(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211007408.2 (22)申请日 2022.08.22 (71)申请人 海南大学 地址 570228 海南省海口市人民大道58号 (72)发明人 尤佳　李京兵　龚诚　郑俊华　 唐浩　刘婧　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 王洋 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/13(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于GAT和3D-CNN的多特征融合高光谱图像 分类方法 (57)摘要 本申请涉及高光谱图像处理领域， 公开了一 种基于GAT和3D ‑CNN的多特征融合高光谱图像分 类方法， 该方法包括： 构建多特征融合模 型； 多特 征融合模型包括3D ‑CNN分类器和GAT分类器； 将 待测高光谱图像数据输入至多特征融合模型中； 利用3D‑CNN分类器从待测高光谱图像数据中提 取高级特征图； 利用GAT分类器从待测高光谱图 像数据中提取超像素级特征图； 将高级特征图和 超像素级特征图进行线性特征融合， 输出待测高 光谱图像数据的分类结果。 这样可以实现较好的 高光谱图像分类结果， 整体计算效率高， 时间消 耗低。 权利要求书2页 说明书13页 附图8页 CN 115375941 A 2022.11.22 CN 115375941 A 1.一种基于GAT和3D ‑CNN的多特征融合高光谱图像分类方法， 其特 征在于， 包括： 构建多特 征融合模型； 所述多特 征融合模型包括3D ‑CNN分类器和GAT分类 器； 将待测高光谱图像数据输入至所述多特 征融合模型中； 利用所述3D ‑CNN分类器从所述待测高光谱图像数据中提取高级特 征图； 利用所述GAT分类 器从所述待测高光谱图像数据中提取超像素级特 征图； 将所述高级特征图和所述超像素级特征图进行线性特征融合， 输出所述待测高光谱图 像数据的分类结果。 2.根据权利要求1所述的多特征融合高光谱图像分类方法， 其特征在于， 在构建所述 3D‑CNN分类器的过程中， 包括： 利用双卷积池化结构 构建所述3D ‑CNN分类器。 3.根据权利要求2所述的多特征融合高光谱图像分类方法， 其特征在于， 利用双卷积池 化结构构建所述3D ‑CNN分类器， 包括： 利用两个卷积层、 两个批归一 化BN层和一个池化层构建所述3D ‑CNN分类器； 其中， 所述池化层设置在两个所述卷积层之后； 所述池化层的池化类型为 最大池化； 每个所述批归一 化BN层设置在每次卷积之后， 以实现数据归一 化操作。 4.根据权利 要求3所述的多特征融合高光谱图像分类方法， 其特征在于， 在所述3D ‑CNN 分类器中， 采用Relu函数作为激活函数， 以产生非线性 运算。 5.根据权利要求1所述的多特征融合高光谱图像分类方法， 其特征在于， 在利用所述 GAT分类器提取超像素级特 征的过程中， 包括： 利用所述GAT分类器对所述待测高光谱图像数据中各视图的每一层进行学习， 计算每 一层视图的节点表示； 在不同视图之间引入注意力机制， 学习不同视图的权 重； 根据学习到的权 重， 对每个视图进行加权相加， 得到全局节点表示。 6.根据权利要求1所述的多特征融合高光谱图像分类方法， 其特征在于， 所述GAT分类 器包括第一GAT分类 器； 构建所述GAT分类 器的过程中， 包括： 利用第一GAT层， 在所述第一GAT层 之后依次设置的三个模块和一个第一线性层构 建所 述第一GAT分类 器； 其中每 个所述模块包括第一3D ‑CNN层和第一 最大池化层。 7.根据权利要求6所述的多特征融合高光谱图像分类方法， 其特征在于， 所述GAT分类 器包括第二GAT分类 器； 构建所述GAT分类 器的过程中， 包括： 利用第二GAT层、 与所述第二GAT层并行的第二3D ‑CNN层， 在所述第二3D ‑CNN层之后设 置的第二最大池化层， 分别与所述第二GAT层和所述第二最大池化层连接的第二线性层构 建所述第二GAT分类 器。 8.根据权利要求7所述的多特征融合高光谱图像分类方法， 其特征在于， 所述多特征融 合模型包括第一多特 征融合模型和第二多特 征融合模型； 所述第一多特征融合模型包括所述第一GAT分类器与所述3D ‑CNN分类器； 所述第二多 特征融合模型包括所述第二GAT分类 器与所述3D ‑CNN分类器。 9.根据权利要求8所述的多特征融合高光谱图像分类方法， 其特征在于， 将待测高光谱权　利　要　求　书 1/2 页 2 CN 115375941 A 2图像数据输入至所述多特 征融合模型中， 包括： 将待测高光谱图像数据输入至所述第一多特征融合模型或所述第二多特征融合模型 中。 10.根据权利要求9所述的多特征融合高光谱图像分类方法， 其特征在于， 利用所述GAT 分类器从所述待测高光谱图像数据中提取超像素级特 征图， 包括： 利用所述第一GAT分类器或第二GAT分类器从所述待测高光谱图像数据中提取超像素 级特征图。权　利　要　求　书 2/2 页 3 CN 115375941 A 3