一种基于节点金字塔的高光谱图像分类方法与流程

1.本发明涉及一种基于节点金字塔的高光谱图像分类方法，属于高光谱图像分类技术领域。


背景技术：

2.图是对对象及其相互关系的一种简洁抽象的直观数学表达。具有相互关系的数据—图结构数据在众多领域普遍存在,并得到广泛应用。随着大量数据的涌现,传统的图算法在解决一些深层次的重要问题,如节点分类和链路预测等方面有很大的局限性。图神经网络模型考虑了输入数据的规模、异质性和深层拓扑信息等,在挖掘深层次有效拓扑信息、提取数据的关键复杂特征和实现对海量数据的快速处理等方面,例如,预测化学分子的特性、文本的关系提取、图形图像的结构推理、社交网络的链路预测和节点聚类、缺失信息的网络补全和药物的相互作用预测,显示了令人信服的可靠性能。
3.图神经网络的优异性能，使得学术界各个领域都想利用其进一步完善相关的研究，对于高光谱图像分类领域也不例外。然而目前高光谱图像分类领域仅是简单的将像素作为节点，由于像素量较多，其对应的图结构也比较庞大，在利用图神经网络进行学习的时候十分消耗资源。而当节点数很少的时候分类精度难以保证。


技术实现要素：

4.本发明解决的技术问题是：克服现有技术的不足，提出一种基于节点金字塔的高光谱图像分类方法，基于分层的图节点进行分类，得到分层次的分类结果，结合多层次分类结果，以最大提升图像分类精度，解决呈条带式分布的高光谱图像中零散点易错分的问题，及基于图网络的分类中节点过多造成的训练耗时问题。
5.本发明解决技术的方案是：
6.一种基于节点金字塔的高光谱图像分类方法，步骤包括：
7.步骤一：获取节点数最多的图节点层，该层中每个节点即为待分类的像素点和已标记的像素点，节点的连接关系通过在特征空间的k近邻确定，节点特征为光谱曲线；
8.步骤二：基于步骤一的图节点层，构造n个层级的图节点层；
9.步骤三：分别针对n个层级的图结构，采用图卷积神经网络分类算法进行节点分类；
10.步骤四：对n个层级下的分类结果进行集成优化，通过多数投票的方式，对各个层级的分类结果进行融合，将低细粒度图层级分类结果作为高细粒度图层分类结果的投票修正依据，从而得到最终的分类结果，以提升图像分类精度。
11.进一步的，步骤一中，对于给定的高光谱图像，剔除背景像素，将其余的每一个前景像素，作为图中的一个节点，节点特征为该节点对应像素的光谱曲线，节点连接关系通过其所有节点在特征空间中的k近邻决定，即若节点i的k近邻中包含节点j，则邻接矩阵adj(i,j)赋值为1，否则为0，得到一个具有m个节点的底层节点图。
12.进一步的，步骤二：对于步骤一中得到的图节点层，采用分级聚类算法，将节点数收缩为m/2，即将原来的m个节点聚为m/2类，节点特征为所包含的下一层节点的均值；重复这个过程得到n个层级的节点金字塔。
13.进一步的，步骤三中，对于每个层级，采用经典的图卷积网络训练图卷积分类器并测试，最终可得到n个分类结果。
14.进一步的，步骤四中，通过多数投票的方式，对各个层级的分类结果进行融合，降低细粒度图层级分类结果作为高细粒度图层级分类结果的投票修正依据，从而得到最终的分类结果。
15.进一步的，分级聚类算法步骤包括：
16.从各类只有一个样本点开始，逐级合并，每级只合并两类，直到最后所有样本都归到一类，聚类过程中逐级考查类间相似度，依次决定类别数。
17.进一步的，在聚类过程中把c个没有标签的样本分成合理的类，最多分成c类，即每个样本为一类；最少可以分成一类，即所有样本为一类。
18.进一步的，从c类到1类逐级地进行类别划分，求得一系列类别数从多到少的划分方案，根据一定的指标选择中间某个适当地划分方案作为聚类结果。
19.本发明与现有技术相比的有益效果是：
20.本发明采用基于特征空间k近邻的方式进行节点间的连接，对于较高层的节点层的构造，采用基于分级聚类的方法得到所需个数的节点层；基于不同层级的节点图进行初步分类，并对这些结果进行综合优化，可以进一步提升分类的精度。
附图说明
21.图1为本发明方法流程示意图；
22.图2为分级聚类树示例图。
具体实施方式
23.下面的步骤具体说明，面向图节点的半监督分类，如何基于节点金字塔实现对分类精度的优化，如图1所示：
24.超参数：n:图节点金字塔的层数
25.k：每个节点的邻居数
26.步骤一：获取节点数最多的图节点层，该层中每个节点即为待分类的像素点和已标记的像素点，节点的连接关系通过在特征空间的k近邻确定，节点特征为光谱曲线；对于给定的高光谱图像，剔除背景像素，将其余的每一个前景像素，包括带标签和不带标签的，作为图中的一个节点，节点特征为该节点对应像素的光谱曲线，节点连接关系通过其所有节点在特征空间中的k近邻决定，即若节点i的k近邻中包含节点j，则邻接矩阵adj(i,j)赋值为1，否则为0，假设得到了一个具有m个节点的底层节点图。
27.步骤二：对于步骤一中得到的图节点层，采用分级聚类算法，将节点数收缩为m/2，即将原来的m个节点聚为m/2类，节点特征为所包含的下一层节点的均值；重复这个过程得到n个层级的节点金字塔。
28.本步骤涉及的分级聚类算法步骤如下：
29.如图2所示，分级聚类方法为：从各类只有一个样本点开始，逐级合并，每级只合并两类，直到最后所有样本都归到一类。聚类过程中逐级考查类间相似度，依次决定类别数。在聚类过程中把c个没有标签的样本分成一些合理的类时，极端情况下，最多可以分成c类，即每个样本为一类；最少可以分成一类，即所有样本为一类。那么可以从c类到1类逐级地进行类别划分，求得一系列类别数从多到少的划分方案，然后根据一定的指标选择中间某个适当地划分方案作为聚类结果。
30.a.将每个对象归为一类，共得到c类，每类仅包含一个对象。类与类之间的距离就是它们所包含的对象之间的距离；
31.b.找到最接近的两个类并合并成一类，于是总的类数少了一个；
32.c.重新计算新的类与所有旧类之间的距离；
33.d.重复第2步和第3步，直到最后合并成一个类为止，此类包含了c个对象。
34.步骤三：分别针对n个层级的图结构，采用图卷积神经网络分类算法进行节点分类，最终可得到n个分类结果；
35.步骤四：对n个层级下的分类结果进行集成优化，通过多数投票的方式，对各个层级的分类结果进行融合，将低细粒度图层级分类结果作为高细粒度图层分类结果的投票修正依据，从而得到最终的分类结果，以最大提升图像分类精度，解决了呈条带式分布的高光谱图像中零散点易错分的问题，及基于图网络的分类中节点过多造成的训练耗时问题；
36.本发明提供了一种基于节点金字塔的高光谱图像分类方法，所述的算法主要包括四个部分：底层节点层的构建、节点金字塔的形成、不同层级图节点分类的训练与测试、多层级分类结果的互优化。底层节点层的构建及各级的节点层构造较为关键，因为上层节点层的构建基于顶层，因此底层节点层的准确度较为重要。对于底层节点层的构建，本发明采用基于特征空间k近邻的方式进行节点间的连接。对于较高层的节点层的构造，本发明采用基于分级聚类的方法得到所需个数的节点层。基于不同层级的节点图进行初步分类，并对这些结果进行综合优化，可以进一步提升分类的精度。
37.本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。