基于混合高阶特征传播图网络的高光谱遥感影像分类方法

本发明涉及遥感影像处理，尤其涉及一种基于混合高阶特征传播图网络的高光谱遥感影像分类方法。

背景技术：

1、与多光谱遥感影像相比，高光谱遥感影像富含了大量的光谱波段信息，通过将二维空间特征与一维光谱特征有机结合，使得高光谱遥感影像分类在植被监测、城市规划、自然灾害等下游应用中的优良适用性引起国内外学者及相关从业人员的广泛关注。应用于高光谱遥感影像分类任务的技术经历了从传统分类方法到早期卷积神经网络方法的演变，但是卷积神经网络存在卷积核共享参数、无法自适应灵活调整的缺点，在地物结构复杂的遥感图像中容易损失类别边界信息。因此，通过图结构来表达像素间不同连接模式和特征，并通过权重矩阵灵活地聚合邻居节点信息以适应不同局部邻域结构的图卷积网络成为了高光谱遥感影像分类任务的新兴方法，其能够在类别边界处做出更准确的分类决策。

2、图卷积网络(graph convolutional network，gcn)通过迭代聚合图中节点的特征，能够有效地捕捉节点间的相互关系从而完成对节点特征的更新。尽管传统的基于切比雪夫多项式一阶近似的vanilla gcn只能聚合到一阶信息，但通过简单的双层堆叠仍能够取得不错的分类效果。然而，对于地物分布空间结构混杂的遥感影像而言，高阶特征能够揭示图中更复杂的局部地理结构，有助于模型推理像素节点间的复杂相互关系。

3、聚合高阶特征最流行的方式之一是堆叠网络层，因此这些深层gcn模型在处理大规模图数据时展现出了显著的优势，能够在保持模型性能的同时捕捉更复杂的图结构特征。然而，深度图卷积网络在处理复杂的图结构数据时面临着一系列挑战，特别是在训练过程中如何克服图卷积网络特有的过平滑现象。过平滑是指随着网络层数的增加，节点特征趋于同质化难以判别类间关系，导致模型性能下降。为了解决这些问题，研究者们提出了多种策略。jk-net从空间视角出发，采用卷积层间的跳跃连接和自适应机制来保留节点信息的局部性。li等人提出将深度和浅层特征相结合的模型，通过引入残差和密集连接以及扩张卷积等概念，成功地缓解过拟合、过平滑问题训练了深度gcn。这些方法都通过加深模型以捕获高阶特征，并在较深的网络层数下缓解了过平滑问题取得了良好的分类性能。

4、gcn作为一种消息传递框架，除了堆叠卷积层，还有一些方法在不额外增加模型深度的情况下聚合到更高阶的特征。然而，由于图卷积网络中的特征传播步骤是造成过平滑问题的主要原因，所以这些方法仍可能存在过平滑现象，在算法设计时需提出相应对策。例如，有些算法解耦了图卷积的特征传播和转换过程，在特征传播过程中进行改进。其中，sgc算法通过在单层网络中应用迭代所得的多次幂来提取高阶信息，appnp算法通过在随机游走中保留部分根节点信息以更新该节点状态直至收敛，从而将目标节点信息传递至更远的节点。也有一些算法通过改进单层卷积层的聚合模式，以提取高阶邻域信息，如mixhop算法通过加入2阶delta算子使得模型能够在单层模型中获取高阶邻域信息。此外，rong等人提出了dropedge方法，通过随机删除图中的边来缓解节点特征收敛于不变子空间的问题。该方法首先证明了过平滑会导致模型收敛到一个只与图的拓扑结构有关的子空间，然后通过增加收敛子空间的特征维度来缓解该问题，即通过dropedge生成原始图的不同变形副本，以增加输入数据的随机性和多样性，从而有效地防止输出特征趋于一致。此外，dropedge作为一种正则化手段，通过减少图中的边来减弱消息传递过程，这有助于减少过平滑现象，因为稀疏图意味着每个节点接收到的信息更少，从而迫使模型更加关注节点间的重要连接。该方法随着网络层数加深也可以解决过平滑问题，取得优秀的分类效果。

5、尽管在计算机视觉领域，聚合高阶gcn的研究已取得一定成果，但在高光谱图像分类领域，相应应用还不广泛。近期，yang等人提出了一种基于残差和恒等映射的深层动态高光谱影像分类图网络(dnagsi)，这是在高光谱影像分类中应用深度gcn提取高阶信息的一个初步尝试。然而，尚未有在不额外增加模型深度情况下以聚合高阶特征的算法适应于高光谱遥感影像进行设计。与深层gcn相比，合理设计的网络模型可以在不引入额外参数的情况下解决消息传递模型中范围有限的问题。

6、现有的gcn网络受限于过平滑现象带来了特征不可分的问题，导致大多模型只能在卷积过程中聚合两阶特征，对于高光谱遥感影像而言难以提取到高阶邻域节点的信息。虽然已有少量的算法尝试堆叠gcn层构建深层网络，且取得了不错的分类效果，然而，在搭建深层次网络的同时会使得模型参数大幅提升，占用更多的计算机资源。

7、因此，急需解决如何在节约计算机资源的前提下实现高阶特征聚合，并缓解过平滑现象所带来的特征趋于一致问题，从而提升分类精度。

技术实现思路

1、本发明提供一种基于混合高阶特征传播图网络的高光谱遥感影像分类方法，用以解决现有技术中存在的缺陷。

2、第一方面，本发明提供一种基于混合高阶特征传播图网络的高光谱遥感影像分类方法，包括：

3、采集遥感图像数据集，根据所述遥感图像数据集的空间特征和光谱特征生成初始图结构；

4、在所述初始图结构的特征矩阵中多次循环添加随机扰动元素，生成多个扰动矩阵，将所述多个扰动矩阵作为若干个数据增强；

5、对所述多个扰动矩阵分别进行多阶特征混合传播，得到若干增强特征矩阵，将所述若干增强特征矩阵输入双层多层感知机中进行特征转换，获得特征转换输出结果；

6、采用一致性正则化对所述若干个数据增强中未标记数据的预测一致性进行约束，利用预设损失函数对所述特征转换输出结果的模型参数进行训练，得到训练好的高光谱遥感影像分类模型；

7、将待处理的高光谱遥感影像数据输入所述高光谱遥感影像分类模型，输出影像分类预测结果。

8、根据本发明提供的一种基于混合高阶特征传播图网络的高光谱遥感影像分类方法，在所述初始图结构的特征矩阵中多次循环添加随机扰动元素，生成多个扰动矩阵，将所述多个扰动矩阵作为若干个数据增强，包括：

9、由伯努利随机变量生成随机掩码，根据所述随机掩码确定所述特征矩阵中的每个像素特征向量为保留或丢弃；

10、根据所述随机掩码、扰动概率因子以及所述特征矩阵中任一行向量对丢弃的特征向量进行重新聚合生成，与保留的特证向量构成所述多个扰动矩阵。

11、根据本发明提供的一种基于混合高阶特征传播图网络的高光谱遥感影像分类方法，对所述多个扰动矩阵分别进行多阶特征混合传播，得到若干增强特征矩阵，包括：

12、由所述多个扰动矩阵随机生成多阶邻接矩阵，基于所述邻接矩阵得到0阶到多阶邻接矩阵的幂指数均值；

13、将所述幂指数均值乘以所述多个扰动矩阵，得到增强特征矩阵；

14、以不同掩码的扰动矩阵对所述增强特征矩阵进行随机扰动，获得所述若干增强特征矩阵。

15、根据本发明提供的一种基于混合高阶特征传播图网络的高光谱遥感影像分类方法，采用一致性正则化对所述若干个数据增强中未标记数据的预测一致性进行约束，包括：

16、计算所有未标记数据的增强版均值，将所述增强版均值作为标签分布中心；

17、利用低熵预测方法对所述标签分布中心进行锐化处理，生成标签预测概率，所述标签预测概率表示任一像素节点被预测为任一地物的概率；

18、采用预设一致性损失函数对所述预测一致性进行收敛。

19、根据本发明提供的一种基于混合高阶特征传播图网络的高光谱遥感影像分类方法，采用预设一致性损失函数对所述预测一致性进行收敛，包括：

20、计算所述特征转换输出结果和标签预测概率求和之间的距离，作为所述预设一致性损失函数；

21、其中，所述标签预测概率求和为所述标签预测概率在任一类地物上预测概率的向量集合。

22、根据本发明提供的一种基于混合高阶特征传播图网络的高光谱遥感影像分类方法，利用预设损失函数对所述特征转换输出结果的模型参数进行训练，得到训练好的高光谱遥感影像分类模型，包括：

23、由所述预设一致性损失函数与权重超参数的乘积与交叉熵损失函数求和，得到所述预设损失函数；

24、采用所述预设损失函数对所述特征转换输出结果的模型参数进行梯度更新，待模型收敛后，输出所述高光谱遥感影像分类模型。

25、第二方面，本发明还提供一种基于混合高阶特征传播图网络的高光谱遥感影像分类系统，包括：

26、生成模块，用于采集遥感图像数据集，根据所述遥感图像数据集的空间特征和光谱特征生成初始图结构；

27、扰动模块，用于在所述初始图结构的特征矩阵中多次循环添加随机扰动元素，生成多个扰动矩阵，将所述多个扰动矩阵作为若干个数据增强；

28、传播模块，用于对所述多个扰动矩阵分别进行多阶特征混合传播，得到若干增强特征矩阵，将所述若干增强特征矩阵输入双层多层感知机中进行特征转换，获得特征转换输出结果；

29、约束模块，用于采用一致性正则化对所述若干个数据增强中未标记数据的预测一致性进行约束，利用预设损失函数对所述特征转换输出结果的模型参数进行训练，得到训练好的高光谱遥感影像分类模型；

30、输出模块，用于将待处理的高光谱遥感影像数据输入所述高光谱遥感影像分类模型，输出影像分类预测结果。

31、第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于混合高阶特征传播图网络的高光谱遥感影像分类方法。

32、第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于混合高阶特征传播图网络的高光谱遥感影像分类方法。

33、第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于混合高阶特征传播图网络的高光谱遥感影像分类方法。

34、本发明提供的于混合高阶特征传播图网络的高光谱遥感影像分类方法，通过在不增加网络深度的情况下聚合高阶特征的算法，以应对图卷积网络特征传播步骤中的过平滑现象，同时降低节点对邻域的高度依赖以增强对噪声信息的鲁棒性，通过适合高光谱遥感影像的半监督分类模型训练策略，提升模型对无标签数据的泛化性和整体性能。