[發明專利]一種航空高光譜遙感影像快速礦物填圖方法

在審

• 申請號: 202210752611.6
• 申請日: 2022-06-28
• 公開（公告）號: CN115115742A
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 張川;易敏;葉發旺
• 申請（專利權）人: 核工業北京地質研究院
• 主分類號: G06T11/40
• 分類號: G06T11/40;G06T11/20;G06T7/80;G06V10/764;G06V10/774;G06V10/77;G06V10/80;G06N3/04;G06N3/08
• 代理公司: 核工業專利中心 11007
• 代理人: 陳麗麗

本發明屬于地球科學技術領域，具體公開了一種航空高光譜遙感影像快速礦物填圖方法，包括：步驟(1)、建立樣本庫；步驟(2)、空間信息提取；步驟(3)、構建深度學習網絡結構；步驟(4)、對搭建的深度學習模型進行訓練；步驟(5)、根據訓練好的模型進行航空高光譜遙感影像礦物填圖。本發明方法從影像上選取比較具有代表性的蝕變礦物樣本，建立樣本庫，然后利用pytorch框架構建空譜結合卷積神經網絡對樣本庫中的樣本進行訓練，評估模型的精度與魯棒性，最終實現高光譜蝕變礦物智能填圖，具有高效性和可靠性。

技術領域

本發明屬于地球科學技術領域，具體涉及一種航空高光譜遙感影像快速礦物填圖方法。

背景技術

圍巖蝕變主要發生在熱液成礦的過程中，是礦體周圍的巖石與熱液發生化學反應所產生的成分、構造和結構的改變，其分布的面積范圍比礦體還要廣，并且常常與礦體伴生，所以圍巖蝕變是一種尋找熱液型金屬礦產的重要標志。近年來，高光譜技術在地質勘查領域愈加受到關注和重視，高光譜技術利用光譜分辨率極高的光譜曲線特征差異來實現不同物質組分的區分和識別，目前已經能夠實現幾十種礦物的識別，其中包括與成礦相關的許多種蝕變礦物類型。

深度學習作為近年來最火熱的新技術，在語音識別、自然語言處理、計算機視覺和自動駕駛等領域應用非常成功。其核心在于讓計算機對特征進行深度提取、抽象并加以學習，成為某領域的“專家”。目前，很多學者將深度學習應用于高光譜影像處理中，例如地物分類、混合像元分解等，并在精度方面優于傳統的支持向量機、隨機森林等算法。深度學習具有“端”到“端”的技術優勢，可實現高光譜影像快速填圖。鑒于上述背景，基于深度學習研究航空高光譜的快速蝕變填圖，也成為國內外地質勘探領域研究熱點。

在數據獲取方面，以核工業北京地質研究院遙感信息與圖像分析技術國家重點實驗室引進的SASI航空高光譜測量系統為例。SASI傳感器光譜范圍為950～2450nm，光譜分辨率15nm，可以獲得100個連續的光譜通道，空間分辨率可以達到米級，在數據采集過程中，可以獲取地面豐富的光譜信息與空間信息，為礦產勘查提供很有效的輔助信息。

在數據處理方面，目前，對航空高光譜影像蝕變填圖大多是利用光譜匹配調制濾波、光譜角匹配等算法，如目前ENVI集成的沙漏算法，是遙感地質人員常用的填圖工具。這些方法需要較多的人為參與，并且面臨著閾值較難確認等問題，效率相對較低。同時航空高光譜SASI影像具有極其豐富的空間信息，如果在蝕變填圖過程中，考慮每個像素的空間信息，在理論上可以增加填圖結果的準確性和魯棒性，而深度學習的靈活性使得在填圖過程中能夠同時考慮像素的空間特征與光譜特征。

發明內容

本發明的目的在于提供一種航空高光譜遙感影像快速礦物填圖方法，該方法從影像上選取比較具有代表性的蝕變礦物樣本，建立樣本庫，然后利用pytorch框架構建空譜結合卷積神經網絡對樣本庫中的樣本進行訓練，評估模型的精度與魯棒性，最終實現高光譜蝕變礦物智能填圖，具有高效性和可靠性。

實現本發明目的的技術方案：

一種航空高光譜遙感影像快速礦物填圖方法，所述方法包括以下步驟：

步驟(1)、建立樣本庫；

步驟(2)、空間信息提取；

步驟(3)、構建深度學習網絡結構；

步驟(4)、對搭建的深度學習模型進行訓練；

步驟(5)、根據訓練好的模型進行航空高光譜遙感影像礦物填圖。

所述步驟(1)中樣本包括實測光譜樣本和圖像光譜樣本。

所述實測光譜樣本的處理方法為：采用地物光譜儀進行實地光譜數據測量，對實測光譜進行光譜分析及礦物歸類，并在航空影像上尋找對應的像素位置，制作每種蝕變礦物類別的二值影像標簽圖。