左溪冰，劉 冰，余旭初，張鵬強，高奎亮，朱恩澤

1. 信息工程大學(xué)，河南 鄭州 450001； 2. 武警安徽省總隊機動支隊，安徽 合肥 230041

高光譜遙感能夠同時獲取地物空間維和光譜維信息，具有圖譜合一的特點[1]。高光譜影像分類是高光譜影像應(yīng)用的重要環(huán)節(jié)，其主要任務(wù)是為圖像中的每一個像元點賦予唯一的類別標(biāo)識。高光譜影像的分類任務(wù)通常需要大量的標(biāo)記樣本，而標(biāo)記樣本的獲取是一項費時費力的工作。同時，高光譜影像分類中高維和小樣本的特性也容易產(chǎn)生維數(shù)災(zāi)難問題[2]。

早期的高光譜影像分類方法側(cè)重于探索影像的光譜特征在分類中的作用，在這些方法中，K近鄰[3](KNN)分類器和支持向量機[4](SVM)因其良好的分類性能而得到了廣泛的應(yīng)用。此外，基于圖的方法[5]、極限學(xué)習(xí)機[6]、基于稀疏表達(dá)的方法[7]也被進(jìn)一步應(yīng)用于高光譜影像分類。然而，這些像素級分類器沒有考慮影像的空間上下文信息，得到的分類結(jié)果不盡人意。后續(xù)研究表明，綜合利用高光譜影像的空間和光譜信息能有效提高分類精度，因此，拓展形態(tài)學(xué)剖面[8](EMP)、馬爾可夫隨機場[9](MRF)、局部二值模式[10](LBP)、Gabor濾波器[11]等方法被應(yīng)用于高光譜影像的空間特征提取，進(jìn)一步提高了影像的分類精度。雖然早期的分類方法在影像分類中扮演了重要的角色，但是它們在很大程度上依賴于人為設(shè)計的特征，具有很強的經(jīng)驗性。

在深度學(xué)習(xí)時代，基于卷積神經(jīng)網(wǎng)絡(luò)的方法能夠通過一系列的層次結(jié)構(gòu)從原始影像數(shù)據(jù)中自動提取抽象的特征，避免了復(fù)雜的人為特征設(shè)計，因此取得了廣泛應(yīng)用。目前大多數(shù)基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜影像分類方法大致可以分為光譜特征提取網(wǎng)絡(luò)、空間特征提取網(wǎng)絡(luò)和空譜特征提取網(wǎng)絡(luò)[12]。光譜特征提取網(wǎng)絡(luò)旨在通過堆疊的層次結(jié)構(gòu)提取影像的深層光譜特征。經(jīng)典的光譜特征提取網(wǎng)絡(luò)有堆棧式自編碼器[13](SAE)、深度置信網(wǎng)絡(luò)[14](DBN)、一維卷積神經(jīng)網(wǎng)絡(luò)[15](1D-CNN)、一維生成對抗網(wǎng)絡(luò)[16]和循環(huán)神經(jīng)網(wǎng)絡(luò)[17](RNN)。此外，文獻(xiàn)[18]利用卷積神經(jīng)網(wǎng)絡(luò)探索了高光譜影像像素對的光譜特征。文獻(xiàn)[19]利用字典學(xué)習(xí)來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，取得了更好的分類效果。與光譜特征網(wǎng)絡(luò)不同，空間特征提取網(wǎng)絡(luò)利用深度網(wǎng)絡(luò)提取影像的空間信息，并將學(xué)習(xí)到的空間特征與其他特征提取技術(shù)提取的光譜特征進(jìn)行融合，以獲得更高的分類精度。文獻(xiàn)[20]將主成分分析(PCA)和二維卷積神經(jīng)網(wǎng)絡(luò)(2D-CNN)相結(jié)合，提取了影像的空間和光譜信息。文獻(xiàn)[21]提出了一種多尺度的空間特征提取網(wǎng)絡(luò)，并使用權(quán)重機制融合了不同尺度的空間結(jié)構(gòu)信息和光譜信息，取得了更佳的分類效果。空譜特征提取網(wǎng)絡(luò)能夠同時提取影像的空譜聯(lián)合信息。其中，三維卷積神經(jīng)網(wǎng)絡(luò)[22](3D-CNN)利用三維卷積層對高光譜影像立方體進(jìn)行端到端的空譜特征提取，取得了較好的分類結(jié)果。文獻(xiàn)[23]利用殘差學(xué)習(xí)模塊構(gòu)建了深層三維卷積網(wǎng)絡(luò)(Res-3D-CNN)，有效地解決了三維卷積網(wǎng)絡(luò)的深層退化問題。上述基于卷積神經(jīng)網(wǎng)絡(luò)的方法雖然取得了一定進(jìn)展，但是它們只對影像的規(guī)則格網(wǎng)區(qū)域進(jìn)行卷積，在特征提取過程中無法很好地表達(dá)影像的不規(guī)則局部區(qū)域，導(dǎo)致在訓(xùn)練樣本較少的情況下出現(xiàn)誤分類。

近年來，圖神經(jīng)網(wǎng)絡(luò)(GNN)引起了越來越多的關(guān)注。文獻(xiàn)[24]在不動點理論的基礎(chǔ)上首次提出了GNN模型，它可以聚合圖的節(jié)點特征，并將整個圖嵌入到新的特征空間中。文獻(xiàn)[25]在頻譜圖理論的基礎(chǔ)上提出了卷積神經(jīng)網(wǎng)絡(luò)的表述。在頻譜圖理論的基礎(chǔ)上，文獻(xiàn)[26]提出了GCN模型，該模型基于非歐幾里得數(shù)據(jù)進(jìn)行運算，通過隱含層的學(xué)習(xí)，可以聚合圖中每個圖節(jié)點的鄰居特征信息，進(jìn)而對節(jié)點特征和局部圖結(jié)構(gòu)進(jìn)行編碼。若將高光譜影像中的每個像素視作一個圖節(jié)點，則可以將高光譜影像轉(zhuǎn)換為圖結(jié)構(gòu)數(shù)據(jù)，進(jìn)而利用GCN對影像中的不規(guī)則局部區(qū)域進(jìn)行表達(dá)，以提高影像在小樣本情況下的分類精度。

本文設(shè)計了一種基于圖卷積網(wǎng)絡(luò)的高光譜影像分類方法(rotation-invariant uniform local binary pattern and graph convolutional neural network，RULBP+GCN)，該方法在紋理特征提取的基礎(chǔ)上，通過K近鄰方法將影像構(gòu)建為拓?fù)鋱D結(jié)構(gòu)，并輸入圖卷積網(wǎng)絡(luò)模型進(jìn)行影像分類，以提高影像在小樣本情況下的分類精度。

1 本文方法

本文方法的總體流程如圖1所示，該方法主要由3部分組成：LBP紋理特征提取，K近鄰構(gòu)圖和圖卷積網(wǎng)絡(luò)分類。對于原始高光譜影像，首先，通過主成分分析(PCA)將影像降維至3個波段；然后，提取3個波段的LBP紋理特征，并利用K近鄰方法對影像進(jìn)行構(gòu)圖；最后，使用圖卷積網(wǎng)絡(luò)提取圖節(jié)點的特征，并利用softmax函數(shù)生成每個節(jié)點的預(yù)測標(biāo)簽，進(jìn)而得到影像的分類結(jié)果圖。

文獻(xiàn)[10]指出，結(jié)合高光譜影像的LBP紋理特征和光譜特征能夠顯著提升影像在小樣本情況下的分類精度。本文方法利用局部二值模式(LBP)提取影像的局部空間特征，并將提取得到的空間特征與影像的光譜特征相結(jié)合，綜合利用影像的空間信息和光譜信息。另外，在特征提取的基礎(chǔ)上，使用K近鄰方法將影像構(gòu)圖，充分建立影像不同樣本點之間的全局關(guān)聯(lián)。隨后，基于樣本點之間的關(guān)聯(lián)關(guān)系，利用圖卷積網(wǎng)絡(luò)聚合不同樣本點的特征，以充分利用影像的樣本信息，提高影像在小樣本條件下的分類精度。下文將分別介紹圖卷積網(wǎng)絡(luò)、K近鄰構(gòu)圖和局部二值模式。

圖1 基于圖卷積網(wǎng)絡(luò)的高光譜影像分類方法流程Fig.1 Flow chart of hyperspectral image classification method based on graph convolution network

1.1 圖卷積網(wǎng)絡(luò)

圖卷積網(wǎng)絡(luò)是一種可以直接對圖結(jié)構(gòu)數(shù)據(jù)進(jìn)行操作的特征提取器，它可以通過圖卷積操作，充分利用節(jié)點之間的依賴關(guān)系和每個鄰居節(jié)點的特征信息。因此，與基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型不同，GCN可以直接應(yīng)用于不規(guī)則數(shù)據(jù)。

gθ·x=UgθUTx

(1)

式中，U是歸一化圖拉普拉斯矩陣的特征向量組成的矩陣；UTx是x的圖傅里葉變換。圖拉普拉斯矩陣的計算公式為

(2)

式中，L為圖拉普拉斯矩陣；Λ是L的特征值組成的對角矩陣?？紤]到高光譜影像構(gòu)圖時像素節(jié)點較多，為便于在大圖中計算L的特征值分解，使用切比雪夫多項式Tk(x)直到第K階的截斷展開來近似式(2)，得到的計算公式為

(3)

(4)

隨后引入“再歸一化”，即

(5)

式中，H(0)=X為原始高光譜影像構(gòu)圖后的數(shù)據(jù)；H(l)是第l+1層的輸入；W(l)是第l+1層的權(quán)值矩陣；σ代表激活函數(shù)。GCN的損失函數(shù)為

(6)

式中，yL是標(biāo)記像素點的索引集合；F是輸出層的特征圖個數(shù)，在本文中對應(yīng)高光譜影像的地物類別數(shù)量；Ylf和Zlf分別是真實標(biāo)簽的索引矩陣和預(yù)測標(biāo)簽的索引矩陣。在訓(xùn)練過程中，通過反向傳播算法對GCN模型的所有參數(shù)進(jìn)行優(yōu)化，使得損失函數(shù)L最小。

1.2 K近鄰構(gòu)圖

由于圖卷積網(wǎng)絡(luò)只能直接作用于圖結(jié)構(gòu)數(shù)據(jù)，因此需要將高光譜影像構(gòu)建為拓?fù)鋱D結(jié)構(gòu)。這里將影像的每一個像素視作圖的節(jié)點，通過K近鄰方法構(gòu)建拓?fù)鋱D。高光譜影像視為特征矩陣X∈RN×C，其中N為像素個數(shù)，C為特征向量的維數(shù)。兩個樣本xi與j之間的歐氏距離dij的計算公式為

(7)

所有樣本對的距離度量可以構(gòu)成對稱距離矩陣D=[dij]∈RN×N。例如，矩陣D中的dij表示第i個像素到第j個像素的歐氏距離。為了方便構(gòu)圖，這里選擇距離像素xi最近的K個像素作為像素xi的鄰居節(jié)點，并將它們用邊連接起來，最終將高光譜影像構(gòu)造成一個無向圖。

1.3 局部二值模式

為進(jìn)一步提高影像的分類精度，通過LBP的方法提取影像的紋理特征，并結(jié)合光譜特征進(jìn)行分類。LBP是一種用來描述圖像局部紋理特征的算子，具有原理簡單、計算復(fù)雜度低、旋轉(zhuǎn)不變性和灰度不變性等優(yōu)勢[27]。對于一個給定的中心像素(x,y)，其LBP碼的計算公式為

(8)

式中，R表示中心像素的鄰域半徑；P表示鄰域內(nèi)采樣的像素點個數(shù)；LBP特征提取的(P,R)一般取值為(8，1)；gc表示中心像素(x,y)的灰度值；g0,g1,…,gP-1表示鄰域內(nèi)像素的灰度值。由式(8)可知，中心像素的LBP碼共有2P種，這將會增加特征提取過程中的空間復(fù)雜度和時間復(fù)雜度，因此考慮采用基于旋轉(zhuǎn)不變性的等價LBP(rotation-invariant uniform local binary pattern，RULBP)，該方法計算出的RULBP碼取決于二進(jìn)制中0和1的跳變次數(shù)，中心像素RULBP碼的具體計算公式為

(9)

式中，U表示二進(jìn)制編碼中從0到1或從1到0的跳變次數(shù)。圖2給出了(P,R)取(8，1)時中心像素RULBP碼的兩種計算示例，在圖2(a)中，二進(jìn)制數(shù)00011000對應(yīng)的U值為1，因此中心像素的RULBP碼為2，在圖2(b)中，二進(jìn)制00110011對應(yīng)的U值為4，因此中心像素的RULBP碼為9。由式(9)可知，當(dāng)以中心像素的8鄰域為窗口計算其RULBP碼時，中心像素的LBP碼由原來的256種減少為10種，因此采用RULBP能夠有效地減少LBP碼的種類，提高了LBP特征提取的穩(wěn)定性。

圖2 8鄰域窗口內(nèi)中心像素的LBP碼計算示例Fig.2 Example of LBP code calculation of center pixel in eight-neighborhood window

對于高光譜影像數(shù)據(jù)，可以將影響的每個波段視為灰度圖像，直接應(yīng)用RULBP模型獲取各波段中每個像素的RULBP碼，并采用中心像素圖像塊的統(tǒng)計直方圖作為該像素的RULBP特征。值得注意的是，統(tǒng)計直方圖的橫軸代表RULBP碼的種類，其范圍為[0,9]，縱軸代表圖像塊內(nèi)各RULBP碼出現(xiàn)的頻率。圖3以Pavia大學(xué)數(shù)據(jù)集為例，給出了高光譜影像RULBP特征提取的具體流程，由于高光譜影像具有高維特性，且相鄰波段具有高度相關(guān)性，因此首先使用主成分分析將高光譜影像降維至3個波段，然后分別對3個主成分進(jìn)行RULBP特征提取，最終結(jié)合3個主成分特征與3個RULBP特征，為影像的每一個像素生成33維的特征向量。最終提取的特征包含了主要的光譜特征及RULBP提取的局部紋理特征，同時利用了高光譜影像的空間信息和光譜信息。

2 試驗結(jié)果及分析

試驗的硬件環(huán)境為16 GB內(nèi)存，IntelCorei7-9750H處理器，RTX 2070顯卡。本文設(shè)計的圖卷積網(wǎng)絡(luò)基于python語言和深度學(xué)習(xí)庫Tensorflow-GPU開發(fā)實現(xiàn)。在網(wǎng)絡(luò)的訓(xùn)練過程中，設(shè)置網(wǎng)絡(luò)的迭代次數(shù)為2000次，每隔10次記錄測試樣本集上模型的分類準(zhǔn)確率，并以10次為周期對學(xué)習(xí)率實施動態(tài)衰減，在訓(xùn)練過程中，使用Adam函數(shù)對模型的訓(xùn)練損失進(jìn)行優(yōu)化。

圖3 高光譜影像RULBP特征提取流程(以Pavia大學(xué)數(shù)據(jù)集為例)Fig.3 Flow chart of RULBP feature extraction from hyperspectral images (taking the University of Pavia dataset as an example)

2.1 試驗數(shù)據(jù)

為驗證圖卷積網(wǎng)絡(luò)在高光譜影像分類方面的優(yōu)勢，選取3個常用的高光譜數(shù)據(jù)集進(jìn)行分類試驗，分別為Pavia大學(xué)數(shù)據(jù)集、Indian Pines數(shù)據(jù)集和Salinas數(shù)據(jù)集。

(1) Pavia大學(xué)數(shù)據(jù)集。Pavia大學(xué)數(shù)據(jù)集是由德國的機載反射光學(xué)光譜成像儀(reflective optics spectrographic imaging system，ROSIS-03)在2003年對意大利的帕維亞城成像的一部分高光譜數(shù)據(jù)，光譜覆蓋范圍為430～860 nm，影像大小為610×340像素，其中包含地物的像素有42 776個，空間分辨率為1.3 m，去除受噪聲影響的波段后，剩余103個波段可用于分類。該數(shù)據(jù)集對9種地物進(jìn)行了標(biāo)注。地物類別、選取的訓(xùn)練樣本數(shù)量、測試樣本數(shù)量見表1。

表1 Pavia大學(xué)數(shù)據(jù)集劃分情況

(2) Indian Pines數(shù)據(jù)集。Indian Pines數(shù)據(jù)集是由機載可視紅外光譜儀(airborne visible infrared imaging spectrometer，AVIRIS)傳感器于1992年對美國印第安納州一塊印度松樹區(qū)域進(jìn)行成像獲得，光譜覆蓋范圍為400～2500 nm，影像大小為145×145像素，其中包含地物的像素有10 249個，空間分辨率為20 m，去除受噪聲影響的波段后，剩余200個波段可用于分類。該數(shù)據(jù)集對16種地物進(jìn)行了標(biāo)注。地物類別、選取的訓(xùn)練樣本數(shù)量、測試樣本數(shù)量見表2。值得注意的是，第9類地物僅包含20個像素，因此在每類地物選取的訓(xùn)練樣本數(shù)目超過20時，第9類地物仍選取20個樣本。

表2 Indian Pines數(shù)據(jù)集劃分情況

(3) Salinas數(shù)據(jù)集。Salinas數(shù)據(jù)集是AVIRIS光譜儀獲取的美國加利福尼亞州薩利納斯山谷區(qū)域的高光譜影像，影像大小為512×217像素，其中包含地物的像素有54 129個，空間分辨率為3.7 m，原始影像共有224個波段，去除受噪聲影響的波段后，剩余204個波段可用于分類。該數(shù)據(jù)集對16種地物進(jìn)行了標(biāo)注。地物類別、選取的訓(xùn)練樣本數(shù)量、測試樣本數(shù)量見表3。

表3 Salinas數(shù)據(jù)集劃分情況

2.2 試驗參數(shù)設(shè)置

在GCN正式訓(xùn)練之前，首先需要確定最佳試驗參數(shù)。試驗中需要確定的參數(shù)包括每個節(jié)點的鄰居節(jié)點數(shù)量K，GCN模型的網(wǎng)絡(luò)結(jié)構(gòu)以及學(xué)習(xí)率。

在K近鄰構(gòu)圖的過程中，參數(shù)K的含義是圖中每個節(jié)點的鄰居數(shù)量，在試驗過程中，如果K太小,則無法充分表達(dá)節(jié)點之間的依賴關(guān)系，不利于分類精度的提高；如果K取值過大，則節(jié)點會聚合鄰居節(jié)點中不利于分類的信息，進(jìn)而降低分類精度。圖4(a)給出了不同K取值情況下3個數(shù)據(jù)集的分類精度，由圖4(a)可知，隨著K的增加，分類精度呈現(xiàn)先上升后下降的趨勢。為確定參數(shù)K的最佳值，在最高分類精度對應(yīng)的參數(shù)附近進(jìn)行K值的細(xì)粒度查找，如圖4(b)所示。在圖4(b)中，Pavia大學(xué)在K值為200時分類精度最高，Indian Pines在K值為30時分類精度最高，Salinas在K值為70時分類精度最高。因此最終在K近鄰構(gòu)圖的過程中，Pavia大學(xué)、Indian Pines和Salinas的K值分別取為200、30和13。

圖4 不同鄰居節(jié)點對應(yīng)的分類精度(%)Fig.4 Classification accuracy corresponding to different neighbor nodes (%)

與卷積神經(jīng)網(wǎng)絡(luò)類似，GCN的網(wǎng)絡(luò)結(jié)構(gòu)會影響到網(wǎng)絡(luò)的學(xué)習(xí)能力，最終影響影像的分類精度和分類效率。表4給出了不同網(wǎng)絡(luò)結(jié)構(gòu)對應(yīng)的影像總體分類精度和訓(xùn)練時間，本文使用不同的節(jié)點組合來表示GCN不同的網(wǎng)絡(luò)結(jié)構(gòu)，例如，8表示包含8個節(jié)點的單個隱藏層；8-16表示分別包含8個節(jié)點和16個節(jié)點的兩個隱藏層；8-16-32表示分別包含8個節(jié)點、16個節(jié)點和32個節(jié)點的3個隱藏層。表4中加粗的數(shù)據(jù)為最高的分類精度或最少的訓(xùn)練時間。由表4可知，對于3組高光譜數(shù)據(jù)集，不同網(wǎng)絡(luò)結(jié)構(gòu)對應(yīng)的訓(xùn)練時間差別不大，因此最終選取總體分類精度較高的節(jié)點組合作為最終的網(wǎng)絡(luò)結(jié)構(gòu)，Pavia大學(xué)數(shù)據(jù)集對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)為包含32個節(jié)點的單個隱藏層，Indian Pines數(shù)據(jù)集和Salinas數(shù)據(jù)集對應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)為包含64個節(jié)點的單個隱藏層。

參照深度學(xué)習(xí)應(yīng)用于高光譜影像分類試驗的一般經(jīng)驗，將學(xué)習(xí)率分別設(shè)置為0.1、0.01、0.001和0.000 1，圖5展現(xiàn)了不同學(xué)習(xí)率對應(yīng)的損失函數(shù)值。由圖5可知，較大的學(xué)習(xí)率(如0.01)將會導(dǎo)致?lián)p失函數(shù)值波動較大，不利于模型的訓(xùn)練；較小的學(xué)習(xí)率(如0.001)將產(chǎn)生較低的損失函數(shù)值，使得模型的擬合能力更強。因此3個試驗數(shù)據(jù)集的學(xué)習(xí)率均設(shè)置為0.001。

表4 不同網(wǎng)絡(luò)結(jié)構(gòu)對應(yīng)的總體分類精度和訓(xùn)練時間

圖5 不同學(xué)習(xí)率對應(yīng)的損失函數(shù)曲線Fig.5 The loss function curve corresponding to different learning rates

2.3 試驗結(jié)果與分析

為驗證本文提出的方法(RULBP+GCN)應(yīng)對小樣本問題的有效性，每類地物分別隨機選取5、10、15、20、25個訓(xùn)練樣本進(jìn)行分類，并將本文方法與支持向量機(SVM)[28]、直推式支持向量機(transductive support vector machine，TSVM)[29]、一維卷積神經(jīng)網(wǎng)絡(luò)(1DCNN)[15]、二維卷積神經(jīng)網(wǎng)絡(luò)(2DCNN)[20]、三維卷積神經(jīng)網(wǎng)絡(luò)(3DCNN)[22]、半監(jiān)督生成對抗網(wǎng)絡(luò)(SGAN)[30]以及深度少樣例學(xué)習(xí)方法(DFSL+SVM)[31]進(jìn)行對比分析。其中，SVM是一種常用的監(jiān)督分類器，其核函數(shù)采用高斯徑向基函數(shù)；TSVM是一種半監(jiān)督分類方法，其核心思想是嘗試為未標(biāo)記樣本找到合適的標(biāo)簽值，使得超平面劃分后的間隔最大化；1DCNN、2DCNN和3DCNN是常用的深度學(xué)習(xí)方法；SGAN是一種半監(jiān)督的深度學(xué)習(xí)方法；DFSL+SVM在訓(xùn)練深度三維卷積神經(jīng)網(wǎng)絡(luò)的過程中模擬小樣本分類的情況，并將提取到的特征輸入支持向量機中進(jìn)行分類，能有效解決小樣本分類問題。值得注意的是，上述對比方法均以原始高光譜影像作為輸入，未進(jìn)行PCA降維和RULBP特征提取，因此為了保證對比試驗的公平性，設(shè)置一組未進(jìn)行PCA降維與RULBP特征提取的圖卷積網(wǎng)絡(luò)分類試驗，記作GCN。表5至表7分別給出了RULBP+GCN和不同對比方法在3組高光譜影像數(shù)據(jù)集上的總體分類精度。表中數(shù)據(jù)為10次試驗結(jié)果的總體分類精度的均值和標(biāo)準(zhǔn)差。

觀察并分析表5—表7中的試驗結(jié)果可知，所有方法的總體分類精度隨著每類地物訓(xùn)練樣本數(shù)量L的增加而提升，表明增加監(jiān)督樣本的數(shù)量和引入未標(biāo)記樣本可以提高高光譜影像的分類精度。由于半監(jiān)督方法能夠有效利用未標(biāo)記樣本，一定程度上緩解了標(biāo)記樣本不足的問題，因此半監(jiān)督支持向量機TSVM的分類精度高于傳統(tǒng)支持向量機SVM的分類精度。1DCNN、2DCNN、3DCNN、SGAN、DFSL+SVM、GCN以及RULBP+GCN等深度學(xué)習(xí)方法的分類精度總體上均高于傳統(tǒng)的支持向量機方法，表明深度學(xué)習(xí)方法具備更強的特征提取能力。

表5 不同方法在Pavia大學(xué)數(shù)據(jù)集上的分類結(jié)果

表6 不同方法在Indian Pines數(shù)據(jù)集上的分類結(jié)果

表7 不同方法在Salinas數(shù)據(jù)集上的分類結(jié)果

將GCN與其他深度學(xué)習(xí)方法(1DCNN、2DCNN、3DCNN、SGAN、DFSL+SVM)的分類精度進(jìn)行對比分析可知，在每類地物隨機選取5個訓(xùn)練樣本的情況下，GCN的分類精度高于1DCNN、2DCNN、3DCNN和SGAN，但明顯低于DSFL+SVM。這表明即使不進(jìn)行影像的PCA降維和紋理特征提取，GCN取得的分類精度仍高于卷積神經(jīng)網(wǎng)絡(luò)取得的分類精度。由于DFSL+SVM在訓(xùn)練過程中模擬了高光譜影像的少樣例學(xué)習(xí)問題，因此在每類地物隨機選取5個訓(xùn)練樣本的條件下，能夠取得更高的分類精度。但是，隨著訓(xùn)練樣本數(shù)量的增加，GCN的分類精度會出現(xiàn)低于2DCNN、3DCNN、SGAN和DFSL+SVM的情況，這主要是因為GCN僅僅捕捉了影像像素點之間的全局關(guān)聯(lián)，忽略了影像中存在的空間信息和光譜信息，而2DCNN、3DCNN、SGAN和DFSL+SVM等方法以影像像素的鄰域塊作為網(wǎng)絡(luò)的輸入，一定程度上聯(lián)合利用了影像的空間信息和光譜信息。

相比而言，本文提出的方法(RULBP+GCN)的總體分類精度最高，表明了RULBP+GCN在小樣本情況下分類的有效性。該方法首先提取影像的局部紋理特征，并通過K近鄰方法將影像構(gòu)圖，建立像素點之間的全局關(guān)聯(lián)，其中的每個節(jié)點都包含了豐富的空間信息和光譜信息。在此基礎(chǔ)上，GCN充分利用了節(jié)點之間的依賴關(guān)系，通過聚合鄰居節(jié)點的特征信息，對高光譜影像中的局部區(qū)域進(jìn)行了充分表達(dá)，進(jìn)而提高了影像在小樣本情況下的分類精度。另外，在3組高光譜數(shù)據(jù)集上，RULBP+GCN的總體分類精度均高于GCN的分類精度。表明了使用RULBP進(jìn)行紋理特征提取的有效性。

為了更加直觀地觀察RULBP+GCN方法的分類效果，圖6、圖7、圖8分別給出了3組數(shù)據(jù)集的假彩色影像(第10、50、100波段合成)，地物真實標(biāo)記，以及選取不同數(shù)量訓(xùn)練樣本的情況下，RULBP+GCN取得的分類結(jié)果圖。觀察圖6、圖7、圖8可知，隨著每類地物選取的訓(xùn)練樣本數(shù)量L的增加，分類圖的分類噪聲逐漸減少，這也更加直觀地反映了RULBP+GCN在小樣本情況下的有效性。

圖6 Pavia大學(xué)數(shù)據(jù)集上選取不同數(shù)量的訓(xùn)練樣本獲得的分類結(jié)果Fig.6 The classification results obtained by selecting different number of training samples from Pavia University dataset

圖7 Indian Pines數(shù)據(jù)集上選取不同數(shù)量的訓(xùn)練樣本獲得的分類結(jié)果Fig.7 The classification results obtained by selecting different number of training samples from Indian Pines dataset

2.4 效率對比分析

為進(jìn)一步研究RULBP+GCN的計算效率，本文選擇SVM、TSVM、1DCNN、2DCNN、3DCNN、SGAN和DFSL+SVM進(jìn)行對比分析，見表8，其中深度學(xué)習(xí)方法1DCNN、2DCNN、3DCNN、SGAN和DFSL+SVM的迭代次數(shù)均為2000次，每種方法的執(zhí)行時間包括訓(xùn)練時間和測試時間。監(jiān)督分類器SVM具有較少的超參數(shù)，因此執(zhí)行時間很短[32-33]，但其在3個數(shù)據(jù)集上的分類精度均低于RULBP+GCN。RULBP+GCN的訓(xùn)練時間比TSVM、1DCNN、2DCNN、3DCNN、DFSL+SVM的訓(xùn)練時間少，且分類精度均高于所有的對比方法，表明RULBP+GCN在保證分類精度的同時，也具備更快的執(zhí)行速度。

圖8 Salinas數(shù)據(jù)集上選取不同數(shù)量的訓(xùn)練樣本獲得的分類結(jié)果Fig.8 The classification results obtained by selecting different number of training samples from Salinas dataset

表8 在3個數(shù)據(jù)集上的效率對比(每類地物選取5個標(biāo)記樣本作為訓(xùn)練樣本)

3 結(jié) 論

為改善高光譜影像在小樣本情況下的分類精度，本文提出了一種基于圖卷積網(wǎng)絡(luò)的高光譜影像分類方法。該方法首先從高光譜影像中提取RULBP特征并將其組織成圖結(jié)構(gòu)，隨后使用GCN模型對圖數(shù)據(jù)進(jìn)行分類。采用Pavia大學(xué)、Indian Pines和Salinas 3組高光譜影像數(shù)據(jù)進(jìn)行試驗驗證，試驗結(jié)果表明：RULBP紋理特征提取能夠有效地利用影像空間特征，有利于提高影像的分類精度；GCN模型充分利用了像素節(jié)點之間的依賴關(guān)系，通過聚合鄰居節(jié)點的特征信息，有效改善了高光譜影像在小樣本條件下的分類精度。

雖然本文提出的方法在小樣本條件下取得了一定的成效，但影像的構(gòu)圖方法直接決定了各像素點之間的鄰接關(guān)系，進(jìn)而決定圖卷積模型從鄰居節(jié)點中聚合到的特征信息的優(yōu)劣，最終影響影像的分類精度。進(jìn)一步的研究工作將結(jié)合更加有效的影像構(gòu)圖方法和圖卷積模型，以期在每類地物選取5個樣本的條件下，獲得更高的分類精度。