[发明专利]一种基于多图结构的图卷积网络的高光谱图像分类方法

权利要求书

1.一种基于多图结构的图卷积网络的高光谱图像分类方法，其特征在于，包括如下步骤：

S1、读入高光谱数据立方体H(x,y,z)和训练集其中x、y表示空间像素点位置，z表示所处光谱波段位置，为训练像素集合，Y_L为对应的训练标签集合；

S2、将高光谱图像立方体数据按像素的列顺序取出，重排列成像素数据矩阵V＝[v₁,v₂,...,v_N]^T，其中N是高光谱图像像素总数，每个像素点有b个特征；

S3、根据像素数据矩阵，进行强制最近邻连接矩阵及空间近邻连接矩阵的构建；

S4、利用图卷积网络分别对强制最近邻连接矩阵及空间近邻权重矩阵和像素数据矩阵进行卷积，得到特征矩阵；

S5、特征矩阵进行拼接，使用softmax分类器对像素的特征矩阵A_F进行分类；

所述S3中构建强制最近邻连接矩阵，具体如下：

采用高斯径向基函数计算像素数据矩阵的全连接权重矩阵W，其中像素v_i和像素v_j间的连接权重为：

其中，W_ii＝0，σ＝1；

根据全连接权重矩阵W，计算每个像素点除自身外的k近邻；

构造强制最近邻的连接矩阵W_NN，其大小为N×N，具体为：将每个像素与其最近邻像素相连，并将强制最近邻的连接矩阵中对应位置的值设置为1，无连接的位置的值设置为0；

所述S5中特征矩阵进行拼接，使用softmax分类器对像素的特征矩阵A_F进行分类，具体为：

拼接特征矩阵，得到A＝[A_NN,A_SNN]，然后利用图卷积网络对特征矩阵A进行卷积，得到特征矩阵A_F＝W_NNReLU(A)M₂，其中ReLU为线性整流函数，M₂是32×16的权重矩阵。

2.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述S3中，构建空间近邻连接矩阵，具体是构造互f近邻的连接矩阵W_SNN，大小为N×N，

在像素数据矩阵中，若v_j在v_i的f近邻域，v_i也在v_p的f近邻域，则连接两个像素点，设置互f近邻的连接矩阵W_SNN中第i行第j列的值为1，以及第j行第i列的值为1。

3.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述S4中具体过程为：

A_NN＝W_NNVM，A_SNN＝W_SNNVM_S，其中M与M_S是大小为b×16的权重矩阵，W_NN为最近邻连接矩阵，W_SNN为空间近邻连接矩阵。

4.根据权利要求2所述的高光谱图像分类方法，其特征在于，f为8。

5.根据权利要求1所述的高光谱图像分类方法，其特征在于，所述根据全连接权重矩阵W，计算每个像素点除自身外的k近邻；

对于像素v_i，计算该像素与所有的像素的连接权重W_i＝{W_i1,W_i2,...,W_iN}，取出除W_ii外的前k个最大的权重。