图学习方法及其在高光谱影像处理中的应用

本书重点围绕模型构建、改进图信息传播方式、提升构图质量等展开研究，提出多种基于图学习的高光谱影像分类方法，解决高光谱影像分类面临的问题和挑战，并提高分类精度。第1章为绪论；第2章主要介绍图半监督学习基本模型；第3～6章介绍多种基于图学习的高光谱影像分类方法，包括基于锚点图的快速半监督学习高光谱影像分类、基于像素-超像素级特征联合的高光谱影像分类、基于全局动态图优化的高光谱影像分类、基于图变换器的高光谱影像分类。

目录
前言
第1章 绪论 1
1.1 课题研究的背景与意义 1
1.2 国内外研究现状及存在的问题 3
1.2.1 传统高光谱影像分类方法及存在问题 3
1.2.2 基于深度学习模型的高光谱影像分类方法及存在的问题 4
1.2.3 图方法在高光谱影像分类中的应用 7
1.3 图神经网络介绍 8
1.3.1 谱域图卷积 8
1.3.2 空域图卷积 12
1.4 评价指标 13
1.5 研究内容与章节安排 14
1.5.1 研究内容 14
1.5.2 章节安排 16
第2章 图半监督学习基本模型 18
2.1 引言 18
2.2 符号说明 18
2.3 图的构造 19
2.4 图半监督学习经典算法 21
2.4.1 高斯场和调和函数法 21
2.4.2 局部全局一致性法 23
2.4.3 基于广义图规范化权重半监督学习方法 23
2.5 快速图半监督学习模型 24
2.6 本章小结 26
第3章 基于锚点图的快速半监督学习高光谱影像分类 28
3.1 引言 28
3.2 基于锚点图的快速半监督学习模型 29
3.2.1 自适应近邻锚点图的建立 29
3.2.2 基于锚点图的快速半监督学习 31
3.3 实验验证 33
3.3.1 高光谱影像数据库实验结果 33
3.3.2 基准图像数据库实验结果 40
3.4 本章小结 44
第4章 基于像素-超像素级特征联合的高光谱影像分类 45
4.1 引言 45
4.2 高光谱影像数据的超像素分割 46
4.2.1 基于图方法的超像素分割 47
4.2.2 基于聚类方法的超像素分割 48
4.3 网络特征提取 49
4.3.1 EdgeConv图卷积 49
4.3.2 卷积神经网络卷积运算 50
4.4 基于超像素分割和边卷积的图神经网络模型 51
4.4.1 图数据生成 52
4.4.2 超像素级的EdgeConv网络 53
4.4.3 像素级的CNN 54
4.5 实验结果与分析 55
4.5.1 实验设置 55
4.5.2 分类结果对比分析 56
4.5.3 消融实验与参数敏感性分析 60
4.6 本章小结 62
第5章 基于全局动态图优化的高光谱影像分类 64
5.1 引言 64
5.2 动态图结构稀疏 65
5.3 边权重学习 67
5.3.1 标签传播算法 68
5.3.2 边权重学习与LPA的关系 68
5.4 标签传播与图稀疏相结合的高光谱影像分类模型 69
5.4.1 自适应图结构学习 70
5.4.2 Gumble-Softmax图采样 71
5.4.3 信息融合 72
5.5 实验结果与分析 73
5.5.1 实验设置 73
5.5.2 分类结果对比分析 73
5.5.3 消融实验与参数敏感性分析 77
5.6 本章小结 79
第6章 基于图变换器的高光谱影像分类 80
6.1 引言 80
6.2 视觉变换器 80
6.3 S2GFormer方法基本框架 81
6.4 S2GFormer高光谱影像分类 83
6.4.1 高光谱影像预处理和跟随像素块机制 83
6.4.2 像素块谱嵌入模块 85
6.4.3 多层GraphFormer编码器 86
6.4.4 算法训练和优化 88
6.5 实验结果与分析 88
6.5.1 实验设置 88
6.5.2 实验结果对比分析 89
6.5.3 t-SNE数据分布可视化 95
6.5.4 不同数量的训练样本对S2GFormer方法性能影响分析 96
6.5.5 S2GFormer超参数影响分析 98
6.5.6 消融实验 100
6.6 本章小结 102
参考文献 103
附录 本书所用数据集 116
1. Indian Pines数据集 116
2. Kennedy Space Center数据集 116
3. Pavia University数据集 117
4. Salinas数据集 117
5. University of Houston 2013数据集 118