面向对象高分影像归纳式图神经网络分类法

传统面向对象分类多采用遥感影像的光谱特征,忽略了影像对象之间的空间特征。本文提出了一种采用改进归纳式图神经网络的高分遥感影像面向对象分类方法,实现了光谱-空间复合节点相似度的融合系数自适应调节,以及邻域节点采样最佳数量的自动确定。首先,改进KNN图构建方法,采用标准差信息量评价法确定用于构建光谱特征和空间特征的复合节点相似度的融合系数;然后,利用反馈曲线法确定最佳的采样邻域节点数量,使用GraphSAGE节点嵌入完成特征表达;最后,依托Softmax函数预测节点类别。以GID和BDCI2017数据集为试验数据,本文的构图方法相较于改进前的构图方法在分类精度上有所提升。本文分类方法的平均Kappa系数和总体精度分别优于CART分类树算法、GCN算法、GAT算法、LANet算法、CCTNet算法和SLCNet算法0.31、0.14、0.13、0.12、0.08、0.02和42.31%、7.4%、6.73%、8.69%、6.03%、1.52%,并且在植被和建设用地提取上具有较好的稳健性。本文方法为高分遥感影像土地覆盖分类提供了有效的工具。