(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 202211108169.X (22)申请日 2022.09.13 (71)申请人 北京遥感设备研究所 地址 100854 北京市海淀区永定路51号 (72)发明人 赵晨　白剑　周颖　江新瑞　 颜金娥　 (74)专利代理 机构 中国航天科工集团公司专利 中心 11024 专利代理师 葛鹏 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) G06V 10/40(2022.01)G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于长短图卷积网络的高光谱图分类 方法 (57)摘要 本发明公开了一种基于长短图卷积网络的 高光谱图分类方法。 包括将原始高光谱图像通过 简单线性迭代聚类算法进行超像素分割， 并将得 到的超级像素区域编码为图； 将所述原始高光谱 图像输通过两层卷积层进行光谱维度的降低和 深层光谱特征的提取； 将所述编码的图和所述提 取的特征结合起来， 得到节点级的特征图； 利用 长短图卷积对所述节点级的特征图提取空间光 谱特征， 获得最终的分类结果。 通过对融合长距 离图卷积和短距离图卷积提取的特征进行加权， 实现保留了两种图卷积的优点， 并弥补各自的缺 点。 权利要求书1页 说明书7页 附图3页 CN 115527062 A 2022.12.27 CN 115527062 A 1.一种基于 长短图卷积网络的高光谱图像分类方法， 其特 征在于， 包括以下步骤： S1： 利用超像素生成子网络将原始高光谱图像通过简单线性迭代聚类算法进行超像素 分割， 得到超级像素区域， 将所述超级像素区域编码为图； S2： 利用特征转换子网络再将所述原始高光谱图像通过两层卷积层进行深层光谱特征 的提取； S3： 将所述超级像素区域编码成的图和所述提取的深层光谱特征结合起来， 得到节点 级的特征图； S4： 利用长短图卷积子网络对所述节点级的特 征图提取空间光谱特 征， 获得分类结果。 2.根据权利要求1中所述的一种基于长短图卷积网络的高光谱图分类方法， 其特征在 于， 所述超像素区域 为所述高光谱图像中的节点。 3.根据权利要求2中所述的一种基于长短图卷积网络的高光谱图分类方法， 其特征在 于， 所述步骤S2， 将所述高光谱图像通过两层卷积层进行深层光谱特征的提取， 包括， 将所 述高光谱图像通过两层卷积层进 行光谱维度的降低； 将所述光谱维度降低的高光谱图像进 行深层光谱特 征的提取。 4.根据权利要求3中所述的一种基于长短图卷积网络的高光谱图分类方法， 其特征在 于， 所述步骤S4， 所述利用长短图卷积对所述节点级的特征图提取空间光谱特征， 包括， 利 用长距离图卷积和短距离图卷积分别对所述节点级的特征图提取特征， 由全连接层 对所述 长距离图卷积和短距离图卷积分别提取的特征进 行权重控制， 将所述长距离图卷积和短距 离图卷积分别提取 的特征串联起来， 得到空间光谱特征， 实现精确 提取不同类型节点的特 征。 5.根据权利要求4中所述的一种基于长短图卷积网络的高光谱图分类方法， 其特征在 于， 使用相似性矩阵定量 地表示每 个所述节点之间的相似性。 6.根据权利要求5中所述的一种基于长短图卷积网络的高光谱图分类方法， 其特征在 于， 基于所述相似性矩阵公式， 得到 长距离图卷积的邻接矩阵和短距离图卷积的邻接矩阵。 7.根据权利要求6中所述的一种基于长短图卷积网络的高光谱图分类方法， 其特征在 于， 基于所述长距离图卷积的邻接矩阵和短距离图卷积的邻接矩阵， 得到 长短图卷积。 8.一种基于 长短图卷积网络的高光谱图分类装置， 其特 征在于， 包括： 超像素生成模块， 将所述高光谱图像通过简单线性迭代聚类算法进行超像素分割， 得 到超级像素区域， 将所述超级像素区域编码为图； 特征转换模块， 将所述高光谱图像通过两层卷积层进行深层光谱特 征的提取； 特征图结合模块， 将所述超级像素区域编码成的图和所述提取的深层光谱特征结合起 来， 得到节点级的特 征图； 长短图卷积模块， 利用长短图卷积对所述节点级的特征图提取空间光谱特征， 获得分 类结果。 9.一种电子设备， 其特征在于， 包括至少一个处理器以及至少一个存储器， 其中， 所述 存储器存储有计算机程序， 所述处理器， 用于读取存储器中的计算机程序， 执行权利要求 1‑ 4任一权利要求所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机可 执行指令， 所述计算机可执行指令用于使计算机执行权利要求1 ‑4任一权利要求所述的 方法。权　利　要　求　书 1/1 页 2 CN 115527062 A 2一种基于长短图卷积网 络的高光谱图分类方 法 技术领域 [0001]本发明属于高光谱图像分类技术领域， 具体涉及 一种基于深度学习的高光谱图像 分类方法。 背景技术 [0002]遥感技术能够通过接收地面表层发射或反射的各类电磁波并对其进行传输和处 理获得地面的感兴趣信息。 与地面观测相比， 遥感观测具有观测范围大、 观测周期短、 受地 面限制少等优点。 遥感图像将人类的直观感觉延伸到高空， 成为最为直观的感知地面情况 的媒介。 遥感观测时， 高光谱成像仪获得的高光谱图像包含几十甚至几百个波段， 具有较高 的光谱分辨率， 包含了数百个不同的波段， 不仅包含丰富的光谱信息， 还包含地面物体的空 间结构信息。 高覆盖的光谱范围与 精细的光谱分辨率意味着地物光谱的全局特征将更加完 整而局部细微特征将更加明显。 高光谱图像数据量大， 光谱维度高， 信息冗余度高。 此外， 受 到大气、 湿度、 场景、 光照、 云层厚度以及像元不纯净等环境因素影响， 部 分光谱范围内的波 段会出现信息丢失或包含严重的影像噪声。 高光谱图像分类就是对地面物体进行像素级区 分， 广泛应用于海洋探测、 城市分类、 气候预测、 林业监测、 地质勘探、 现代军事以及现代农 业等诸多 领域， 目前采用卷积网络对高光谱图像分类时， 由于高光谱图像复杂的空间结构， 这就使得有相当一部分节点与不同类别的节点相 邻， 目前采用卷积网络对高光谱图像分类 时， 提取所有节点的特 征的准确性得不到保证， 提取精度和效率都十分低下。 发明内容 [0003]为解决上述问题， 本发明提供的技 术方案是： [0004]第一方面， 本发明提供一种基于长短图卷积网络 的高光谱图像分类方法， 包括以 下步骤： S1： 将所述高光谱图像通过简单线性迭代聚类算法进 行超像素分割， 得到超级像素 区域， 将所述超级像素区域编码为图； S2： 将所述高光谱图像通过两层卷积层 进行深层光谱 特征的提取； S 3： 将所述超级像素区域编码成的图和所述提取的深层光谱特征结合起来， 得 到节点级的特征图； S4： 利用长 短图卷积对所述节点级的特征图提取 空间光谱特征， 获得分 类结果。 [0005]在一个实施方式 中， 所述超像素区域 为所述高光谱图像中的节点。 [0006]在一个实施方式中， 所述步骤S2， 将所述高光谱图像通过两层卷积层进行深层光 谱特征的提取， 包括， 将所述高光谱图像通过两层卷积层进 行所述光谱维度的降低； 将所述 光谱维度降低的高光谱图像进行深层光谱特 征的提取。 [0007]在一个实施方式中， 所述步骤S4， 所述利用长短图卷积对所述节点级的特征图提 取空间光谱特征， 包括， 利用长距离图卷积和短距离图卷积分别对所述节点级的特征图提 取特征， 由全连接层对所述长距离图卷积和短距离图卷积分别提取 的特征进行权重控制， 将所述长距离图卷积和短距离图卷积分别提取 的特征串联起来， 得到空间光谱特征， 实现 精确提取不同类型节点的特 征。说　明　书 1/7 页 3 CN 115527062 A 3