深度学习与遥感入门（四）｜空间–光谱联合构图的 GCN：更稳更准的高光谱分类与全图预测（PyTorch Geometric）

最新推荐文章于 2026-01-08 20:27:01 发布

原创

最新推荐文章于 2026-01-08 20:27:01 发布 · 1.1k 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #分类 #pytorch

系列回顾：

（一）CNN 基础：高光谱图像分类可视化全流程，链接：https://mp.weixin.qq.com/s/P4IOG0WTDuoBEprfGSWMTQ

（二）HybridNet（CNN+Transformer）：提升全局感受野，链接：https://mp.weixin.qq.com/s/Zlev4Z0b3VE7a6jOOpzaAA

（三）GCN 入门实战：基于光谱 KNN 的图卷积分类与全图预测，链接：https://mp.weixin.qq.com/s/Vo5QNA7gkqbYhYg10krbnQ

本篇（四）：在第（三）篇的基础上，升级构图与训练策略 —— 融合空间+光谱信息，给边赋“强弱”，并加入早停与可复现实验配置，得到更稳更自然的全图分类结果。

常用数据：https://mp.weixin.qq.com/s/IJRh3HZWTVpJ4v322YmOuA

一、这篇要解决什么问题？

上一版（系列三）的 GCN 只用光谱 KNN构图，边是无权的（0/1）。在复杂地物边界或光谱相近却空间分散的场景，会出现：

邻接关系不够稳定（只靠光谱相似）；
信息传播“强弱”一视同仁（无权边），细节不足；
训练需要更多轮次，泛化不够稳。

这篇改进：

空间–光谱联合构图：光谱 KNN（PCA 特征）+ 空间 KNN（像素坐标）；
RBF 边权重 + 自环：让相似度成为连续权重，并为每个节点加自环稳定训练；
早停（Early Stopping）+ 固定随机种子：更可复现、更省时间；
集中可配置超参：一处改动、全局生效，便于消融与复现实验。

注：既然是改进，那么是否比之前的方法精度要高呢？大家可以对比尝试一下！

二、整体流程概览

读取 KSC 数据（KSC.mat / KSC_gt.mat）
仅用有标签像素进行标准化 + PCA 降维（与全图 transform 一致）
构训练图：基于有标签像素，做光谱 KNN 与空间 KNN，距离归一后用 RBF 映射成相似度，按 α 融合，加自环，得到 edge_index + edge_weight
训练 2 层 GCN（显式传入 edge_weight），并使用早停
全图预测：对全图做同样构图（联合 + 边权 + 自环）与推理
仅保留三种可视化（模型结果）：混淆矩阵、各类准确率条形图、全图预测分类图

三、关键设计与代码讲解

3.1 空间–光谱联合构图（本篇核心）

光谱相似：在 PCA 特征空间中做 KNN，得到距离矩阵 $DspecD_\text{spec}$
空间相似：在像素坐标平面（行、列）做 KNN，得到距离矩阵 $DspatD_\text{spat}$
归一化：为避免尺度不一致，按全局中位数将距离做归一化
RBF 相似度：

$\exp\Big(-\frac{d^2}{2\sigma^2}\Big)$
融合：

$S_\text{fused} = \alpha \cdot S_\text{spec} + (1 - \alpha) \cdot S_\text{spat}$
自环：为每个节点加入自环（强度可设），稳定训练

直观理解：光谱近与空间近都很重要，用 $α\alpha$ 来调两者权重；相似度越高，边越“粗”。

3.2 带权图卷积（GCNConv + edge_weight）

关闭 GCNConv 默认自环，由我们手动加入（数值可控）；
前向传播时显式传 edge_weight，让卷积对强/弱邻居区别对待。

3.3 早停与复现

固定随机种子（numpy / torch / cuda）；
若测试集准确率在 PATIENCE 轮内无提升，则停止训练并回滚至最佳权重。

四、一键可运行完整代码（含详细注释）

直接复制粘贴运行即可。根据你的路径调整 DATA_DIR。
仅保留模型结果可视化：混淆矩阵、各类准确率、全图预测。

1. 完整代码（配详细注释）+ 分段讲解

1.1 导入依赖与全局样式

# -*- coding: utf-8 -*-
"""
GCN for Hyperspectral Image Classification — Series (IV)
改进点：
- 空间–光谱联合构图（PCA特征KNN + 空间坐标KNN）
- RBF 边权重 + 自环；传入 GCNConv(edge_weight)
- 早停；可配置超参；固定随机种子
- 可视化（仅模型结果）：混淆矩阵、类准确率、全图预测
"""

import os
import numpy as np
import scipy.io
import torch
import torch.nn.functional as F
from torch_geometric.data import Data
from torch_geometric.nn import GCNConv
from torch_geometric.utils import add_self_loops
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix
from sklearn.neighbors import kneighbors_graph

import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns

# ----------------- 全局样式 -----------------
matplotlib.rcParams['font.family'] = 'SimHei'      # 中文字体
matplotlib.rcParams['axes.unicode_minus'] = False  # 正常显示负号
plt.rcParams['figure.dpi'] = 120
sns.set_theme(context="notebook", style="whitegrid", font="SimHei")

解释

torch_geometric.* 是 PyG 的图数据结构与图层；
kneighbors_graph 构 KNN 邻接（支持输出距离/连通性）；
seaborn+matplotlib 做美观可视化；
全局样式设置确保中文与图形风格统一。

1.2 可配置超参（集中管理，便于复现与消融）

# ----------------- 可配置超参 -----------------
DATA_DIR = r"your_path"
X_FILE = "KSC.mat"
Y_FILE = "KSC_gt.mat"

PCA_DIM = 10        # PCA维度
K_SPEC = 8          # 光谱KNN邻居数（在PCA特征空间）
K_SPAT = 8          # 空间KNN邻居数（在像素坐标空间）
ALPHA = 0.7         # 融合权重：alpha*谱相似 + (1-alpha)*空间相似
SIGMA_SPEC = 1.0    # RBF：光谱距离尺度
SIGMA_SPAT = 1.0    # RBF：空间距离尺度
SELF_LOOP_VALUE = 1.0
HIDDEN = 64         # 隐层维度
DROPOUT = 0.5
LR = 0.01
WD = 5e-4
EPOCHS = 200
PATIENCE = 20       # 早停耐心
TRAIN_RATIO = 0.3
SEED = 42

解释

ALPHA 控制光谱/空间融合比例；
SIGMA_* 控制 RBF 相似度“挑剔”程度；
SELF_LOOP_VALUE 为每个节点的自环权重；
训练相关超参集中，方便调整。

1.3 固定随机种子 + 选择设备

# ----------------- 复现性 -----------------
def set_seeds(seed=42):
    import random
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)

set_seeds(SEED)
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(f"当前设备：{
     
     device}")

解释

多库统一种子，保证每次运行结果一致；
自动选择 GPU/CPU。

1.4 数据加载与基本信息

# =========================
# 数据加载
# =========================
def load_data(x_path, y_path):
    x_data = scipy.io.loadmat(x_path)
    y_data = scipy.io.loadmat(y_path)
    # .mat 里常有多个键，这里过滤掉系统键
    x_key = [k for k in x_data.keys() if not k.startswith('__')][0]
    y_key = [k for k in y_data.keys() if not k.startswith('__')][0]
    return x_data[x_key], y_data[y_key]

print("加载数据...")
X_image, y_image = load_data(os.path.join(DATA_DIR, X_FILE), os.path.join(DATA_DIR, Y_FILE))
h, w, bands = X_image.shape
print(f"图像尺寸: {
     
     h} x {
     
     w}, 波段数: {
     
     bands}")

解释

读取 .mat，提取真实数组；
获取高光谱图像尺寸 (H, W, Bands)。

1.5 展平 + 标签预处理 + 坐标准备 + 标准化/降维

# 展平 & 标签 dtype
X_flat = X_image.reshape(-1, bands)
y_flat = y_image.reshape(-1).astype(np.int32)  # 转有符号整型，避免后续 -1 溢出

# 标注子集（仅用于训练/验证）
mask_labeled = y_flat != 0
X_labeled = X_flat[mask_labeled]
y_labeled = (y_flat[mask_labeled] - 1).astype(np.int64)   # 类别从0开始
num_classes = len(np.unique(y_labeled))
print(f"有效样本: {
     
     len(y_labeled)}，类别数: {
     
     num_classes}")

# 空间坐标（全图 & 标注子集）
rows = np.repeat(np.arange(h), w)
cols = np.tile(np.arange(w), h)
coords_all = np.stack([rows, cols], axis=1).astype(np.float32)
coords_labeled = coords_all[mask_labeled]

# 标准化 + PCA（仅在标注样本上fit；全图用transform）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_labeled)
pca = PCA(n_components=PCA_DIM, random_state=SEED)
X_pca = pca.fit_transform(X_scaled)

解释

将 (H, W, Bands) 拉平成 (N, Bands)；
标签 0 表示未标注，过滤后并让类别从 0 开始；
为联合构图准备像素的二维坐标；
只在标注子集上 fit 标准化与 PCA，保证评估公平；全图只 transform。

1.6 构图关键函数：距离归一化、RBF 相似、联合融合

# =========================
# 构图：光谱KNN + 空间KNN -> 融合（边权）
# =========================
def _normalize_dist(d):
    """将KNN返回的距离按全局中位数归一，避免尺度不一致"""
    data = d.da