[发明专利]基于动态超图卷积网络的高光谱图像分类方法及系统

权利要求书

1.一种基于动态超图卷积网络的高光谱图像分类方法，其特征在于，包括：

获取高光谱图像，并对所述高光谱图像进行图像预处理；

对图像预处理后的所述高光谱图像进行超像素分割，以获得若干超像素点，每个超像素点对应若干原始像素点；

根据所述超像素点的第一光谱特征进行超图构造，以获取第一超图；

对所述第一超图进行超图卷积处理，得到所述超像素点的第二光谱特征；

根据所述超像素点的第二光谱特征重新进行超图构造，以获取第二超图；

对所述第二超图进行动态超图卷积处理，以获取每个所述超像素点的第三光谱特征；

根据所述超像素点与原始像素点的对应关系，将所述超像素的光谱特征转换成对应原始像素点的光谱特征；

基于所述原始像素点的光谱特征对所述原始像素点进行分类。

2.根据权利要求1所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，对图像预处理后的所述高光谱图像进行超像素分割，以获得若干超像素点的步骤，包括：

采用简单线性迭代聚类对图像预处理后的所述高光谱图像中的原始像素点进行聚类分组，以生成若干超像素点。

3.根据权利要求1所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，根据所述超像素点的第一光谱特征进行超图构造，以获取第一超图的步骤，具体包括：

根据图像预处理后的所述高光谱图像的原始像素点的光谱特征，计算获取每个所述超像素点的第一光谱特征，其中，每个所述超像素点的第一光谱特征为对应所述超像素点所包含的所有原始像素点的光谱特征的平均值；

基于所述超像素点的第一光谱特征的相似度构建第一超边，以获取超图关联矩阵，完成所述第一超图的构建。

4.根据权利要求3所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，在基于所述超像素点的第一光谱特征的相似度构建第一超边的步骤中，所述第一超边e_i的定义公式如下：

其中，v_i为一个超像素点节点，为与超像素点节点v_i相似度满足预设阈值的若干其他超像素点节点组成的邻域。

5.根据权利要求2所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，在对所述第一超图进行超图卷积处理，得到所述超像素点的第二光谱特征的步骤中，所述超图卷积的公式为：

其中，X是输入的超像素点的光谱特征，H是超图关联矩阵，D_v和D_e分别是节点度矩阵和超边度矩阵，θ是可训练的参数矩阵，Y是超图卷积输出的超像素点的光谱特征。

6.根据权利要求1所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，在根据所述超像素点的第二光谱特征重新进行超图构造，以获取第二超图的步骤中，根据所述超像素点的第二光谱特征，采用KNN方法和k-means聚类方法构成第二超边。

7.根据权利要求1所述的基于动态超图卷积网络的高光谱图像分类方法，其特征在于，对所述第二超图进行动态超图卷积处理，以获取每个所述超像素点的第三光谱特征的步骤，具体包括：

对所述第二超图进行顶点卷积，以将每个所述超像素点的第二光谱特征聚合到所述第二超边，以获取超边特征；

对所述超边特征进行超边卷积，以将邻近超边特征聚集到所述超像素点，以获取所述超像素点的第三光谱特征。