光谱图像分割为少量的超像素，超像素内的像素具有很强的光谱-空间相似性。
高光谱图像在空间维包含了大量像素，如果将每一个像素作为图节点，用于后续的卷积和分类，这将带来很大的计算量，对算法实用性提出了巨大挑战，必须对空间节点进行降维。实践中，发现相邻像素属于相同地物类型的可能性比较大。因此，假设一个包含B波段和m个像素的高光谱图像数据集 超像素表示为：
式中：N表示高光谱图像包含超像素数量；Si表示超像素i，Sj表示超像素j，超像素i包含ni个像素，RB表示含有B个波段的高光谱图像。
由于经典分割方法最初是为分割RGB图像而设计的，因此无法直接使用经典分割算法将高光谱图像分割为超像素。为了将高光谱图像分割成超像素，需要预先对高光谱图像进行光谱降维。在本实施例中，采用无监督主成分分析(PCA)算法对高光谱图像的进行降维，并采用第一主成分生成基本图像，该基本图像包含了丰富的原始高光谱图像信息。然后采用简单的线性迭代聚类算法(SLIC)对基本高光谱图像进行分割。最后，将超像素中所包含像素的平均光谱值作为图节点的特征向量输入后续处理网络，不仅可以抑制噪声影响，而且保留了超像素的光谱特征。
Step2：图的构建，实质上就是构建图的邻接矩阵A，顶点i(超像素i)和顶点j(超像素j)之间的关系Aij表示为：
式中xi和xj表示两个图节点i，j的特征，N(xj)是j的邻居节点集合，γ是经验系数，在算法中设置为0.2。
Step3：利用双层图卷积算法对建立起的高光谱图进行特征提取，底层图卷积算法得到被分类点(超像素点)与周围节点的关系，第二层分类图卷积算法可以得到被分类点与更远图节点的关系。图卷积算法如下：
假设图表示顶点集/>ε表示边集。/>是图的邻接矩阵，如果在顶点i和顶点j之间存在边，则用aij表示顶点i和顶点j之间边的权重。给定A后，创建A对应的图拉普拉斯矩阵L如下：
L＝D-A， (1)
式中：D是图的度矩阵。式(1)对应的对称归一化拉普拉斯矩阵Lsym如下
式中：IN是一个单位矩阵。
利用卷积定理，给定两个函数f和g，则它们的卷积可表示为：
式中：τ是移动距离，★表示卷积操作。
根据卷积定理将式(3)转换为：
对图进行卷积可以转换为傅立叶变换或者找到一组基函数。
根据式(3)可以将Lsym分解为：
式中：U是Lsym特征向量矩阵，即UUT＝E，是图傅立叶变换的基；λn代表特征值，un代表特征向量，E表示单位矩阵。
根据式(5)，函数f的图变换可表示为/>图/>逆变换可表示为则公式(4)，函数f和g的卷积可表示为
如果令UTg＝gθ，则式(6)可以转换为
式中：gθ是Lsym特征值Λ的函数。
但是(7)计算上会带来很大的计算量，为了简化计算对卷积核做近似计算，即：
其中，Tk为切比雪夫多项式，k＝1就是用切比雪夫多项式进行一阶近似。通过式(8)的转换可以将gθ(Λ)看成Λ的多项式。
利用式(8)可将(7)转换为：
当k＝1时，卷积层可简化为：
加上激活层，可以将图卷积传递函数表示如下：
其中，H(l+1)、H(l)分别表示l+1和l层的值，W为权值矩阵。
Step4：图自注意力机制。为了获得图中的全局上下文特征，将图注意力机制添加到网络中以提取不同节点(超像素)之间的不同关联度，图中任意两个节点之间的关系是通过图关注机制来计算的。为了获得输入和输出之间的对应变换，针对所有节点训练权重矩阵：W∈RF′×F，表示输入特征F和输出特征F'之间的关系。节点到节点的相关性可以通过网络层来学习。
eij＝(LeakyReLU(aT[Wxi||Wxj]))
式中eij显示了节点xj对节点xi的重要性，aT∈R2F是网络的参数向量，||表示级联运算，而LeakyReLU(·)是一个非线性层。
然后通过softmax函数将eij归一化并将其转换为概率输出aij。
每个节点的图卷积输出可以表示如下：
其中σ是激活函数，l表示网络层，aij是学习注意力权重(超像素i与超像素j之间边的权重)，表示第l层第i个节点的特征。
Step5：结果输出。在本实施例中，采用了交叉熵函数来惩罚网络输出与原始标记标签之间的差异，即
其中yG是标签集合；C表示类的数量，Yzf是训练标签矩阵，表示最后网络层输出的特征，L表示差异。本实施例可以进行端到端的训练，并采用Adam更新本实施例的网络参数。
本发明将原始高光谱数据利用主成分分析(PCA)降维后，利用线性迭代聚类算法(SLIC)对高光谱图像进行分割形成超像素，提取每个超像素的光谱特征作为后续网络的输入特征；随后利用图理论构建超像素图网络；然后利用图算法对构建的图网络进行特征提取；最后利用注意力机制学习各节点的有用特征完成对高光谱图各节点的分类。本发明与现有技术最大的区别就在于利用图结构算法对高光谱图像进行分类，能够利用节点与节点之间的相互关系，实现原有深度学习卷积神经网络大标签训练数据量所能达到的分类精度。一是能够实现超小样本条件下的高光谱图像高精度半监督分类；二是能够简化计算量；三是能够自适应的提取高光谱图像特征。本发明能够自动提取高光谱特征并完成分类，分类正确率达到90％以上。
图4为本发明一种基于图结构的高光谱分类***结构示意图，如图4所示，一种基于图结构的高光谱分类***，包括：
高光谱图像分割模块201，用于将高光谱图像分割为N个超像素；各所述超像素均包括多个像素；
图的邻接矩阵构建模块202，用于根据N个超像素，构建图的邻接矩阵；所述邻接矩阵中各元素表示各所述超像素的特征之间的关系；
第一特征提取模块203，用于根据所述邻接矩阵，利用双层图卷积算法对所述高光谱图像进行特征提取，获得各超像素的第一特征；
第二特征提取模块204，用于利用自注意力机制学习各所述超像素的第一特征，获得各所述超像素的第二特征；
超像素分类模块205，用于根据各所述第二特征对所述高光谱图像中各超像素进行分类。
所述高光谱图像分割模块201，具体包括：
图像降维单元，用于采用无监督主成分分析算法对高光谱图像进行降维；
基本图像获得单元，用于利用降维获得的第一主成分生成基本图像；
图像分割单元，用于采用线性迭代聚类算法对所述基本图像进行分割，获得N个超像素。
所述邻接矩阵中超像素i和超像素j之间的关系表示为：
其中，xi表示超像素i的特征，xj表示超像素j的特征，N(xj)表示超像素j的邻居节点集合，γ表示经验系数。
超像素分类模块205，具体包括：超像素分类单元，用于根据各所述第二特征采用交叉熵函数，对所述高光谱图像中各超像素进行分类。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于图结构的高光谱分类方法，其特征在于，包括：
将高光谱图像分割为N个超像素；各所述超像素均包括多个像素；
根据N个超像素，构建图的邻接矩阵；所述邻接矩阵中各元素表示各所述超像素的特征之间的关系；
根据所述邻接矩阵，利用双层图卷积算法对所述高光谱图像进行特征提取，获得各超像素的第一特征；
利用自注意力机制学习各所述超像素的第一特征，获得各所述超像素的第二特征；
根据各所述第二特征对所述高光谱图像中各超像素进行分类。
2.根据权利要求1所述的基于图结构的高光谱分类方法，其特征在于，所述将高光谱图像分割为N个超像素，具体包括：
采用无监督主成分分析算法对高光谱图像进行降维；
利用降维获得的第一主成分生成基本图像；
采用线性迭代聚类算法对所述基本图像进行分割，获得N个超像素。
3.根据权利要求1所述的基于图结构的高光谱分类方法，其特征在于，所述邻接矩阵中超像素i和超像素j之间的关系表示为：
其中，xi表示超像素i的特征，xj表示超像素j的特征，N(xj)表示超像素j的邻居节点集合，γ表示经验系数。
4.根据权利要求1所述的基于图结构的高光谱分类方法，其特征在于，所述根据各所述第二特征对所述高光谱图像中各超像素进行分类，具体包括：
根据各所述第二特征采用交叉熵函数，对所述高光谱图像中各超像素进行分类。
5.一种基于图结构的高光谱分类***，其特征在于，包括：
高光谱图像分割模块，用于将高光谱图像分割为N个超像素；各所述超像素均包括多个像素；
图的邻接矩阵构建模块，用于根据N个超像素，构建图的邻接矩阵；所述邻接矩阵中各元素表示各所述超像素的特征之间的关系；
第一特征提取模块，用于根据所述邻接矩阵，利用双层图卷积算法对所述高光谱图像进行特征提取，获得各超像素的第一特征；
第二特征提取模块，用于利用自注意力机制学习各所述超像素的第一特征，获得各所述超像素的第二特征；
超像素分类模块，用于根据各所述第二特征对所述高光谱图像中各超像素进行分类。
6.根据权利要求5所述的基于图结构的高光谱分类***，其特征在于，所述高光谱图像分割模块，具体包括：
图像降维单元，用于采用无监督主成分分析算法对高光谱图像进行降维；
基本图像获得单元，用于利用降维获得的第一主成分生成基本图像；
图像分割单元，用于采用线性迭代聚类算法对所述基本图像进行分割，获得N个超像素。
7.根据权利要求5所述的基于图结构的高光谱分类***，其特征在于，所述邻接矩阵中超像素i和超像素j之间的关系表示为：
其中，xi表示超像素i的特征，xj表示超像素j的特征，N(xj)表示超像素j的邻居节点集合，γ表示经验系数。
8.根据权利要求5所述的基于图结构的高光谱分类***，其特征在于，所述超像素分类模块，具体包括：
超像素分类单元，用于根据各所述第二特征采用交叉熵函数，对所述高光谱图像中各超像素进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110510184.6A CN113239938B (zh) | 2021-05-11 | 2021-05-11 | 一种基于图结构的高光谱分类方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110510184.6A CN113239938B (zh) | 2021-05-11 | 2021-05-11 | 一种基于图结构的高光谱分类方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113239938A CN113239938A (zh) | 2021-08-10 |
| CN113239938B true CN113239938B (zh) | 2024-01-09 |
Family
ID=77133221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110510184.6A Active CN113239938B (zh) | 2021-05-11 | 2021-05-11 | 一种基于图结构的高光谱分类方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113239938B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723255B (zh) * | 2021-08-24 | 2023-09-01 | 中国地质大学（武汉） | 一种高光谱影像分类方法和存储介质 |
| CN113920442B (zh) * | 2021-09-29 | 2024-06-18 | 中国人民解放***箭军工程大学 | 一种结合图结构与卷积神经网络的高光谱分类方法 |
| CN116883692A (zh) * | 2023-06-06 | 2023-10-13 | 中国地质大学（武汉） | 多光谱遥感图像的光谱特征提取方法、装置及存储介质 |
| CN117671531A (zh) * | 2023-12-05 | 2024-03-08 | 吉林省鑫科测绘有限公司 | 一种无人机航测数据处理方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695636A (zh) * | 2020-06-15 | 2020-09-22 | 北京师范大学 | 一种基于图神经网络的高光谱图像分类方法 |
| CN112381144A (zh) * | 2020-11-13 | 2021-02-19 | 南京理工大学 | 非欧与欧氏域空谱特征学习的异构深度网络方法 |
| CN112633386A (zh) * | 2020-12-26 | 2021-04-09 | 北京工业大学 | 基于sacvaegan的高光谱图像分类方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9946931B2 (en) * | 2015-04-20 | 2018-04-17 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| AU2016343295B2 (en) * | 2015-10-19 | 2020-08-20 | Commonwealth Scientific And Industrial Research Organisation | Spectral reconstruction |
-
2021
- 2021-05-11 CN CN202110510184.6A patent/CN113239938B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695636A (zh) * | 2020-06-15 | 2020-09-22 | 北京师范大学 | 一种基于图神经网络的高光谱图像分类方法 |
| CN112381144A (zh) * | 2020-11-13 | 2021-02-19 | 南京理工大学 | 非欧与欧氏域空谱特征学习的异构深度网络方法 |
| CN112633386A (zh) * | 2020-12-26 | 2021-04-09 | 北京工业大学 | 基于sacvaegan的高光谱图像分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113239938A (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113239938B (zh) | 一种基于图结构的高光谱分类方法及*** | |
| CN110399909B (zh) | 一种基于标签约束弹性网图模型的高光谱图像分类方法 | |
| CN111768432B (zh) | 基于孪生深度神经网络的动目标分割方法及*** | |
| Luo et al. | Fire smoke detection algorithm based on motion characteristic and convolutional neural networks | |
| CN107408211B (zh) | 用于物体的再识别的方法 | |
| CN111428781A (zh) | 遥感影像地物分类方法及*** | |
| CN111695469A (zh) | 轻量化深度可分离卷积特征融合网的高光谱图像分类方法 | |
| CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
| CN111986125A (zh) | 一种用于多目标任务实例分割的方法 | |
| CN110929099B (zh) | 一种基于多任务学习的短视频帧语义提取方法及*** | |
| Ye et al. | Hyperspectral image classification using principal components-based smooth ordering and multiple 1-D interpolation | |
| Chen et al. | Hyperspectral remote sensing image classification based on dense residual three-dimensional convolutional neural network | |
| CN114155443A (zh) | 一种基于多感受野图注意力网络的高光谱图像分类方法 | |
| Fu et al. | Contextual online dictionary learning for hyperspectral image classification | |
| Golestaneh et al. | No-reference image quality assessment via feature fusion and multi-task learning | |
| CN116645579A (zh) | 一种基于异质图注意力机制的特征融合方法 | |
| CN115984223A (zh) | 基于PCANet及多分类器融合的图像溢油检测方法 | |
| CN112329818B (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
| Uma Maheswari et al. | A novel QIM-DCT based fusion approach for classification of remote sensing images via PSO and SVM models | |
| Bressan et al. | Semantic segmentation with labeling uncertainty and class imbalance | |
| Yao | A compressed deep convolutional neural networks for face recognition | |
| CN116596891A (zh) | 基于半监督多任务检测的木地板颜色分类及缺陷检测方法 | |
| Muthusamy et al. | Deep belief network for solving the image quality assessment in full reference and no reference model | |
| Rout et al. | A deep learning approach for SAR image fusion | |
| CN114998725A (zh) | 基于自适应空谱注意力核生成网络的高光谱图像分类方法 |
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 |