(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210164521.5 (22)申请日 2022.02.23 (71)申请人 中国人民解 放军火箭军工程大 学 地址 710025 陕西省西安市灞桥区同心路2 号 (72)发明人 赵晓枫　牛家辉　李洪才　夏玉婷　 张志利　蔡伟　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 韩雪梅 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01) G06V 20/13(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/26(2022.01) G06V 10/762(2022.01) (54)发明名称 一种基于图神经网络的高光谱图像分类方 法及系统 (57)摘要 本发明涉及一种基于图神经网络的高光谱 图像分类方法及系统。 该方法包括利用主成分分 析方法对高光谱图像进行高光谱 数据降维； 利用 超像素分割方法将降维处理后的高光谱图像分 割成多个超像素； 将每个超像素的中心点作为图 节点； 根据图节点构建节点之间边的连接关系， 确定图结构； 根据图结构和图转换层， 采用元路 径的方法以及矩阵乘法更新图结构； 根据更新后 的图结构， 采用图注意力网络完成光谱图像分 类。 本发明能够提高 高光谱图像分类的精确度。 权利要求书1页 说明书5页 附图3页 CN 115205574 A 2022.10.18 CN 115205574 A 1.一种基于图神经网络的高光谱图像分类方法， 其特 征在于， 包括： 利用主成分 分析方法对高光谱图像进行高光谱数据降维； 利用超像素分割方法将降维处理后的高光谱图像分割成多个超像素； 将每个超像素的 中心点作为图节点； 根据图节点构建节点之间边的连接关系， 确定图结构； 根据图结构和图转换层， 采用元路径的方法以及矩阵乘法更新图结构； 根据更新后的图结构， 采用图注意力网络 完成光谱图像分类。 2.根据权利要求1所述的一种基于图神经网络的高光谱图像分类方法， 其特征在于， 所 述超像素分割方法包括： 聚类算法。 3.根据权利要求1所述的一种基于图神经网络的高光谱图像分类方法， 其特征在于， 所 述注意力网络包括： 两层图注意力层以及SOFTMAX层。 4.根据权利要求3所述的一种基于图神经网络的高光谱图像分类方法， 其特征在于， 采 用交叉熵损失函数， 表征注意力网络 输出与原 始标签之间的差异。 5.根据权利要求3所述的一种基于图神经网络的高光谱图像分类方法， 其特征在于， 采 用Adam算法调整注意力网络的网络参数。 6.一种基于图神经网络的高光谱图像分类系统， 其特 征在于， 包括： 高光谱图像降维模块， 用于利用主成分 分析方法对高光谱图像进行高光谱数据降维； 高光谱图像分割 模块， 用于利用超像素分割方法将降维处理后的高光谱图像分割成多 个超像素； 将每 个超像素的中心点作为图节点； 图结构构建模块， 用于根据图节点构建节点之间边的连接关系， 确定图结构； 图转换模块， 用于根据图结构和图转换层， 采用元路径的方法 以及矩阵乘法更新图结 构； 图分类模块， 用于根据更新后的图结构， 采用图注意力网络 完成光谱图像分类。 7.根据权利要求6所述的一种基于图神经网络的高光谱图像分类系统， 其特征在于， 所 述超像素分割方法包括： 聚类算法。 8.根据权利要求6所述的一种基于图神经网络的高光谱图像分类系统， 其特征在于， 所 述注意力网络包括： 两层图注意力层以及SOFTMAX层。权　利　要　求　书 1/1 页 2 CN 115205574 A 2一种基于图神经 网络的高光谱图像分类方 法及系统 技术领域 [0001]本发明涉及高光谱图像分类领域， 特别是涉及一种基于图神经网络的高光谱图像 分类方法及系统。 背景技术 [0002]高光谱图像是利用高光谱传感器， 以连续细分的波段对目标区域 同时成像， 在得 到地表图像信息的同时， 也 获得其光谱信息。 与普通图像相比较， 高光谱图像由数百个相 邻 的光谱波段组成， 图像在信息丰富程度方面有了极大 的提高， 基于光谱特征 的目标识别方 法， 有助于我们精确识别不同材料的目标。 作为目标检测的重要一环， 高光谱图像的精确分 类对于军事侦察、 伪装防护等具有重要的研究意义。 但是， 高光谱图像光谱维度较高， 且光 谱特征存在空间变异 性即“同物异谱 ”和“同谱异物 ”现象的存在， 这些问题给高光谱图像的 精确分类带来了 很大问题。 [0003]在近些年的研究中， 人们已经在发展各种高光谱分类方法方面做出了巨大的努 力。 其中基于深度学习的方法在各类图像处理方面取得了令人瞩目的成绩。 卷积神经网络 的主要优点是能够自动学习图像区域的有效特征表示， 从而避免复杂的手工特征提取过 程。 然而卷积神经网络存在其固有的缺点， 固定形状和参数 的卷积核在获取特征 的过程中 会忽略到边界信息， 且无法处理非欧式空间的图数据。 此外， 由于高光谱数据维数较高， 学 习参数过多， 传统模 型训练时间过长且分类精度有待提高。 因此， 传统的基于卷积神经网络 的方法在解决高光谱分类问题中都存在一定的局限性。 发明内容 [0004]本发明的目的是提供一种基于图神经网络的高光谱图像分类方法及系统， 能够提 高高光谱图像分类的精确度。 [0005]为实现上述目的， 本发明提供了如下 方案： [0006]一种基于图神经网络的高光谱图像分类方法， 包括： [0007]利用主成分 分析方法对高光谱图像进行高光谱数据降维； [0008]利用超像素分割方法将降维处理后的高光谱图像分割成多个超像素； 将每个超像 素的中心点作为图节点； [0009]根据图节点构建节点之间边的连接关系， 确定图结构； [0010]根据图结构和图转换层， 采用元路径的方法以及矩阵乘法更新图结构； [0011]根据更新后的图结构， 采用图注意力网络 完成光谱图像分类。 [0012]可选地， 所述超像素分割方法包括： 聚类算法。 [0013]可选地， 所述注意力网络包括： 两层图注意力层以及SOFTMAX层。 [0014]可选地， 采用交叉熵损失函数， 表征注意力网络 输出与原 始标签之间的差异。 [0015]可选地， 采用Adam算法调整注意力网络的网络参数。 [0016]一种基于图神经网络的高光谱图像分类系统， 包括：说　明　书 1/5 页 3 CN 115205574 A 3