一种基于动态诊断的高光谱影像小样本分类方法与流程

1.本发明涉及高光谱影像小样本分类技术领域，尤其涉及一种基于动态诊断的高光谱影像小样本分类方法。


背景技术：

2.高光谱影像由于具有光谱分辨率高、波段众多等显著特点，较于常规遥感影像有更广泛的应用，常常被用来对目标范围内各地物进行分类识别。现有高光谱分类方法多依赖于大量监督样本的通过对目标范围图像的空间和光谱信息进行分析和处理，往往可以得到较高的分类精度。然而，只有少量标注样本数据的现状对于高光谱分类提出挑战。对于少量监督样本的高光谱影像分类一般分为两种情况：一，首先在有着大量标注样本的源域上训练，然后利用目标域的少量监督样本进行微调，但这种方法要求源域和目标域地物类别尽可能相同，若域差异较大，会产生不理想的分类结果；二，直接利用目标域中的少量监督样本进行训练，有效利用少量的监督样本学习更好的知识或者用其他方法辅助来产生好的分类结果。针对利用少量监督样本进行影像分类的问题，研究者已经做了大量的工作，但是仍具有高光谱图像标注样本少、光谱特征和空间特征难平衡及类内相似性和类间差异性小而导致分类精度不高的问题


技术实现要素：

3.本发明提供一种基于动态诊断的高光谱影像小样本分类方法，以克服高光谱图像标注样本少、光谱特征和空间特征难平衡及类内相似性和类间差异性小而导致分类精度不高的问题。
4.为了实现上述目的，本发明的技术方案是：
5.一种基于动态诊断的高光谱影像小样本分类方法，其特征在于，包括以下步骤：
6.s1、将高光谱影像切分组成空间块样本集合，空间块对应的中心像元组成像元样本集合，从空间样本集合随机选择空间块样本组成空间块训练集，从像元样本集合中选出空间块对应的中心像元组成像元训练集，块分类任务t
spa
由空间块样本组成，像元分类任务t
spe
由像元样本组成；
7.s2、将深度学习方法中的池化层、激活函数和全连接层进行二维卷积操作、批量归一化处理，形成二维卷积层和线性层，建立特征提取网络；
8.s3、利用特征提取网络提取高光谱影像的样本特征，利用样本特征作为节点和样本特征间的相似性作为边构建双分支边推导网络；
9.s4、利用块分类任务和像元分类任务构建分类任务，以分类任务作为输入，构建节点更新和边更新规则，对双分支边推导网络的所有节点信息和边信息进行更新，得到分类模型；
10.s5、利用待预测高光谱影像样本组成待测查询集，将待测查询集中的分类任务输入分类模型，构建动态诊断规则对输入的查询样本进行判别，直到分类结束。
11.进一步的，s2中所述特征提取网络包括空间特征提取网络spa
‑
nn和光谱特征提取网络spe
‑
nn，其中空间特征提取网络spa
‑
nn由二维卷积层和线性层组成，光谱特征提取网络spe
‑
nn由线性层组成，其中由空间块样本组成的块分类任务作为空间特征提取网络spa
‑
nn的输入，输出为块分类任务中每一个空间块样本的空间特征表示x
spa
，由像元样本组成的像元分类任务作为光谱特征提取网络spe
‑
nn的输入，输出为像元分类任务中每一个像元样本的光谱特征表示x
spe
。
12.进一步的，s3中所述双分支边推导网络包括基于块分类任务的图神经网络s
‑
gnn和基于像元分类任务的图神经网络p
‑
gnn；
13.其中构建基于块分类任务的图神经网络s
‑
gnn具体公式为：g
spa
＝(v
spa
,s
spa
；t
spa
)，其中v
spa
代表由x
spa
组成的节点集合，s
spa
表示样本间的空间相似性集合，g
spa
表示以v
spa
和s
spa
为节点集和边集构建的第一全连通图，利用第一全连通图g
spa
的节点、边作为网络的输入和输出构建基于块分类任务的图神经网络s
‑
gnn；
14.构建基于像元分类任务的图神经网络p
‑
gnn具体公式为：g
spe
＝(v
spe
，s
spe
；t
spe
)，其中v
spe
代表由x
spe
组成的节点集合，s
spe
表示样本间的光谱相似性集合，g
spe
代表以v
spe
和s
spe
表示图的节点集和边集构建的第二全连通图，利用第二全连通图g
spe
的节点、边作为网络的输入和输出构建基于像元分类任务的图神经网络p
‑
gnn。
15.进一步的，s4中对双分支边推导网络中的所有节点信息进行更新具体为：
16.s41、对第一全连通图g
spa
中的节点信息在基于块分类任务的图神经网络s
‑
gnn中l层进行更新，更新公式为：
[0017][0018]
其中，mlp
spa
为空间
‑
光谱特征转换网络，网络参数为c表示连接操作，为g
spa
中的节点j在s
‑
gnn中l
‑
1层的节点信息，为对目前块任务在网络中l
‑
1层的样本i和其他样本的空间相似性经过归一化处理之后的样本i和样本j的空间相似性，为g
spa
中的节点i在s
‑
gnn中l层的节点信息，为g
spe
中的节点i在s
‑
gnn中l
‑
1层的节点信息，j为g
spe
中的节点序号；
[0019]
s42、对第二全连通图g
spe
中的节点信息在基于像元分类任务的图神经网络p
‑
gnn中l层进行更新，更新公式为：
[0020][0021]
其中，mlp
spe
为光谱特征转换网络，对应网络参数c表示连接操作，为g
spe
中的节点j在p
‑
gnn中l
‑
1层的节点信息，为对目前像元任务中样本i和其他样本的在l
‑
1层的光谱相似性经过归一化处理之后的样本i和样本j的光谱相似性，为g
spe
中的节点i
在p
‑
gnn中l层的节点信息，为g
spe
中的节点i在p
‑
gnn中l
‑
1层的节点信息；
[0022]
利用公式(1)和(2)对双分支边推导网络中的所有节点信息进行更新。
[0023]
进一步的，s4中对双分支边推导网络中的所有边信息进行更新具体为：
[0024]
s43、对第一全连通图g
spa
中的边信息在基于块分类任务的图神经网络s
‑
gnn中l层进行更新；
[0025]
s44、对第二全连通图g
spe
中的边信息在基于像元分类任务的图神经网络p
‑
gnn中l层进行更新。
[0026]
进一步的，s43对第一全连通图g
spa
中的边信息在在基于块分类任务的图神经网络s
‑
gnn中l层进行更新具体为：
[0027]
s431、计算第一全连通图g
spa
中在第l层网络中节点i和j间的实体空间相似性计算实体空间相似性的公式为：
[0028][0029]
其中，σ为sigmoid操作，和分别为基于块分类任务的图神经网络s
‑
gnn中第l层的节点i和j的特征经过空间特征映射网络得到的在空间特征中的表示，空间特征映射网络每层包含4个卷积层和1个线性层，o为样本在三维空间中的欧式距离计算操作；
[0030]
s432、计算基于块分类任务的图神经网络s
‑
gnn中1层的节点i和j的空间分布相似性计算第一空间分布相似性的公式为：
[0031][0032]
其中，n为像元任务中的样本总数，为样本i和样本m在s
‑
gnn中l层的实体空间相似性，为样本j和样本m在s
‑
gnn中l层的实体空间相似性；
[0033]
s433、利用实体空间相似性和第一空间分布相似性计算节点i和j对应边的更新规则，计算更新规则的公式为：
[0034][0035]
其中k代表节点序号，n为像元任务中的样本总数，代表s
‑
gnn中l层样本i和样本j的空间相似性，表示s
‑
gnn中l
‑
1层中样本i和样本j的空间相似性，表示s
‑
gnn中l
‑
1层中样本i和样本k的空间相似性。
[0036]
进一步的，s44对第二全连通图g
spe
中的边信息在基于像元分类任务中l层进行更新具体为：
[0037]
s441、计算第二全连通图g
spe
中在第l层网络中节点i和j间的实体光谱相似性计算实体光谱相似性的公式为：
[0038][0039]
其中，和分别为p
‑
gnn网络中第l层的节点i和j的特征经过光谱特征映射网络得到的在光谱特征空间中的表示，光谱特征映射网络每层包含4个卷积层和1个线性层；
[0040]
s442、计算第二全连通图g
spe
中节点i和j在网络l层的第二空间分布相似性计算第二空间分布相似性的公式为；
[0041][0042]
其中m代表节点序号，n代表样本总量，代表样本i和样本m在p
‑
gnn中l层的实体光谱相似性，代表样本j和样本m在p
‑
gnn中1层的实体光谱相似性；
[0043]
s443、根据实体光谱相似性和第二空间分布相似性计算基于像元分类任务的图神经网络p
‑
gnn在1层中节点i和j对应边的更新规则，计算图g
spe
中边更新规则的公式为：
[0044][0045]
其中k代表节点序号，n为像元任务中的样本总数，代表p
‑
gnn中l层样本i和样本j的光谱相似性，表示p
‑
gnn中l
‑
1层样本i和样本j的光谱相似性，表示p
‑
gnn中l
‑
1层中样本i和样本k的光谱相似性。
[0046]
进一步的，s4还包括将分类模型根据给定的损失函数进行训练，所述损失函数为交叉熵损失函数。
[0047]
进一步的，s5中动态诊断规则包括类内相似性诊断规则、类间差异性诊断规则、结果一致性诊断规则和标签决策规则；
[0048]
进一步的，s5中所述类内相似性诊断规则、类间差异性诊断规则、结果一致性诊断规则和标签决策规则具体为：
[0049]
s51、构建类内相似性诊断规则，所述类内相似性诊断规则为：
[0050]
且
[0051]
其中，为目前块分类任务中查询样本q在与支持集中每一类样本的平均空间相似性中的最大值，为目前像元分类任务中查询样本q在与支持集中每一类样本的平
均光谱相似性中的最大值，μ1和μ2为所设定的类内相似性的最低要求；
[0052]
s52、构建类间差异性诊断规则，所述类间差异性诊断规则为：
[0053]
且
[0054]
其中，为目前块分类任务中查询样本q在与支持集中每一类样本的平均空间相似性中的次大值，为目前像元分类任务中查询样本q与支持集中每一类样本的平均光谱相似性中的次大值，v1和v2为所设定的类间差异性的最低要求；
[0055]
s53、构建结果一致性诊断规则，所述结果一致性诊断规则为：
[0056][0057]
其中，为在目前像元任务中查询样本q基于像元分类任务的图神经网络p
‑
gnn产生的分类结果，是在目前像元分类任务中根据查询样本q与在支持集中每一类样本的光谱相似性得到的，为在目前空间块任务中查询样本q基于块分类任务的图神经网络s
‑
gnn产生的分类结果，是根据目前空间块分类任务中根据查询样本q与在支持集中每一类样本的空间相似性得到的；
[0058]
s54、构建标签决策规则，所述标签决策规则为：
[0059]
初始化高光谱影像像素对应代码变量为1，利用类内相似性诊断规则、类间差异性诊断规则和结果一致性诊断规则构建动态诊断器，动态诊断器对查询样本标签做出决策，若待测查询集中的查询样本q满足类内相似性诊断规则、类间差异性诊断规则和结果一致性诊断规则，则给定查询样本q分配类标签且结果满足设定的规则，结果固定，查询样本q对应的高光谱影像像素对应代码变量输出为0，否则给定查询样本q分配类标签结果不满足设定的规则，结果暂定，可重复更新，查询样本q对应的高光谱影像像素代码变量输出为1；其中，c
q
为查询样本q的分类结果，结果是否固定，取决于查询样本对应的代码变量。
[0060]
有益效果：本发明采用双分支深度神经网络搭建特征提取网络用于提取特征及边推导网络用于空间相似性和光谱相似性度量，测试时构建动态诊断器，筛选出样本当前任务中符合高类内相似性和高类间差异性且光谱分支网络和空间分支网络的分类结果保持一致性的样本，进而提升分类性能。
附图说明
[0061]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0062]
图1为本发明的流程图；
[0063]
图2为本发明特征提取网和双分支边推导网络结构模型；
[0064]
图3a为本发明实施例中的所选取的训练集的真实地物图；
[0065]
图3b为现有的egnn分类模型结果图；
[0066]
图3c为本发明实施例中采用本发明所提出的方法的分类结果图。
具体实施方式
[0067]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
本实施例提供了一种基于动态诊断的高光谱影像小样本分类方法，如图1，其特征在于，包括以下步骤：
[0069]
s1、将高光谱影像切分组成空间块样本集合，空间块对应的中心像元组成像元样本集合，从空间样本集合随机选择空间块样本组成空间块训练集，从像元样本集合中选出空间块对应的中心像元组成像元训练集，块分类任务t
spa
由空间块样本组成，像元分类任务t
spe
由像元样本组成。
[0070]
高光谱数据来源于aviris传感器获取的salinas valley数据，经过处理后salinas valley有224个波段，包含了16个农作物类别；
[0071]
s1中所述分类任务由支持集和查询集组成，首先随机选择n个类别，其中n个类别中每个类别的k个样本组成支持集，每个类别的c个样本组成查询集。训练时，块分类任务中的支持集和查询集从空间块训练集随机选取空间块样本组成，像元分类任务中的支持集和查询集从像元训练集随机选取像元样本组成；测试时，块分类任务中的支持集从空间块训练集随机空间样本组成，查询集从空间块样本集合随机选取空间块样本组成，像元分类任务中的支持集从像元训练集随机选取像元样本组成，查询集从像元样本集合随机选取像元样本组成；
[0072]
表1显示了salinas valley数据集每类目标地物的样本数目：
[0073]
表1
[0074]
[0075][0076]
对高光谱影像训练集进行pca处理，设置pca将高光谱影像训练集像元特征映射到30维，每类选择7个大小为11
×
11
×
30的样本和对应的大小为1
×1×
224的中心像元分别作为块训练集和像元训练集。训练时n设置为5，k设置为5，c设置为1；测试时n设置为5，k设置为2，c设置为5；
[0077]
s2、将深度学习方法中的池化层、激活函数和全连接层进行二维卷积操作、批量归一化处理，形成二维卷积层和线性层，建立特征提取网络；
[0078]
所述特征提取网络包括空间特征提取网络spa
‑
nn和光谱特征提取网络spe
‑
nn，其中空间特征提取网络spa
‑
nn由二维卷积层和线性层组成，光谱特征提取网络spe
‑
nn由线性层组成；
[0079]
具体的由空间块样本组成的块分类任务作为空间特征提取网络spa
‑
nn的输入，输出为块分类任务中每一个空间块样本的空间特征表示x
spa
；由像元样本组成的像元分类任务作为光谱特征提取网络spe
‑
nn的输入，输出为像元分类任务中每一个像元样本的光谱特征表示x
spe
。
[0080]
其中，x
spa
和x
spe
类型相同
[0081]
s3、利用特征提取网络提取高光谱影像的样本特征，利用样本特征作为节点和样本特征间的相似性作为边构建双分支边推导网络；
[0082]
如图2所示，s3中所述双分支边推导网络包括基于块分类任务的图神经网络s
‑
gnn和基于像元分类任务的图神经网络p
‑
gnn；
[0083]
构建基于块分类任务的图神经网络s
‑
gnn具体为：g
spa
＝(v
spa
,s
spa
；t
spa
)，其中v
spa
代表由x
spa
组成的节点集合，s
spa
表示样本间的空间相似性集合，g
spa
表示以v
spa
和s
spa
为节点集和边集构建的第一全连通图，利用第一全连通图g
spa
的节点、边作为网络的输入和输出构建基于块分类任务的图神经网络s
‑
gnn；
[0084]
构建基于像元分类任务的图神经网络p
‑
gnn具体为：g
spe
＝(v
spe
,s
spe
；t
spe
)，其中v
spe
代表由x
spe
组成的节点集合，s
spe
表示样本间的光谱相似性集合，g
spe
代表以v
spe
和s
spe
表示图的节点集和边集构建的第二全连通图，利用第二全连通图g
spe
的节点、边作为网络的输入和输出构建基于像元分类任务的图神经网络p
‑
gnn。
[0085]
s4、利用块分类任务和像元分类任务构建分类任务，以分类任务作为输入，构建节
点更新和边更新规则，对双分支边推导网络的所有节点信息和边信息进行更新，得到分类模型；
[0086]
s41、对第一全连通图g
spa
中的节点信息在基于块分类任务的图神经网络s
‑
gnn中l层进行更新的公式为：
[0087][0088]
其中，mlp
spa
为空间
‑
光谱特征转换网络，网络参数为c表示连接操作，为g
spa
中的节点j在s
‑
gnn中l
‑
1层的节点信息，为对目前块任务在网络中l
‑
1层的样本i和其他样本的空间相似性经过归一化处理之后的样本i和样本j的空间相似性，为g
spa
中的节点i在s
‑
gnn中l层的节点信息，为g
spa
中的节点i在s
‑
gnn中l
‑
1层的节点信息，j为g
spa
中的节点序号；
[0089]
s42、对第二全连通图g
spe
中的节点信息在基于像元分类任务的图神经网络p
‑
gnn中l层进行更新的公式为：
[0090][0091]
其中，mlp
spe
为光谱特征转换网络，对应网络参数c表示连接操作，为g
spe
中的节点j在p
‑
gnn中l
‑
1层的节点信息，为对目前像元任务中样本i和其他样本的在l
‑
1层的光谱相似性经过归一化处理之后的样本i和样本j的光谱相似性，为g
spe
中的节点i在p
‑
gnn中l层的节点信息，为g
spe
中的节点i在p
‑
gnn中l
‑
1层的节点信息；
[0092]
利用公式(1)和(2)对双分支边推导网络中的所有节点信息进行更新；
[0093]
s43、对第一全连通图g
spa
中的边信息在基于块分类任务的图神经网络s
‑
gnn中l层进行更新；
[0094]
s431、计算第一全连通图g
spa
在第l层网络中节点i和j间的实体空间相似性计算实体空间相似性的公式为：
[0095][0096]
其中，σ为sigmoid操作，和分别为基于块分类任务的图神经网络s
‑
gnn中第l层的节点i和j的特征经过空间特征映射网络得到的在空间特征中的表示，空间特征映射网络每层包含4个卷积层和1个线性层，o为样本在三维空间中的欧式距离
计算操作；
[0097]
s432、计算基于块分类任务的图神经网络s
‑
gnn l层中节点i和j的空间分布相似性计算第一空间分布相似性的公式为：
[0098][0099]
其中，n为像元任务中的样本总数，为样本i和样本m在s
‑
gnn中l层的实体空间相似性，为样本j和样本m在s
‑
gnn中l层的实体空间相似性；
[0100]
s433、利用实体空间相似性和第一空间分布相似性计算节点i和j对应边的更新规则，计算更新规则的公式为：
[0101][0102]
其中k代表节点序号，n为像元任务中的样本总数，代表s
‑
gnn中l层样本i和样本j的空间相似性，表示s
‑
gnn中l
‑
1层中样本i和样本j的空间相似性，表示s
‑
gnn中l
‑
1层中样本i和样本k的空间相似性。
[0103]
s44、对第二全连通图g
spe
中的边信息在基于像元分类任务的图神经网络p
‑
gnn中l层进行更新；
[0104]
s441、计算第二全连通图g
spe
中第l层网络中节点i和j间的实体光谱相似性计算实体光谱相似性的公式为：
[0105][0106]
其中，和分别为p
‑
gnn网络中第l层的节点i和j的特征经过光谱特征映射网络得到的在光谱特征空间中的表示，光谱特征映射网络每层包含4个卷积层和1个线性层；
[0107]
s442、s442、计算第二全连通图g
spe
中节点i和j在网络l层的第二空间分布相似性计算第二空间分布相似性的公式为；
[0108][0109]
其中m代表节点序号，n代表样本总量，代表样本i和样本m在p
‑
gnn中l层的
实体光谱相似性，代表样本j和样本m在p
‑
gnn中l层的实体光谱相似性；
[0110]
s443、根据实体光谱相似性和第二空间分布相似性计算基于像元分类任务的图神经网络p
‑
gnn在l层中节点i和j对应边的更新规则，计算图g
spe
中边更新规则的公式为：
[0111][0112]
其中k代表节点序号，n为像元任务中的样本总数，代表p
‑
gnn中l层样本i和样本j的光谱相似性，表示p
‑
gnn中l
‑
1层样本i和样本j的光谱相似性，表示p
‑
gnn中l
‑
1层中样本i和样本k的光谱相似性。
[0113]
将分类模型根据给定的损失函数进行训练，所述损失函数为交叉熵损失函数；
[0114]
s5、测试时，利用待预测高光谱影像样本组成待测查询集，将待测查询集中的分类任务输入分类模型，构建动态诊断规则对输入的查询样本进行判别，直到分类结束。
[0115]
s5中动态诊断规则包括类内相似性诊断规则、类间差异性诊断规则、结果一致性诊断规则和标签决策规则；
[0116]
s51、构建类内相似性诊断规则，所述类内相似性诊断规则为：
[0117][0118]
其中，为目前块分类任务中查询样本q在与支持集中每一类样本的平均空间相似性中的最大值，为目前像元分类任务中查询样本q在与支持集中每一类样本的平均光谱相似性中的最大值，μ1和μ2为所设定的类内相似性的最低要求；
[0119]
s52、构建类间差异性诊断规则，所述类间差异性诊断规则为：
[0120]
且
[0121]
其中，为目前块分类任务中查询样本q在与支持集中每一类样本的平均空间相似性中的次大值，为目前像元分类任务中查询样本q与支持集中每一类样本的平均光谱相似性中的次大值，v1和v2为所设定的类间差异性的最低要求；
[0122]
s53、构建结果一致性诊断规则，所述结果一致性诊断规则为：
[0123][0124]
其中，为在目前像元任务中查询样本q基于像元分类任务的图神经网络p
‑
gnn产生的分类结果，是根据目前像元分类任务中根据查询样本q与在支持集中每一类样本的光谱相似性得到的，为在目前空间块任务中查询样本q基于块分类任务的图神经网络s
‑
gnn产生的分类结果，是根据目前空间块分类任务中根据查询样本q与在支持集中每一类样本的空间相似性得到的；
[0125]
s54、构建标签决策规则，所述标签决策规则为：
[0126]
初始化高光谱影像像素对应代码变量为1，利用类内相似性诊断规则、类间差异性诊断规则和结果一致性诊断规则构建动态诊断器，动态诊断器对查询样本标签做出决策。若查询样本q满足类内相似性诊断规则、类间差异性诊断规则和结果一致性诊断规则，则给定查询样本q分配类标签且结果满足设定的规则，结果固定，查询样本q对应的高光谱影像像素对应代码变量输出为0，否则给定查询样本q分配类标签结果不满足设定的规则，结果暂定，可重复更新，查询样本q对应的高光谱影像像素代码变量输出为1；其中，c
q
为查询样本q的分类结果，结果是否固定，取决于查询样本对应的代码变量。
[0127]
在具体实施例中，图g
spa
和图g
spe
作为边推导网络的输入，利用提取到的空间特征作为图g
spa
的初始节点特征；利用提取到的光谱特征，作为图g
spe
的初始节点特征。边初始化原则为同类样本为1，异类样本为0，其他设为0.5；支持集中的样本为带标签样本，查询集中的样本不带标签，为待预测样本。边推导网络包括s
‑
gnn和p
‑
gnn，二者的网络结构相同，但参数不同。具体的网络结构以s
‑
gnn进行示例，表三显示了该网络在第l层的空间特征转换网络和空间特征映射网络结构，其中，l＝1时，inputf的值为128，l>1时，inputf的值为96。
[0128]
在具体实施例中，构建卷积神经网络来提取特征，其中spann网络用来提取空间
‑
光谱特征，spenn用来提取光谱特征，表2和表3显示了具体的网络结构。具体来说，spann用于提取样本空间特征表示，包括四个卷积层和一个线性层；spenn包括一个线性层，用于提取样本光谱特征表示。
[0129]
表2
[0130][0131][0132]
表3
[0133][0134]
在具体实施例中，构建动态诊断策略时，将μ1和μ2均设置为0.95，v1和v2均设置为0.4，即当待测样本在目前块任务和像元任务中的最高类内相似性不低于0.95，与最高类内相似性相关的类内差异性不低于0.4时，认为分类结果比较可靠。
[0135]
将本发明的分类结果与edge
‑
labeling graph neural network(egnn)模型的分类结果进行比较，分类的结果图如图3a、3b、3c所示；具体的分类精度如表4所示，其中的oa(overall accuracy)、aa(average accuracy)、kappa分别表示总体的分类精度、平均分类精度和kappa系数。通过表4可以看出，相对比于egnn，本发明提出的方法很大的提高了分类精度，并且从分类结果图可以观察出本发明提出的方法的错误分类远远小于egnn模型，尤其对第2、5、15类来说，大大改善了egnn分类方法的错误分类，因此本发明提出的方法具有很好的分类性能。
[0136]
表4
[0137] egnn本发明类别197.45
±
0.05100
±
0.0类别294.7
±
0.013100
±
0.0类别398.68
±
0.01299.99
±
0.009类别499.49
±
0.009100
±
0.0类别598.20
±
0.02699.97
±
0.018类别697.12
±
0.3599.04
±
0.42类别799.58
±
0.0999.83
±
0.12类别887.05
±
0.1999.10
±
0.14类别999.28
±
0.02100
±
0.0类别1094.11
±
0.2499.06
±
0.99类别1199.90
±
0.05699.96
±
0.04类别1299.81
±
0.027100
±
0.0类别1399.34
±
0.012100
±
0.0类别1499.41
±
0.0899.96
±
0.04类别1589.54
±
0.2199.96
±
0.02
类别1698.33
±
0.1799.2
±
0.05oa94.25
±
0.08999.63
±
0.055aa95.95
±
0.05799.75
±
0.04kappa94.13
±
0.1199.59
±
0.06
[0138]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。