本書主要研究內容是利用圖學習方法進行高光譜影像分類，重點圍繞模型構建、改進圖信息傳播方式、提升構圖質量等方面展開研究，提出了多種基于圖學習的高光譜影像分類方法。本書的主要研究內容總結如下：第1章主要介紹了本書的研究背景，說明了高光譜遙感影像分類的現實意義，概述了高光譜遙感影像分類現狀和存在的問題。第2章闡述了圖半監督學習的基本理論知識，圖的構造方法，圖半監督學習的經典模型，能夠有效處理大規模數據的快速圖半監督學習模型。第3章提出了圖半監督學習經典算法高光譜影像分類方法。第4章提出了一種基于像素-超像素級特征聯合的圖神經網絡學習模型。第5章提出了基于全局動態圖優化的高光譜影像分類。第6章提出了空間光譜特征增強的Graphformer框架(S2GFormer)。
“強度關聯XXXX成像-測距一體化技術研究”的課題，總負責人（本書依托項目）
目錄
前言
第1章 緒論 1
1.1 課題研究的背景與意義 1
1.2 國內外研究現狀及存在的問題 3
1.2.1 傳統高光譜影像分類方法及存在問題 3
1.2.2 基于深度學習模型的高光譜影像分類方法及存在的問題 4
1.2.3 圖方法在高光譜影像分類中的應用 7
1.3 圖神經網絡介紹 8
1.3.1 譜域圖卷積 8
1.3.2 空域圖卷積 12
1.4 評價指標 13
1.5 研究內容與章節安排 14
1.5.1 研究內容 14
1.5.2 章節安排 16
第2章 圖半監督學習基本模型 18
2.1 引言 18
2.2 符號說明 18
2.3 圖的構造 19
2.4 圖半監督學習經典算法 21
2.4.1 高斯場和調和函數法 21
2.4.2 局部全局一致性法 23
2.4.3 基于廣義圖規范化權重半監督學習方法 23
2.5 快速圖半監督學習模型 24
2.6 本章小結 26
第3章 基于錨點圖的快速半監督學習高光譜影像分類 28
3.1 引言 28
3.2 基于錨點圖的快速半監督學習模型 29
3.2.1 自適應近鄰錨點圖的建立 29
3.2.2 基于錨點圖的快速半監督學習 31
3.3 實驗驗證 33
3.3.1 高光譜影像數據庫實驗結果 33
3.3.2 基準圖像數據庫實驗結果 40
3.4 本章小結 44
第4章 基于像素-超像素級特征聯合的高光譜影像分類 45
4.1 引言 45
4.2 高光譜影像數據的超像素分割 46
4.2.1 基于圖方法的超像素分割 47
4.2.2 基于聚類方法的超像素分割 48
4.3 網絡特征提取 49
4.3.1 EdgeConv圖卷積 49
4.3.2 卷積神經網絡卷積運算 50
4.4 基于超像素分割和邊卷積的圖神經網絡模型 51
4.4.1 圖數據生成 52
4.4.2 超像素級的EdgeConv網絡 53
4.4.3 像素級的CNN 54
4.5 實驗結果與分析 55
4.5.1 實驗設置 55
4.5.2 分類結果對比分析 56
4.5.3 消融實驗與參數敏感性分析 60
4.6 本章小結 62
第5章 基于全局動態圖優化的高光譜影像分類 64
5.1 引言 64
5.2 動態圖結構稀疏 65
5.3 邊權重學習 67
5.3.1 標簽傳播算法 68
5.3.2 邊權重學習與LPA的關系 68
5.4 標簽傳播與圖稀疏相結合的高光譜影像分類模型 69
5.4.1 自適應圖結構學習 70
5.4.2 Gumble-Softmax圖采樣 71
5.4.3 信息融合 72
5.5 實驗結果與分析 73
5.5.1 實驗設置 73
5.5.2 分類結果對比分析 73
5.5.3 消融實驗與參數敏感性分析 77
5.6 本章小結 79
第6章 基于圖變換器的高光譜影像分類 80
6.1 引言 80
6.2 視覺變換器 80
6.3 S2GFormer方法基本框架 81
6.4 S2GFormer高光譜影像分類 83
6.4.1 高光譜影像預處理和跟隨像素塊機制 83
6.4.2 像素塊譜嵌入模塊 85
6.4.3 多層GraphFormer編碼器 86
6.4.4 算法訓練和優化 88
6.5 實驗結果與分析 88
6.5.1 實驗設置 88
6.5.2 實驗結果對比分析 89
6.5.3 t-SNE數據分布可視化 95
6.5.4 不同數量的訓練樣本對S2GFormer方法性能影響分析 96
6.5.5 S2GFormer超參數影響分析 98
6.5.6 消融實驗 100
6.6 本章小結 102
參考文獻 103
附錄 本書所用數據集 116
1. Indian Pines數據集 116
2. Kennedy Space Center數據集 116
3. Pavia University數據集 117
4. Salinas數據集 117
5. University of Houston 2013數據集 118
新書資訊