申请/专利权人：昆明理工大学

申请日：2023-11-30

公开（公告）日：2024-02-09

公开（公告）号：CN117315381B

主分类号：G06V10/764

分类号：G06V10/764;G06N3/042;G06N3/08;G06V10/26;G06V10/40;G06V10/80;G06V10/82;G06V20/10

优先权：

专利状态码：有效-授权

法律状态：2024.02.09#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明公开一种基于二阶有偏随机游走的高光谱图像分类方法，涉及高光谱图像处理领域。本发明通过线性判别分析算法（LDA）对高光谱图像进行特征提取和降维，排除冗余和无关的信息；采用线性迭代聚类算法（SLIC）进行图像分割，构建具有局部连续性和空间关联性的超像素，并降低图节点规模；提取高光谱图像的光谱特征和空间特征；对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图；将超图融合并输入结构自适应超图神经网络进行学习与分类；本发明与现有技术相比，通过二阶有偏随机游走算法，实现了介于深度优先遍历和广度优先遍历的超边节点采样策略。

主权项：1.一种基于二阶有偏随机游走的高光谱图像分类方法，其特征在于，具体包括以下步骤：Step1：通过线性判别分析算法对高光谱图像进行特征提取和降维，排除冗余和无关的信息；Step2：采用线性迭代聚类算法进行图像分割，构建具有局部连续性和空间关联性的超像素，并降低图节点规模；Step3：提取高光谱图像的光谱特征和空间特征；Step4：对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图；Step5：将光谱超图和空间超图融合，并输入结构自适应超图神经网络进行学习与分类；Step3中提取超像素分割后的光谱特征和空间特征其中d1为光谱特征维度，d2为空间特征维度；对于一块超像素，其超像素的光谱特征和空间特征为这一超像素块里面的所有像素的平均值；超像素标签采用最大值投票法，即超像素内数量最多的某一类别即为超像素的类别;Step4中对光谱特征和空间特征运用二阶有偏随机算法，综合利用深度和广度信息，构建结构自适应光谱超图和空间超图，具体包括以下步骤：对超像素分割后的光谱特征和空间特征利用欧式距离构建一个简单图结构，其中d表示特征维度，xil和xjl表示第i和j个超像素的第l维特征，Lxi,xj表示超像素i和超像素j之间的相似性；考虑一个随机遍历，刚从节点t遍历到节点v，确定下一个与节点v相邻的节点，设rv,x为非标准化转移概率矩阵，二阶有偏随机游走策略为： 其中dtx表示下一节点x和上一节点t之间的距离长度；P为返回参数，q为进出参数；通过调节p、q能实现介于深度优先遍历和广度优先遍历，实现对高光谱图像中的带状结构和聚集结构的有效表征；最后将遍历节点序列构建成一条超边，组合得到结构自适应光谱超图Hspe和空间超图Hspa；Step5中，将结构自适应光谱超图Hspe和空间超图Hspa进行融合得到高光谱图像超图结构H；将高光谱图像特征和超图结构H送进具有两层超图卷积的神经网络进行训练，即Y＝σZσZXΘ1Θ2，其中Z表示单层超图卷积σ是激活函数，Θ1和Θ2是模型的可学习参数，T表示转置，采用标准反向传播算法进行更新；Y是输出信号，并通过以下交叉熵损失函数进行训练： 其中，S是样本数量，即超像素个数，C为类别数，yij是样本i属于类别j的真实标签，用0或1表示，pij是模型预测样本i属于类别j的概率；Dv代表节点度矩阵，De代表边度矩阵。

全文数据：

权利要求：

百度查询： 昆明理工大学 一种基于二阶有偏随机游走的高光谱图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD