[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

本發明屬于遙感地質勘察領域技術領域，具體涉及一種對高光譜SASI數據進行巖性分類的方法，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。本發明設計的方法可實現遙感地質勘查區域的高光譜遙感數據高精度巖石分類。

技術領域

本發明屬于遙感地質勘察領域技術領域，具體涉及一種對高光譜SASI數據進行巖性分類的方法。

背景技術

地表巖石分類是遙感地質勘察領域的一個重要研究內容，高精度的巖石分類有助于遙感地質勘查高質量的完成。傳統的多光譜遙感由于波譜分辨率有限，難以區分地表巖石獨特而豐富的波譜信息。近年來，高光譜技術在遙感地質領域應用越來越廣泛。高光譜巖石分類是遙感地質找礦的重要技術。目前利用納米級分辨率高光譜遙感SASI數據識別巖石診斷光譜信息并完成巖石分類已經成為可能。

因此，可以利用2D卷積深度學習方法實現高光譜SASI數據巖石分類，以此可解決傳統分類方法對巖石分類精度準確性較低的問題。

發明內容

本發明針對上述現有技術的不足，提供一種對高光譜SASI數據進行巖性分類的方法，用于解決傳統多光譜遙感波譜分辨率有限，難以區分地表巖石波譜信息的技術問題。

本發明技術方案：

一種對高光譜SASI數據進行巖性分類的方法，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。

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。

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。

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。