基于图神经网络的高光谱图像分类研究进展

高光谱成像是遥感领域的一项先进技术，它能够收集和处理来自不同波段的电磁光谱信息，包括可见光、近红外和红外波段. 由于高光谱成像技术能够检测到光谱信息的细微变化，因此，其在区分不同类型的地物方面取得了不错的成果. 近年来，高光谱图像分类在城市规划和植被监测等应用中引起了许多研究者的关注，其主要目的是将图像中的每个像素分类到一个有意义的类别中. 然而，高光谱图像数据量大、特征维数高的问题给像素的精确分类带来了一定挑战. 如何有效提取高光谱图像的空谱特征已成为高光谱图像分类中最重要的问题之一. 在过去的几年里，深度学习技术依靠强大的特征提取能力，在高光谱图像分类中具有不错的表现 . 其中，基于图神经网络（Graph Neural Network，GNN）的方法凭借其处理不规则数据的出色能力，为高光谱图像分类提供了新的研究方向. 图神经网络是一种能够直接处理图结构数据的深度学习模型. 在图神经网络模型中，每个图节点表示一个样本，每条边表示一对样本之间的关系. 图卷积操作通过在图节点之间传播信息，来学习图节点的表征，从而模型能够捕捉到图节点之间的复杂关系，并实施诸如节点分类和链接预测的任务. 通过将高光谱图像转换为图结构，图神经网络能够在卷积过程中提取图像的空谱特征. 其中，每个节点对应于一个像素或区域，像素或区域之间的关系被表示为边. 本文从图神经网络的构图方式、图卷积类型、模型架构和优化策略4个角度，梳理了当前基于图神经网络的高光谱图像分类方法的研究内容和进展，并为该领域的技术研究提供了多层次的对比分析. 在基于图神经网络的高光谱图像分类方法中，图结构的构建是一项非常重要的任务. 目前，主要存在两种基于高光谱数据的建图方法，即基于像素和基于区域的方法. 在基于像素的建图方法中，每个像素都被视为一个图节点，这也是构建图结构最直接的方法. 其中，每对图节点之间的权重可以由网络预先计算或学习. 考虑到基于像素的建图方法复杂度较高，研究者开发了基于区域的建图方法. 此类方法将图像的区域作为图节点，目前已被广泛应用于高光谱图像分类方法中. 基于区域的建图方法可以有效减小图结构的尺寸，从而实现高效的图卷积运算. 此外，图卷积类型的选择也是基于图神经网络的高光谱图像分类中的一个重要问题. 当前的图卷积操作主要包含两种类型，即基于谱域的图卷积和基于空间域的图卷积. 基于谱域的图卷积从图信号处理的角度引入了滤波器，通常具备较为坚实的数学基础，并且在高光谱图像分类中得到了较为广泛的使用. 与基于谱域的方法不同，基于空间域的图卷积利用加权平均函数直接对每个图节点的邻居进行卷积. 因此，基于空间域的图卷积通常表现出更强的灵活性和泛化能力. 同时，模型架构的选择在基于图神经网络的高光谱图像分类中同样关键. 目前主要存在两种类型的模型架构，即单一型和混合型. 基于单一型架构的方法仅使用单一类型的深度模型（即图神经网络），早期的基于图神经网络的高光谱图像分类方法大多采用这一架构. 然而，图神经网络模型本身存在一些固有的缺陷，这一定程度上限制了单一型架构方法在高光谱图像分类任务中的表现. 为了缓解图神经网络模型的固有缺陷，进一步提高算法在高光谱图像分类任务中的性能，研究者开始探索将图神经网络与其他深度模型相融合的混合型模型架构，从而能够利用不同子模型来捕捉高光谱图像中多种类型的空谱特征. 模型优化策略的选择对于算法性能也有着显著的影响. 目前主要存在两种模型优化策略，即全批量梯度下降和小批量梯度下降. 全批量梯度下降法会遍历所有样本计算一次损失函数，然后根据各个参数对应的梯度来更新模型参数，这种优化策略通常用于基于谱域的图神经网络模型. 然而，由于每一次的参数更新都会涉及所有样本，因此全批量梯度下降法的复杂度通常较高，尤其是像素或超像素数量较多时. 为了提高训练效率，研究者提出使用小批量梯度下降进行模型优化. 其中，损失可以根据每个子图计算得到. 由于每个子图的规模比原始图结构小得多，因此小批量梯度下降策略通常具有很高的效率. 尽管图神经网络模型已经在高光谱图像分类任务中取得了一定成果，但现有方法仍存在一些问题有待改进. 例如自适应邻域构建，即邻域的大小和形状可以根据图像的不同区域变化. 现有的基于图神经网络的方法通常假设邻域大小和形状是固定不变的，而这一假设对于图像的所有区域而言可能并非最优. 此外，另一个问题是可伸缩性和准确性之间的权衡. 图神经网络在获得可伸缩性的同时，无可避免地会对原始数据的完整性造成损伤. 然而，保持数据的完整性对模型学习是至关重要的. 因此，越来越多学者开始研究能够同时保证可扩展性和高分类精度的图神经网络方法. 同时，由于高光谱图像可能包含各种类型的噪声，因此噪声的处理亦是一个值得关注的问题. 大部分现有的图神经网络方法对噪声不具有鲁棒性，这更加凸显了开发噪声鲁棒图神经网络方法的必要性. 总的来讲，由于基于图神经网络的方法能够有效提取高光谱图像中的空谱特征，其在高光谱图像分类领域展现了巨大的潜能 . 本文从不同角度回顾并总结了当前基于图神经网络的高光谱图像分类方法，包括建图方式、图卷积类型、模型架构和优化策略 . 同时，还分析了高光谱图像分类所面临的挑战和图神经网络算法的特点，并探讨了未来潜在的研究方向 . 随着图神经网络方法的不断发展，高光谱图像分类有望在各个领域取得更高的精度和更广泛的应用.