论文部分内容阅读
得益于成像光谱仪的发展,遥感探测进入了高光谱阶段。高光谱成像将二维成像技术与光谱技术有机地结合起来,其利用二维成像技术采集地表的空间信息,利用光谱技术将每个像元内的总辐射分解成不同波段的辐射谱。所得到高光谱遥感图像不再是传统的二维图像,而是一个三维的光谱数据立方体。该光谱数据立方体既包含每个波段的图像信息,又包含单个像元的光谱信息,实现了真正的“图谱合一”。高光谱遥感图像分类是高光谱遥感领域的一项关键技术,其对于气象、环境、农业和军事均具有重要意义。高光谱遥感图像分类是针对高光谱像素而言的,高光谱像素是像元在不同波段的辐射量构成的一个向量,每个向量对应一条光谱曲线。地表物质因物质成分和光照条件的不同,在不同波段展现出不同的辐射情况。依辐射情况的不同,判断高光谱像素所代表的物质,为高光谱像素分配一个物质标签,这便是高光谱遥感图像分类的主要内容。对于高光谱遥感图像分类任务,先后有统计学方法和机器学习方法应用于其中,但能达到的精度有限。随着深度学习技术的发展,不断有研究者将深度学习方法引入到高光谱遥感图像分类领域,并取得了巨大成功。在深度学习方法中,又以卷积神经网络应用最为广泛,已经成为了现今高光谱遥感图像分类的主流方法。高光谱图像作为典型的欧式数据,研究者一直以来应用处理欧式数据的方法对其进行研究,比如卷积神经网络,但这忽略了高光谱图像中非规则区域内像素间的关系。成像机理使然,高光谱图像是欧式数据,但地表的真实情况可能并不是规则形状的网格采样所能表达的,非欧式连接方式的像素间关系同样值得关注。鉴于既有的应用于高光谱图像分类的深度学习方法不能很好地表征节点(像素)间关系,本文应用图神经网络对高光谱遥感图像作分类研究。本文提出了三种不同的图神经网络应用于高光谱遥感图像分类。所提出的三个图神经网络,就如何将高光谱数据转化为图结构数据,如何表征节点关系进而更好地提取特征等问题给出了三种不同的方案。(1)提出了一种基于超像素分割技术的图注意力网络,并应用于高光谱遥感图像分类。该网络应用超像素分割算法进行超像素分割,然后依超像素的空间连接关系构造图结构。使用该方法构造的图结构节点数量少,具有计算资源占用小、网络运行速度快的特点。在获得超像素节点构成的图结构后,应用多头注意力机制表征节点间关系。多头注意力机制可以从多维度综合表征节点与自身、节点与邻居的关系,进行特征的融合与提取。该网络与多类型的其他方法在三个高光谱基准数据集上作对比实验,实验结果表明该网络的分类能力优秀。(2)提出了一种基于全局随机图的图卷积神经网络,并应用于高光谱遥感图像分类。该网络提出了一种全局随机图构建方案:通过从每个类的带标签样本中随机采样、顺序组合构建图结构。该策略构建出的图结构规模很小,可以节省计算资源;数量巨大,在一定程度上解决了高光谱图像分类存在的样本不足的问题;组合多样化,使训练得到的网络更加健壮。该网络还设计了并行的特征提取网络和级联的图卷积模块。特征提取网络兼顾光谱维度和空间维度提取特征;图卷积模块利用可训练参数的神经网络而非人工规则来确定邻接矩阵,可以更好地挖掘节点间关系。该网络与多类型的其他方法在三个高光谱基准数据集上作对比实验,实验结果表明该网络的分类能力达到了先进水平。(3)提出了一种基于分层级机制的图Transformer网络,并应用于高光谱遥感图像分类。该网络首次将图Transformer网络引入到高光谱遥感图像分类领域,提出了三种不同策略的局部随机图构建方案。局部随机图的构建将高光谱图像分类问题转化为一个“图级”分类任务,同时大大增加了可训练样本的数量,一定程度上解决了样本不足的问题。该网络设计了基于方向性的边特征为Transformer结构作位置编码。编码方式是用提取到的边特征为后续注意力系数矩阵作调制,这为高光谱图像应用图Transformer网络提供了一种位置编码的解决方案。该网络还设计了一种分层级的训练机制:使用“内层图-外层图”这种分层级结构训练网络。分层级机制能够在更好地利用空间信息、提升分类精度的同时,大幅度地缩减了训练网络所需的时间。该网络与多类型的其他方法在三个高光谱基准数据集上作对比实验,实验结果表明该网络的分类能力达到了先进水平。