申请/专利权人：江苏海洋大学

申请日：2020-11-18

公开（公告）日：2024-04-05

公开（公告）号：CN112347970B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/774;G06V10/80;G06V10/77;G06V10/764;G06V10/82;G06N3/0464;G06N3/042

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.03.02#实质审查的生效;2021.02.09#公开

摘要：本发明公开了一种基于图卷积神经网络的遥感影像地物识别方法，对一景遥感影像进行分块处理，制作训练集和测试集；基于简单线性迭代聚类算法进行超像素分割；基于投票机制的结合策略进行超像素标签制定；基于深度卷积神经网络进行自动特征提取，制作图卷积神经网络的输入参数集；基于自适应注意力机制训练图卷积神经网络模型。本发明通过首先利用超像素分割和绝大多数投票机制来构造遥感影像地物类别特征描述集，获得关于遥感影像地物类别近似刻画，同时大规模约减了同一幅影像图谱构建的数据量，有利于处理大数据样本下的遥感影像地物分类问题；最后通过融合型特征图谱集训练图卷积神经网络，从而达到精确区分地物类型的目的。

主权项：1.一种基于图卷积神经网络的遥感影像地物识别方法，其特征在于，该方法包含以下步骤：步骤1：取一景遥感影像分别进行相关预处理操作，包括几何校正、大气校正和图像增强，将彩色遥感影像转化为XY坐标下的灰度图像或者CIELAB颜色空间，对其进行简单线性迭代聚类，初始化种子点，生成紧凑、近似均匀的超像素；步骤2：基于生成的超像素遥感影像图，创建图谱的节点和边，对影像进行提取纹理特征、颜色特征作为图谱输入特征矩阵；对影像进行提取纹理特征和颜色特征：深度卷积神经网络自动提取遥感影像特征图谱集过程：假定共有K种地物类别卷积神经网络自动提取的特征图谱集形成可表示为其中其中1≤k≤M表示第k块分块遥感影像,n1≤k≤N表示第n个超像素,X＝CNN·表示执行深度卷积神经网络；步骤3：结合集成学习的绝大多数投票机制进行标签制作，若某地物标记得票超过一半，则将超像素预测为该地物类别，否则拒绝标记，进而形成图谱的标签数据集；步骤4：利用深度卷积神经网络对高分辨率遥感影像特征图谱自动提取，得到关于影像图的节点和边输入数据，形成关于遥感影像特征描述集；其中，利用深度卷积神经网络对高分辨率遥感影像特征图谱自动提取：基于图卷积神经网络的遥感影像地物识别分类过程；根据全连接卷积神经网络自动提取的特征图谱，假定地物类别总共有K种，则其地物识别过程可由以下几个步骤构成；步骤4.1：由步骤2生成的遥感影像地物类别特征图谱集1≤k≤M，联接生成融合的特征图谱，对图卷积神经网络进行训练，并采用留一法执行交叉验证流程，获取图卷积神经网络的地物分类模型训练参数，其中图卷积神经网络层数为2层，并在其后加上自适应注意力机制层，使图中的每个节点可以根据相邻节点的特征，为其分配不同的权值，损失函数选用NLL_LOSS,对输入参数进行log_softmax函数激活，优化函数选用一种自适应学习率的优化方法Adam优化函数进行优化，利用梯度的一阶矩估计和二阶矩估计动态的调整学习率；步骤4.2：将加上了注意力机制的图卷积神经网络提取的自适应特征描述集及其注意力特征权值进行一次不含注意力机制层的图卷积操作并进行归一化处理，最后依据分类模型确定各个节点所属类别，其公式化描述为Ppre＝GCN·,其中Opre表示输出所属类别，GCN·表示执行图卷积神经网络操作；步骤4.3、将输出后的结果与真实地物类别进行精度运算，求出相应的Kappa系数，总体精度以及混淆矩阵度量参数，进而判断模型分类效果；步骤5：基于图卷积神经网络的地物分类模型，具体的是基于遥感影像特征描述集，训练图卷积神经网络模型，获得影像地物分类模型并对测试样本分类。

全文数据：

权利要求：

百度查询： 江苏海洋大学 一种基于图卷积神经网络的遥感影像地物识别方法

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