基于图神经网络的遥感图像场景分类系统设计与空间关系建模.docxVIP

PAGE2

基于图神经网络的遥感图像场景分类系统设计与空间关系建模

摘要

随着遥感技术的飞速发展，高分辨率遥感图像在城市规划、环境监测、精准农业等领域发挥着日益重要的作用。场景分类作为遥感图像解译的关键任务，其目标是将图像切分为具有语义意义的区域并赋予类别标签。然而，传统方法多基于像素或局部特征，难以有效建模场景内部复杂的地物空间关系，导致结构化场景分类精度受限。本课题设计并实现了一种基于图神经网络的遥感图像场景分类系统，将图像场景建模为图结构，其中节点表示超像素或对象区域，边表示它们的空间邻接关系，从而通过图卷积网络捕获高阶上下文信息。

本文遵循“需求分析—总体设计—详细设计—实现—测试”的工程递进思路。首先，分析了遥感图像场景分类的现实需求与现有方案的不足，明确了系统功能与非功能指标。其次，选用超像素分割与图注意力网络作为核心技术，完成了系统架构与模块设计，包括数据预处理、图构建、图神经网络推理与后处理等模块。在详细设计中，重点阐述了基于SLIC的超像素节点生成、基于空间邻接的边构建以及三层图卷积网络结构。系统实现采用Python与PyTorch生态，在UCMerced土地利用数据集上进行了功能与性能测试。结果表明，本系统在结构化场景分类中平均准确率达到92.3%，较传统CNN方法提高了约4个百分点，验证了空间关系建模的有效性。本设计为遥感图像场景理解提供了一种新的技术