【技术实现步骤摘要】
本专利技术涉及高光谱遥感数据应用，具体是一种基于ms-1dcnn-drs网络模型的高光谱岩性填图方法，属于高光谱遥感领域。它适用于所有星载、机载以及其他高光谱遥感数据的岩性填图工作。
技术介绍
1、岩性填图作为地质调查和矿产勘查的重要基础数据，主要涉及记录和描述岩石的特征、组成以及结构，利用遥感影像开展岩性填图是国内外地质调查的重要技术手段之一。以往主要是aster、etm等多光谱卫星数据，其在岩性分类和岩性填图领域有广泛应用，但由于波段数量的限制，通常采用真彩色、假彩色合成等方法来进行岩性填图。这些方法在面对具有相似颜色和纹理特征的不同岩性时，难以识别和区分。近年来，随着高光谱遥感技术的发展，尤其是我国高分五号系列和资源一号02d/02e系列高光谱卫星的发射，以及机载、无人机等高光谱仪器的研制，使得高光谱进入到大面积、业务化应用模式，其超高光谱分辨率和图谱合一的特点，使其在解译具有相似颜色和纹理特征的不同岩性时具有很大优势。鉴于传统目视解译方法效率低并且容易受到制图者先前经验和专业知识等主观因素影响的缺陷，深度学习的发展为高精度高效率自动化岩性填图带来契机。
2、深度学习方法因其自动特征学习和强大的泛化能力使其在处理高光谱数据时具有显著的优势。经过实验对比发现，一维卷积神经网络可以充分挖掘高光谱影像光谱维度的岩性特征，有助于辨识不同岩性之间的差异，但是由于1dcnn只考虑高光谱数据的光谱信息，无法充分考虑像素之间的空间关系和上下文信息，这可能会导致岩性分类性能下降，且岩性分类结果中多见孤立噪点的存在；二维卷积神经网
3、为了解决上述的问题，提出了一种增加去噪模块的多谱段一维卷积神经网络(ms-1dcnn-drs)，此网络基于一维神经网络在岩性填图中表现出的运行时间短、岩性填图效果符合实际的优势，通过引入空间特征学习模块和高光谱遥感影像去噪模块，在最大限度控制运行时间的同时，大大提高了岩性填图的精度，为实现岩性填图高效率高精度的业务化运行奠定基础。
技术实现思路
1、本专利技术的目的提供一种基于ms-1dcnn-drs网络模型的高光谱岩性填图方法，该模型在保留一维卷积神经网络高效性和准确性的同时，加入了多谱段区域波谱信息，在消除或减弱一维卷积神经网络噪点问题的同时，提高了模型对空间属性的学习能力，且增加的深度残差收缩去噪网络模块可优化高光谱影像条带噪声的影响，实现了高精度高效率的岩性填图，为找矿预测提供支撑。
2、为了实现上述技术方法，本专利技术一种基于ms-1dcnn-drs网络模型的高光谱岩性填图方法，整体技术方案见附图1，该方法具体步骤如下：
3、步骤一：高光谱数据预处理与辅助数据收集
4、高光谱数据类型主要包括机载、卫星、无人机等以不同搭载平台生产的高光谱数据，目前常用的有hymap、aisafenix 1k等机载高光谱数，高分五号、资源一号02d/e等卫星高光谱数据以及headwall、hyspex等无人机高光谱数据。上述数据进行异常波段剔除、辐射定标、大气校正、坏线修复、条带去除等预处理工作得到反射率数据用于后续处理。并收集地质资料(实验区基础地质图、矿产地质图等)作为样本数据集制作的参考。
5、步骤二：高光谱数据增强
6、高光谱遥感数据波段中除少量水汽吸收波段外，每个波段都包含重要的地物信息，利用图像信息增强处理，分离和重新调整数据中的噪声并降低波段间的相关性，把多个波段影像中的有用信息集中到尽可能少的新的波段中，并以不同的波段组合突出影像中隐藏的细节信息，辅助样本数据集的制作。
7、最小噪声分离(minimum noise fraction，mnf)的基本思想是经正交变换将数据转化为按信噪比排列的新的指标，它本质上是含有两次叠置处理的主成分分析，定义如下：
8、第一步，利用高通滤波器模板对整幅影像或具有同一性质的影像数据进行滤波处理，得到噪声协方差矩阵cn，将其对角化为矩阵dn，即：
9、dn＝utcnu (1)
10、式中，dn为cn的特征值按照降序排列的对角矩阵；u为由特征向量组成的正交矩阵。进一步变换公式(1)可得：
11、i＝ptcnp (2)
12、p＝udn-1/2 (3)
13、式中，i为单位矩阵；p为变换矩阵，p＝udn-1/2。当p应用于影像数据x时，通过y＝px变换，将原始影像投影到新的空间，产生的变换数据中的噪声具有单位方差，且波段间不相关。
14、第二步，对噪声数据进行标准主成分变换。公式为：
15、cd-adj＝ptcdp (4)
16、式中，cd为影像x的协方差矩阵；cd-adj为经过p变换后的矩阵，进一步将其对角化为矩阵dd-adj，
17、dd-adj＝vtcd-adjv (5)
18、式中，dd-adj为cd-adj的特征值按照降序排列的对角矩阵；v为由特征向量组成的正交矩阵。通过以上2个步骤得到mnf的变换矩阵tmnf＝pv。
19、将步骤一得到的高光谱反射率数据根据以上公式进行计算，得到高光谱影像增强图。
20、步骤三：样本数据集制作
21、基于步骤一收集的地质资料和步骤二生成的高光谱影像增强图，选取岩性类别。岩性类别的选择原则为：①确保每个类别都有足够数量的样本；②尽量在整个图像区域内选择样本，以确保样本在空间上的平均分布，避免偏向某一区域；③对于较大的图像，建议选择样本占整体数据的10％左右，以充分覆盖图像特征。对于较小的图像区域，可以考虑增加样本量比例，以更好地捕捉区域内的特征。④确保所选样本具有代表性，能够反映出岩性的特征和变化，从而提高模型的泛化能力。其中，地质资料上已有的岩性类别以地质资料为准命名，高光谱影像增强图新解译的岩性类别以未知岩性命名，确定最终的岩性类别。
22、将以上选取的岩性类别分块处理形成5×5×band(影像波段数)大小的样本数据集，将获得的数据集随机打乱，然后按4:1比例，分别为训练数据集和测试数据集。
23、步骤四：构建ms-1dcnn-drs网络模型
24、ms-1dcnn-drs网络模型结构图见附图2，主要由三部分构成；
25、首先，一维卷积神经网络(1dcnn)可以充分挖掘高光谱数据光谱维度的岩性特征，岩性分类中存在巨大的优势。1dcnn的核心组件包括卷积层、池化层和全连接层。在卷积层中，卷积操作通过滑动卷积核(卷积窗口)在输入序列上提取局部特征。这些卷积核的权重本文档来自技高网...
【技术保护点】
1.一种基于MS-1DCNN-DRS网络模型的高光谱岩性填图方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于MS-1DCNN-DRS网络模型的高光谱岩性填图方法，其特征在于：在步骤一中，数据包括有Hymap、AisaFENIX 1K的机载高光谱数，高分五号、资源一号02D/E的卫星高光谱数据以及Headwall、Hyspex的无人机高光谱数据。
3.根据权利要求1所述的一种基于MS-1DCNN-DRS网络模型的高光谱岩性填图方法，其特征在于：在步骤二中，利用高通滤波器模板对整幅影像或具有同一性质的影像数据进行滤波处理，得到噪声协方差矩阵CN，将其对角化为矩阵DN，即：
4.根据权利要求3所述的一种基于MS-1DCNN-DRS网络模型的高光谱岩性填图方法，其特征在于：对噪声数据进行标准主成分变换；公式为：
5.根据权利要求1所述的一种基于MS-1DCNN-DRS网络模型的高光谱岩性填图方法，其特征在于：在步骤三中，岩性类别的选择原则为：①确保每个类别都有足够数量的样本；②尽量在整个图像区域内选择样本，以确保样本在空间
6.根据权利要求5所述的一种基于MS-1DCNN-DRS网络模型的高光谱岩性填图方法，其特征在于：将选取的岩性类别分块处理形成5×5×band大小的样本数据集，将获得的数据集随机打乱，然后按4:1比例，分别为训练数据集和测试数据集。
7.根据权利要求1所述的一种基于MS-1DCNN-DRS网络模型的高光谱岩性填图方法，其特征在于：在步骤四中，将25个波段数据通过二维卷积操作进行特征提取，将其减少到9个波段数据，然后将这9个波段的特征输入到一维神经网络中，进行更进一步的特征学习。
8.根据权利要求1所述的一种基于MS-1DCNN-DRS网络模型的高光谱岩性填图方法，其特征在于：在步骤五中，在每次迭代后使用测试数据集进行岩性填图正确性的测试，测试指标为总体精度OA、Kappa系数以及均方根误差损失函数；
...【技术特征摘要】
1.一种基于ms-1dcnn-drs网络模型的高光谱岩性填图方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于ms-1dcnn-drs网络模型的高光谱岩性填图方法，其特征在于：在步骤一中，数据包括有hymap、aisafenix 1k的机载高光谱数，高分五号、资源一号02d/e的卫星高光谱数据以及headwall、hyspex的无人机高光谱数据。
3.根据权利要求1所述的一种基于ms-1dcnn-drs网络模型的高光谱岩性填图方法，其特征在于：在步骤二中，利用高通滤波器模板对整幅影像或具有同一性质的影像数据进行滤波处理，得到噪声协方差矩阵cn，将其对角化为矩阵dn，即：
4.根据权利要求3所述的一种基于ms-1dcnn-drs网络模型的高光谱岩性填图方法，其特征在于：对噪声数据进行标准主成分变换；公式为：
5.根据权利要求1所述的一种基于ms-1dcnn-drs网络模型的高光谱岩性填图方法，其特征在于：在步骤三中，岩性类别的选择原则为：①确保每个类别都有足够数量的样本；②尽量在整个图像区域内选择样本，以确保样本在...
【专利技术属性】
技术研发人员：李娜，董新丰，李彤彤，武精凯，杨金中，王文莉，张睿，白伟，
申请(专利权)人：中国自然资源航空物探遥感中心，
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。