[发明专利]基于图卷积网络嵌入表征的高光谱图像非监督分类方法

说明书

本发明公开了一种基于图卷积网络嵌入表征的高光谱图像非监督分类方法，包括：对待高光谱图像依次进行EMP和光谱特征提取，得到空谱联合特征；对空谱联合特征进行超像素分割，获得待高光谱图像的超像素点；求解超像素点的解弹性网表示，将解弹性网表示的表示系数中非零分量所关联的超像素点作为当前点的近邻，构建超像素点的图模型；基于图模型进行图卷积网络嵌入表征学习，通过层次化的顶点汇聚操作获得低维特征；根据低维特征表示，利用K‑means算法实现高光谱图像的非监督分类，其可以实现对高光谱图像进行精准分类的目的。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于图卷积网络嵌入表征的高光谱图像非监督分类方法。

背景技术

上世纪80年代，高光谱遥感技术开始崛起并且迅速发展，人类观测与认识地表事物的能力发生了质的飞跃。高光谱遥感技术在获取观测地物的空间图像的同时，还可以捕捉到其对应的光谱信息，因此高光谱图像呈现为一个三维立数据方体，实现了第一次真正意义上的图谱合一成像。每个像素的多个谱段形成了光谱曲线，包含了地表事物成分的丰富信息，可以用于识别不同的地物类型。目前，高光谱图像分类已经成为当前高光谱遥感领域的热门研究。由于高光谱图像的自身特征，其分类也面临着一定的挑战。

高光谱图像分类器学习方面包括监督模型、非监督模型与半监督分类模型，区别在于在模型训练阶段是否使用到了带有标签的数据样本。高光谱图像欲获取足够多的带标记的样本，需付出的成本代价较大。非监督方法不依赖于样本的标签类别信息，只需要通过分类器对未标定的样本挖掘数据内在属性和规律，根据不同像元间的差异将他们划分为不同的簇，无需对模型进行训练，故对训练样本的多少不作要求。因此，非监督分类模型成为了高光谱图像分类较有吸引力的替代方案。经典的无监督分类算法有K均值聚类算法、FCM算法、谱聚类算法等，K均值聚类算法通过计算类别中心附近像元到其距离的平均和值，不断迭代更新类别中心使平方和值最小，是一种简单常用且有效的算法。

高光谱图像的非监督分类依赖有效的特征表示研究者们进行了很多尝试。最初的方法通常直接使用光谱信息，较难得到稳健的分类结果。在认识到空间信息在高光谱分类中的重要性后，Pesaresi和Benediktsson两人采用形态学转换的方法去构建形态学分布特征，用来提取空间结构信息。考虑到高光谱图像空谱合一的特性，Fauvel和Chanussot将可拓展的形态学空间特征EMP与光谱特征进行联合提取到一种空谱联合的特征表示，然后采用支持向量机模型进行分类，实现了算法分类的性能提升。

针对空谱联合特征维度过高的问题，必须对特征进行降维，常规的降维方法有PCA等。但是经典的图模型由于涉及到图拉普拉斯矩阵的SVD分级，不能处理大尺寸的高光谱图像，同时，经典图模型是浅层学习模型，不利于提取内在的低维特征。而图卷积网络操作在一个图上，可以适用于基于图的非欧几里得不规则数据，充分利用图像特征，灵活地保持类别边界。

发明内容

针对以上问题，本发明提出一种基于图卷积网络嵌入表征的高光谱图像非监督分类方法。

为实现本发明的目的，提供一种基于图卷积网络嵌入表征的高光谱图像非监督分类方法，包括如下步骤：

S10、对待高光谱图像依次进行EMP和光谱特征提取，得到空谱联合特征；

S20、对空谱联合特征进行超像素分割，获得待高光谱图像的超像素点；

S30、求解超像素点的弹性网表示，将弹性网表示的表示系数中非零分量所关联的超像素点作为当前点的近邻，构建超像素点的图模型；

S40、基于图模型进行图卷积网络嵌入表征学习，通过层次化的顶点汇聚操作获得低维特征；

S50、根据低维特征表示，利用K-means算法实现高光谱图像的非监督分类。

在一个实施例中，对待高光谱图像依次进行EMP和光谱特征提取，得到空谱联合特征包括：