[發明專利]一種對高光譜SASI數據進行巖性分類的方法

在審

• 申請號: 202011441451.0
• 申請日: 2020-12-08
• 公開（公告）號: CN112597826A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 韓曉青
• 申請（專利權）人: 核工業北京地質研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/36;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 核工業專利中心 11007
• 代理人: 王婷

1.一種對高光譜SASI數據進行巖性分類的方法，其特征在于：包括以下步驟：

步驟一：對高光譜SASI數據預處理，并提取訓練樣本數據；

步驟二：利用自編碼+2D卷積深度學習模型進行巖石分類；

步驟2.1：建立自編碼+2D卷積深度學習網絡模型，使用訓練數據對深度學習網絡進行訓練，構建合適的深度學習網絡模型；

步驟2.2：模型參數選擇與設置；

步驟三：精度評價。

2.根據權利要求1所述的一種對高光譜SASI數據進行巖性分類的方法，其特征在于：所述步驟一中高光譜SASI數據預處理還包括：通過對高光譜SASI原始數據分別進行大氣校正和幾何校正，獲得高光譜SASI反射率數據；

所述提取訓練樣本數據還包括：進行野外地質勘查和野外巖石識別，結合高光譜遙感影像和地質圖，在高光譜SASI圖像中選取典型巖石像元光譜作為樣本數據，將樣品數據共分成四類巖石類型，包括：沖積物、變質巖、沉積巖和花崗巖。

3.根據權利要求2所述的一種對高光譜SASI數據進行巖性分類的方法，其特征在于：所述步驟一還包括：將訓練樣本數據在SASI影象的選取位置，并繪制不同巖石類型光譜曲線，由于所述不同巖石類型光譜曲線具有不同形狀和不同光譜吸收特征峰，因此根據不同巖石類型光譜曲線不同形狀和不同光譜吸收特征峰進行高光譜數據巖石分類。

4.根據權利要求3所述的一種對高光譜SASI數據進行巖性分類的方法，其特征在于：所述步驟2.1：建立自編碼+2D卷積深度學習網絡模型，還包括：在自編碼+2D卷積網絡中輸入SASI高光譜圖像，網絡輸入數據經歷多個卷積層及池化層后,經過全連接層輸出；網絡卷積時采用正向傳播，訓練時采用反向傳播逐層反向傳遞誤差,然后利用隨機梯度下降更新各層的卷積核和偏置，直到網絡訓練收斂為止；

自編碼+2D卷積操作中卷積層第l層,第j個特征(x,y)位置具體值通過如下公式(1)計算:

其中,表示第l層第j個卷積核在(h,w)位置的具體值,H_l和W_l分別表示卷積核的高和寬,b_l,j表示第l層第j個特征圖的偏置。表示第(l-1)層第m個特征在(x+h,y+w)位置的具體值。

5.根據權利要求3所述的一種對高光譜SASI數據進行巖性分類的方法，其特征在于：所述步驟2.2，模型參數選擇與設置，還包括：神經網絡的層數設置為4；網絡訓練中使用以像素點為中心的塊大小，塊大小設置為1，塊大小必須是奇數；每層神經網絡中使用的卷積數目為64；神經網絡層中卷積核的大小為3；模型循環訓練的總次數，又稱為循環次數，所述循環次數設置為10；模型每次循環訓練的迭代次數，又稱為單循環步數，單循環步數設置為1000；

學習率設置為0.001；單步網絡訓練需要的樣本數據量設置為5；選擇輸入數據通道維度為1；使用測試集輔助；測試數據比例選擇0.3；單步測試數據大小設置為32；

將訓練完成的深度學習網絡模型應用到SASI航空高光譜數據的巖石分類中，生成航空高光譜巖石分類圖；同時結合野外巖性信息驗證與室內地質資料對比分析，完善航空高光譜石深度學習分類結果，完成航空高光譜巖石提取圖。

6.根據權利要求3所述的一種對高光譜SASI數據進行巖性分類的方法，其特征在于：所述步驟三還包括：選擇使用總分類精度OA值、平均分類精度AA值和Kappa系數來評價兩種方法巖石分類結果，其中OA值、AA值和Kappa系數值越高，分類算法的分類準確性就越高。