[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

说明书

本发明公开了一种非欧与欧氏域空谱特征学习的异构深度网络方法，该方法包括：对高光谱图像执行超像素分割并构建像素到超像素的关联矩阵；根据超像素的邻接关系构建邻接矩阵；构建光谱变换子网络对光谱数据进行去冗余；构建超像素级图卷积子网络提取非欧域空谱特征；构建像素级空谱卷积子网络提取欧氏域空谱特征；融合非欧与欧氏域空谱特征并分类；使用交叉熵损失函数训练网络。本发明方法具有同时在欧氏与非欧域中提取高光谱图像空谱特征的能力，应用于高光谱图像监督分类具有优异性能。

技术领域

本发明涉及一种用于高光谱图像数据分类的新型深度学习方法，特别是一种非欧与欧氏域空谱特征学习的异构深度网络方法。

技术背景

高光谱图像(HSI)是含有丰富空谱信息的三维立方体数据。由于能够在像素级区分物质，HSI技术已被广泛应用于环境检测、地质勘探等领域。随着深度学习的快速发展，目前基于深度学习的HSI分类已成为该类领域的重要研究内容之一。

由于卷积神经网络(CNN)主要用于处理欧氏结构数据(如图像、视频等)，能够自然地应用于HSI提取深度空谱特征，因此受到研究者广泛关注。目前，基于CNN的多种HSI分类方法已被提出，例如一维卷积结构CNN(1D-CNN)、二维卷积结构CNN(2D-CNN)与三维卷积结构CNN(3D-CNN)等。而结合不同卷积结构的复合CNN也已被探索并应用于HSI分类，例如双分支CNN(TC-CNN)、多分支CNN(MC-CNN)以及多卷积结构交替CNN(HybridSN)等，相较于单一结构CNN，能够更有效地提取深度空谱特征并提升分类精度。此外，先进网络架构，如基于残差网络(ResNet)的空谱残差卷积网络(SSRN)、基于稠密网络(DenseNet)的稠密空谱卷积网络(FDSSC)以及基于注意力机制的空谱注意力网络(DBDA)等，进一步提升了HSI分类精度。然而，受限于CNN中形状固定且相对较小的卷积核，基于CNN的方法通常难以建模HSI的大尺度地物空间结构，因而无法有效利用不同形状和尺度的地物空间结构信息。

最近，有研究者将图卷积网络(GCN)应用于HSI分类，并取得了较好效果。由于GCN能够处理任意非欧结构数据，将其应用于HSI可更灵活地建模不同形状、尺度的地物空间结构。例如，Qin等人[A.Qin,Z.Shang,J.Tian,Y.Wang,T.Zhang,and Y.Y.Tang,“Spectral–spatial graph convolutional networks for semisupervised hyperspectral imageclassification,”IEEE Geoscience and Remote Sensing Letters,vol.16,no.2,pp.241–245,Feb.2019.]基于GCN提出半监督HSI分类方法，通过将HSI编码为图结构数据，然后根据相邻像素节点的相似度及空间距离进行特征传播。然而，由于HSI包含大量像素，将每个像素视为一个节点将会导致庞大的图，其计算量难以承受，因而该方法难以应用于较大的HSI。为了解决这一不足，Wan等人[S.Wan,C.Gong,P.Zhong,B.Du,L.Zhang,andJ.Yang,“Multiscale dynamic graph convolutional network for hyperspectralimage classification,”IEEE Transactions on Geoscience and Remote Sensing,vol.58,no.5,pp.3162–3177,May 2020.]提出先将HSI超像素化，然后根据超像素的邻接关系构建图，有效缓解了GCN难以应用于较大HSI的限制。然而，将HSI预处理为超像素将导致大量细节信息的丢失，即，HSI中的小尺度目标区域会随着超像素分割而被融入大尺度目标中，进而造成小目标区域丢失以及分类图过平滑的问题。

发明内容

本发明的目的在于提供一种非欧与欧氏域空谱特征学习的异构深度网络方法。

实现本发明目的的技术解决方案为：一种非欧与欧氏域空谱特征学习的异构深度网络方法，包括以下步骤：