【技术实现步骤摘要】
本专利技术属于高光谱遥感地质领域，具体涉及一种基于深度学习的航空高光谱遥感岩性填图方法。
技术介绍
1、中大比例尺地质资料是矿产资源勘查不断取得新突破的重要基础资料，岩性填图是其中一项重要环节，发挥着重要作用。航空高光谱遥感数据具有空谱合一及高空间分辨率的特点，是开展中大比例尺岩性地质填图的理想手段。传统遥感岩性地质填图方法大体分为图像增强方法和光谱特征匹配方法。图像增强方法以突出地质体信息为主，需要其他技术方法辅助实现地质体岩性分类；光谱特征匹配方法主要是光谱角匹配和基于专家知识的光谱特征判断，面对岩石矿物组成复杂场景时，前者匹配精度有限，后者面对岩性多变的光谱特征常常难以入手。
2、随着人工智能技术的不断发展，一些学者利用深度学习方法进行高光谱遥感岩性识别研究，但大多数研究是在小范围内基于单景高光谱数据进行岩性识别，基于多景航空高光谱数据进行大范围岩性填图方面的研究相对较少。利用深度学习进行岩性识别填图过程中，岩性样本的正确选取是重点也是难点，同时也是高光谱遥感开展大区域岩性填图亟需解决的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的航空高光谱遥感岩性填图方法，该方法通过高光谱特征变换增强了岩性特征，通过假彩色特征图像选取岩性样本，并结合野外实地调查验证，有效减少了野外调查验证的工作量，确保了岩性样本提取的准确性。
2、实现本专利技术目的的技术方案：
3、一种基于深度学习的航空高光谱遥感岩性填图方法，所述方法包括：>
4、步骤一：对原始航空高光谱数据进行预处理，获得目标反射率数据；
5、步骤二：对各航带目标反射率数据分别进行地形辐射校正处理、镶嵌处理，获得无明显色差的大范围整体反射率镶嵌数据；
6、步骤三：对反射率镶嵌数据进行高光谱数据特征变换处理，提取高光谱数据特征，获得假彩色特征图像，突出地质体岩性信息；
7、步骤四：在假彩色特征图像上，依据不同色调圈定岩性范围，参考地质图初步确定不同色调对应的岩性信息，建立岩性样本库；
8、步骤五：制作样本训练集栅格数据和目标预测集栅格数据，进行深度学习模型训练，获得岩性特征提取网络模型，进行岩性识别填图。
9、所述步骤一中数据预处理包括系统几何校正、辐射定标和大气校正。
10、所述步骤二中采用的镶嵌方法为：确定一幅色调正常的航带反射率数据作为参考图像，根据相邻航带影像重叠区统计反射率数据差异，采用色阶匹配方法，依据参考图像调整相邻航带影像，使相邻图像的色调保持一致。
11、所述步骤三具体为：利用独立主成份变换进行高光谱数据特征提取，从独立主成份变换数据中选择三个特征波段进行假彩色显示图像，假彩色图像有效突出不同地质体岩性信息。
12、所述步骤四中，对于有异议地质体特征色块，如地质图已知岩性范围内有多种特征色调或者同种岩性表现出不同的色调，需要进行野外实地调查取证，查证多种特征色调分别对应的岩性信息。
13、所述步骤五具体为：将镶嵌后的航空高光谱反射率数据和训练集栅格数据作为输入，对卷积神经网络模型进行训练，获得岩性特征提取网络模型。将镶嵌后的航空高光谱反射率数据和预测集栅格数据作为预测目标进一步输入训练后的岩性特征提取网络模型，进行岩性识别填图。
14、所述步骤五中训练集栅格数据为根据岩性样本库制作的训练集栅格数据，预测集栅格数据为依据反射率镶嵌数据制作的预测集栅格数据。
15、所述训练集栅格数据的制作方法为：为岩性样本指定相应的岩性代码；将岩性样本矢量转换为栅格，生成样本栅格；将样本栅格中的nodata值赋为0，生成训练集栅格数据；预测集栅格数据的制作方法为：将样本栅格中的nodata值赋值为大于岩性种类数量的数值，生成测试集栅格；将测试集栅格裁切至与高光谱数据一致的范围，背景转为nodata，生成预测集栅格数据。
16、所述获得岩性特征提取网络模型的方法为：将反射率镶嵌数据和训练集栅格数据作为输入，对航空高光谱反射率数据进行切片形成多个光谱数据立方体作为训练数据，对深度卷积神经网络进行训练，获得岩性特征提取网络模型；
17、所述进行岩性识别填图的方法为：将反射率镶嵌数据和预测集栅格数据作为预测目标进一步输入，利用训练完成的岩性提取网络模型进行岩性填图识别，利用验证集对分类结果进行精度评价。
18、本专利技术的有益技术效果在于：
19、1、本专利技术提供的一种基于深度学习的航空高光谱遥感岩性填图方法，通过高光谱特征变换增强了岩性特征，通过假彩色特征图像选取岩性样本，并结合野外实地调查验证，有效减少了野外调查验证的工作量，确保了岩性样本提取的准确性，为实现基于航空高光谱数据开展大区域岩性填图应用提供了技术基础。
20、2、本专利技术提供的一种基于深度学习的航空高光谱遥感岩性填图方法获得的岩性填图结果与地质图最为接近，岩性分类的细节表现力更好，更符合实际地表岩性分布情况，岩性分类精度优于传统分类方法。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤一中数据预处理包括系统几何校正、辐射定标和大气校正。
3.根据权利要求2所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤二中采用的镶嵌方法为：确定一幅色调正常的航带反射率数据作为参考图像，根据相邻航带影像重叠区统计反射率数据差异，采用色阶匹配方法，依据参考图像调整相邻航带影像，使相邻图像的色调保持一致。
4.根据权利要求3所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤三具体为：利用独立主成份变换进行高光谱数据特征提取，从独立主成份变换数据中选择三个特征波段进行假彩色显示图像，假彩色图像有效突出不同地质体岩性信息。
5.根据权利要求4所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤四中，对于有异议地质体特征色块，如地质图已知岩性范围内有多种特征色调或者同种岩性表现出不同的色调，需要进行野外实地调查
6.根据权利要求5所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤五具体为：将镶嵌后的航空高光谱反射率数据和训练集栅格数据作为输入，对卷积神经网络模型进行训练，获得岩性特征提取网络模型。将镶嵌后的航空高光谱反射率数据和预测集栅格数据作为预测目标进一步输入训练后的岩性特征提取网络模型，进行岩性识别填图。
7.根据权利要求6所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤五中训练集栅格数据为根据岩性样本库制作的训练集栅格数据，预测集栅格数据为依据反射率镶嵌数据制作的预测集栅格数据。
8.根据权利要求7所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述训练集栅格数据的制作方法为：为岩性样本指定相应的岩性代码；将岩性样本矢量转换为栅格，生成样本栅格；将样本栅格中的Nodata值赋为0，生成训练集栅格数据；预测集栅格数据的制作方法为：将样本栅格中的Nodata值赋值为大于岩性种类数量的数值，生成测试集栅格；将测试集栅格裁切至与高光谱数据一致的范围，背景转为Nodata，生成预测集栅格数据。
9.根据权利要求8所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述获得岩性特征提取网络模型的方法为：将反射率镶嵌数据和训练集栅格数据作为输入，对航空高光谱反射率数据进行切片形成多个光谱数据立方体作为训练数据，对深度卷积神经网络进行训练，获得岩性特征提取网络模型。
10.根据权利要求9所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述进行岩性识别填图的方法为：将反射率镶嵌数据和预测集栅格数据作为预测目标进一步输入，利用训练完成的岩性提取网络模型进行岩性填图识别，利用验证集对分类结果进行精度评价。
...【技术特征摘要】
1.一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤一中数据预处理包括系统几何校正、辐射定标和大气校正。
3.根据权利要求2所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤二中采用的镶嵌方法为：确定一幅色调正常的航带反射率数据作为参考图像，根据相邻航带影像重叠区统计反射率数据差异，采用色阶匹配方法，依据参考图像调整相邻航带影像，使相邻图像的色调保持一致。
4.根据权利要求3所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤三具体为：利用独立主成份变换进行高光谱数据特征提取，从独立主成份变换数据中选择三个特征波段进行假彩色显示图像，假彩色图像有效突出不同地质体岩性信息。
5.根据权利要求4所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤四中，对于有异议地质体特征色块，如地质图已知岩性范围内有多种特征色调或者同种岩性表现出不同的色调，需要进行野外实地调查取证，查证多种特征色调分别对应的岩性信息。
6.根据权利要求5所述的一种基于深度学习的航空高光谱遥感岩性填图方法，其特征在于，所述步骤五具体为：将镶嵌后的航空高光谱反射率数据和训练集栅格数据作为输入，对卷积神经网络模型进行训练，获得岩性特征提取网络模型。将镶嵌后的航空高光谱反射率数据和预测集...
【专利技术属性】
技术研发人员：杨国防，木红旭，田丰，韩晓青，
申请(专利权)人：核工业北京地质研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。