[发明专利]非欧与欧氏域空谱特征学习的异构深度网络方法

权利要求书

1.一种非欧与欧氏域空谱特征学习的异构深度网络方法，其特征在于，包括以下步骤：

第一步，联合线性判别分析及简单线性迭代聚类方法将原始高光谱图像分割为若干超像素，并构建像素到超像素的关联矩阵；

第二步，根据超像素间是否有公共边建立其邻接关系；

第三步，构建光谱变换子网络对原始高光谱图像进行逐像素降维与去冗余处理；

第四步，利用像素与超像素间的关联矩阵，将降维后的高光谱数据转换到非欧域，并利用图卷积子网络提取其在非欧域中的空谱特征；

第五步，构建空谱卷积子网络从降维后的高光谱数据提取其在欧氏域中的空谱特征；

第六步，将在非欧与欧氏域提取到的空谱特征沿光谱维拼接，并由Softmax分类器进行分类；

第七步，使用交叉熵损失函数训练网络。

2.根据权利要求1所述的非欧与欧氏域空谱特征学习的异构深度网络方法，其特征在于，第一步，联合线性判别分析及简单线性迭代聚类方法将原始高光谱图像分割为若干超像素，并构建像素到超像素的关联矩阵，具体为：

记和分别为高光谱图像数据和其训练样本集，其中L(p_t)表示在空间坐标为p_t＝(x,y)处的像素x(p_t)的标签，H、W、B、N分别为高光谱图像数据的高、宽、波段数以及训练样本数；

首先，利用LDA和训练样本集将高光谱图像进行监督降维；

然后，利用SLIC算法将降维后的高光谱图像分割为个超像素并得到超像素集合其中为第i个超像素，为中的第j个像素，N_i为中像素个数，λ为超像素分割尺度，1≤λ；

最后，通过像素与超像素间的映射关系，构建关联矩阵具体为

其中Flatten(·)表示将HSI数据的空间维展平，表示中的第i个像素，表示第j个超像素，Q_i,j表示Q中(i,j)处的数据。

3.根据权利要求2所述的非欧与欧氏域空谱特征学习的异构深度网络方法，其特征在于，第二步，根据超像素间是否有公共边建立其邻接关系，并定义为邻接矩阵具体为

其中Mean(·)表示取均值函数，exp(·)表示以自然常数e为底的指数函数，‖·‖₂表示L2范数，σ为先验参数，A_i,j即为A中(i,j)处的数据。

4.根据权利要求3所述的非欧与欧氏域空谱特征学习的异构深度网络方法，其特征在于，第三步，构建光谱变换子网络对原始高光谱图像进行逐像素降维与去冗余处理；

光谱变换子网络是由多层1×1卷积层构成；在每层卷积层前均使用批归一化处理；记第l层光谱卷积层的输出为X^l，则其变换过程表示为

其中表示经过BN处理的输入特征图，与分别表示第l层第j个一维卷积核与偏差，p₀＝(x,y)表示像素的空间坐标，运算符·表示内积，f表示激活函数；设光谱卷积子网络由L_S层1×1卷积层堆叠而成，其输入为原始高光谱图像X，输出记为F_S。