基于图卷积网络的高光谱图像特征提取及分类算法研究.pdf

哈尔滨理工大学工学硕士学位论文

基于图卷积网络的高光谱图像特征提取

及分类算法研究

摘要

高光谱图像光谱具有较高的分辨率，在精细农业、海洋湖泊和军事等方面

具有重要的应用价值。卷积神经网络(convolutionalneuralnetwork,CNN）因其卓

越的特征提取能力在高光谱图像分类中得到广泛的应用。然而，现有的基于神

经网络的高光谱图像分类模型存在结构复杂，参数量巨大以及对更多训练样本

的需求等问题。针对于此，本文主要研究了两部分内容，工作和创新点如下：

针对高光谱图像训练样本有限而导致分类精度较低的问题，设计了结合空

间-光谱特征提取的图卷积网络用于高光谱图像分类。设计了两个图卷积分支，

其中，空间图卷积子网和频谱图卷积子网分别通过模拟空间像元之间和光谱带

之间的相关性来提取空间和光谱特征。接着在特征提取模块后引入空间金字塔

坐标注意力机制模块，利用多尺度信息来表示局部特征，可以自适应的加权不

同空间下的谱带信息，实现对空间-光谱信息特征的联合关注。最后采用交叉注

意融合模块计算交叉注意力权重，将空间特征和光谱特征进行融合，通过加法

和级联运算策略来生成融合后的特征表示。

针对传统图卷积网络计算开销较大的问题，改进了一种轻量级架构的基于

2

对偶图卷积网络(dualdistributionpointgraphconvolutionalnetwork，DPGCN)的

高光谱图像分类方法。首先使用主成分分析方法去除光谱冗余，降低时间空间

复杂度。将残差单元与深度可分离卷积相结合，构造了一个轻量级金字塔残差

网络结构，可以连续地提取光谱和空间特征，将提取到的特征输入到对偶图卷

积网络中，点图网络计算上一层网络输出特征的相似性，分布图网络利用标签

分布学习来获得相同标签样本之间的高相关特征，两个图网络相互融合，充分

提取训练样本之间空间-光谱联合的深层特征。

关键词高光谱图像分类；深度学习；图卷积；残差网络；空间-光谱特征

-I-

哈尔滨理工大学工学硕士学位论文

HyperspectralImage’sFeatureExtractionand

ClassificationAlgorithmBasedonGraph

ConvolutionalNetwork

Abstract

Hyperspectralimagespossesshighspectralresolutionandholdsignificant

applicationvalueinprecisionagriculture,marinelakes,andmilitarydomains.

Convolutionalneuralnetworks(CNN)havegarneredwidespreadusagein

hyperspectralimageclassificationduetotheirremarkablefeatureextraction

capabilities.However,existingneuralnetwork-basedmodelsforhyperspectralimage

classificationsufferfromissuessuchascomplexstructures,enormousparameter

volume,andtheneedformoretrainingsamples.Toaddressthesechallenges,this