CN109345459B - 一种提升地球化学元素图层分辨率的方法及系统 - Google Patents
一种提升地球化学元素图层分辨率的方法及系统 Download PDFInfo
- Publication number
- CN109345459B CN109345459B CN201811275285.4A CN201811275285A CN109345459B CN 109345459 B CN109345459 B CN 109345459B CN 201811275285 A CN201811275285 A CN 201811275285A CN 109345459 B CN109345459 B CN 109345459B
- Authority
- CN
- China
- Prior art keywords
- image
- geochemical
- layer
- remote sensing
- processed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004075 alteration Effects 0.000 claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 241000132092 Aster Species 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract description 35
- 230000001965 increasing effect Effects 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 129
- 239000000126 substance Substances 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 7
- 229910052729 chemical element Inorganic materials 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000033558 biomineral tissue development Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种提升地球化学元素图层分辨率的方法及系统，其中，所述提升地球化学元素图层分辨率的方法首先通过获取与待处理地球化学元素图层对应地区的遥感图像，并对该遥感原始图像进行预处理、聚类和蚀变信息获取，对蚀变信息图像分解后获得第一图像和第二图像，然后在每个聚类获取的地物范围内建立所述待处理地球化学元素图层与蚀变信息第一图形的第一函数关系；最后基于该第一函数关系，将蚀变信息第二图形的空间细节注入待处理地球化学元素图层中，以实现获得分辨率较高的目标地球化学元素图层的目的，从而实现了在不增加人工采样的成本和采样难度的基础上，提升地球化学元素图层的分辨率的目的。
Description
技术领域
本申请涉及地球化学技术领域，更具体地说，涉及一种提升地球化学元素图层分辨率的方法及系统。
背景技术
地球化学元素图层根据地球化学元素丰度数据生成，地球化学元素丰度数据是表示地球化学元素空间分布规律的数据，地球化学指标主要指化学元素在地球中的含量。
地球化学元素图层中的化学元素异常信息是化探技术中找矿的重要依据，地球化学元素丰度数据通常需要人工采集，而由于地形的限制和人工采集的成本问题，导致地球化学元素丰度数据的采样点通常较少，一般为1:50万单位或1:20万单位等；根据采样密度设置的不同，一般采样点之间的间距都在1km以上，这就导致了根据这些采样点获取的地球化学元素丰度数据生成的地球化学元素图层的分辨率较低。而1:5万的化探由于工作量巨大，还远远不能覆盖我国大部分地区，也使得在很多工作中，只能利用小比例尺，分辨率低的化探数据进行参考。
在现有技术中，如果想要提升地球化学元素图层的分辨率，就势必需要增加地球化学元素丰度数据的采样点的采样密度，这样不仅会大大增加人工采样的成本，而且由于一些地区的复杂地形的影响，还会增加采样难度。
发明内容
为解决上述技术问题，本申请提供了一种提升地球化学元素图层分辨率的方法及系统，以实现在不增加人工采样的成本和采样难度的基础上，提升地球化学元素图层的分辨率。
为实现上述技术目的，本申请实施例提供了如下技术方案：
一种提升地球化学元素图层分辨率的方法，包括：
获取待处理地球化学元素图层和与所述待处理地球化学元素图层对应地区的遥感图像；
利用预设卫星数据对所述遥感图像进行预处理；
提取预处理后的遥感图像中代表预设元素的遥感蚀变信息图像；
利用聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心，每个所述聚类中心代表一类地质体特征的地物范围，其中N≥2；
利用图像金字塔技术将遥感蚀变信息图像分解为第一图像和第二图像，其中，所述第一图像的分辨率与所述待处理地球化学元素图层的分辨率相同；所述第二图像的分辨率与预处理后的遥感图像的分辨率相同；
在每个类别的地质体特征的地物范围内，建立所述待处理地球化学元素图层与所述第一图像的第一函数关系；
在每个类别的地质体特征的地物范围内，基于所述第一函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层。
可选的，所述第一函数关系的表达方式为：
geoCh＝fi(b1.L,b2.L,...,bn,L)；其中，geoCh表示所述待处理地球化学元素图层，bi,L表示所述第一图像的第i波段，i＝1,2...n。
可选的，所述在每个类别的地质体特征的地物范围内，基于所述第一函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层包括：
根据第二函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层；
所述第二函数关系为：geoChf＝geoCh+fi(b1.H,b2.H,...,bn,H)；其中，geoChf表示所述目标地球化学元素图层；geoCh表示所述待处理地球化学元素图层；bi,H表示所述第二图像的第i波段，i＝1,2...n。
可选的，所述利用聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心包括：
利用K-means聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心。
可选的，利用预设卫星数据对所述遥感图像进行预处理包括：
利用Aster数据对所述遥感图像进行预处理。
一种提升地球化学元素图层分辨率的系统，包括：
图像获取模块，用于获取待处理地球化学元素图层和与所述待处理地球化学元素图层对应地区的遥感图像；
预处理模块，用于利用预设卫星数据对所述遥感图像进行预处理；
蚀变提取模块，用于提取预处理后的遥感图像中代表预设元素的遥感蚀变信息图像；
聚类模块，用于利用聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心，每个所述聚类中心代表一类地质体特征的地物范围，其中N≥2；
图像分解模块，用于利用图像金字塔技术将遥感蚀变信息图像分解为第一图像和第二图像，其中，所述第一图像的分辨率与所述待处理地球化学元素图层的分辨率相同；所述第二图像的分辨率与预处理后的遥感图像的分辨率相同；
函数建立模块，用于在每个类别的地质体特征的地物范围内，建立所述待处理地球化学元素图层与所述第一图像的第一函数关系；
图像合成模块，用于在每个类别的地质体特征的地物范围内，基于所述第一函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层。
可选的，所述第一函数关系的表达方式为：
geoCh＝fi(b1.L,b2.L,...,bn,L)；其中，geoCh表示所述待处理地球化学元素图层，bi,L表示所述第一图像的第i波段，i＝1,2...n。
可选的，所述图像合成模块具体用于，根据第二函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层；
所述第二函数关系为：geoChf＝geoCh+fi(b1.H,b2.H,...,bn,H)；其中，geoChf表示所述目标地球化学元素图层；geoCh表示所述待处理地球化学元素图层；bi,H表示所述第二图像的第i波段，i＝1,2...n。
可选的，所述聚类模块具体用于，利用K-means聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心。
可选的，所述预处理模块具体用于，利用Aster数据对所述遥感图像进行预处理。
从上述技术方案可以看出，本申请实施例提供了一种提升地球化学元素图层分辨率的方法及系统，其中，所述提升地球化学元素图层分辨率的方法首先通过获取与待处理地球化学元素图层对应地区的遥感图像，并对该遥感图像进行预处理、聚类和蚀变信息获取，对蚀变信息图像分解后获得第一图像和第二图像，然后在每个聚类获取的地物范围内建立所述待处理地球化学元素图层与第一图形的第一函数关系；最后基于该第一函数关系，将第二图形的空间细节注入待处理地球化学元素图层中，以实现获得分辨率较高的目标地球化学元素图层的目的，从而实现了在不增加人工采样的成本和采样难度的基础上，提升地球化学元素图层的分辨率的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请的一个实施例提供的一种提升地球化学元素图层分辨率的方法的流程示意图；
图2为本申请的另一个实施例提供的一种提升地球化学元素图层分辨率的方法的流程示意图；
图3为本申请的又一个实施例提供的一种提升地球化学元素图层分辨率的方法的流程示意图；
图4(a)为乔尔天山地区的遥感图像；
图4(b)为从图4(a)中利用Aster数据提取的遥感蚀变信息图像；
图4(c)为采样密度为1:50万单位的体现Pb元素的地球化学元素图层；
图4(d)为采样密度为1:5万单位的体现Pb元素的地球化学元素图层；
图4(e)为利用提升地球化学元素图层分辨率的方法将图4(b)与图4(c)融合后得到的地球化学元素图层；
图5(a)为采样密度为1:50万单位的体现Zn元素的地球化学元素图层；
图5(b)为采样密度为1:5万单位的体现Zn元素的地球化学元素图层；
图5(c)为利用提升地球化学元素图层分辨率的方法将图4(b)与图5(a)融合后得到的地球化学元素图层；
图6(a)为采样密度为1:50万单位的体现Cu元素的地球化学元素图层；
图6(b)为采样密度为1:5万单位的体现Cu元素的地球化学元素图层；
图6(c)为利用提升地球化学元素图层分辨率的方法将图4(b)与图6(a)融合后得到的地球化学元素图层。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种提升地球化学元素图层分辨率的方法，如图1所示，包括：
S101：获取待处理地球化学元素图层和与所述待处理地球化学元素图层对应地区的遥感图像；
S102：利用预设卫星数据对所述遥感图像进行预处理；
S103：提取预处理后的遥感图像中代表预设元素的遥感蚀变信息图像；
其中，提取预处理后的遥感图像中代表预设元素的遥感蚀变信息图像的方法可以为主成分分析(Principal Components Analysis，PCA)法；所述预设元素与所述待处理地球化学元素图层体现的化学元素相同；以Pb元素为例，当所述待处理地球化学元素图层体现的化学元素为Pb时，可以对预处理后的遥感图像进行提取，以获得包含羟基蚀变信息、铁染蚀变信息和碳酸盐化蚀变信息的遥感蚀变信息图像。
S104：利用聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心，每个所述聚类中心代表一类地质体特征的地物范围，其中N≥2；
S105：利用图像金字塔技术将遥感蚀变信息图像分解为第一图像和第二图像，其中，所述第一图像的分辨率与所述待处理地球化学元素图层的分辨率相同；所述第二图像的分辨率与预处理后的遥感图像的分辨率相同；
优选的，所述图像金字塔技术为拉普拉斯图像金字塔技术。
S106：在每个类别的地质体特征的地物范围内，建立所述待处理地球化学元素图层与所述第一图像的第一函数关系；
S107：在每个类别的地质体特征的地物范围内，基于所述第一函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层。
需要说明的是，遥感数据来源于地球表面物体对太阳辐射的反射，并通过不同的波段、不同遥感数据源之间的优势互补以及不同地物之间的相关性，可以直接或间接地获取地层岩性、地质构造和蚀变信息等。遥感影像具有地域广、直观性强、综合信息丰富等特点，对地面上地质特征(比如地层、岩性、构造等)、第四系分布与岩石裸露的情况、地形地貌特征、水系分布等信息均可直接进行提取。
地球化学数据是表示地球化学元素空间分布规律的数据。地球化学指标主要的化学元素在地球中的含量。化探方法主要利用化学元素异常信息作为直接找矿的重要标志。
遥感技术与化探技术所探测的目标物体都为地表物，地球化学元素丰度数据的异常信息和遥感数据的异常信息，虽然在其专业属性上有所不同，但它们都是根据地球表层的地质体或地质现象而获取的，都是以不同形式的物理量和化学量表现出来的与成矿有关的地质信息，因此这两者之间必定存在着某种相关性，很多研究结果也证实了这一点。地球化学元素丰度数据的高值异常反映了地球化学元素的富集，而遥感蚀变信息反映了地表热液蚀变的类型和强度，与元素的富集直接相关。
地球化学元素丰度数据和遥感图像反映了地表地质体不同的属性：一个反映了地质体内的元素的含量，另一个反映地质体内所有矿物的混合光谱。尽管两者的分辨率往往相差很大，例如，地球化学元素数据的采样密度一般是1:50万、1:20万等较小的比例尺，而遥感图像的空间分辨率往往是十米级、米级、亚米级甚至厘米级，但都反映同一地物的属性，具有天然的联系。虽然地球化学元素丰度数据的分辨率较小，但测试精度通常可达ppm(part per million，百万分之一)的级别甚至ppb(par per billion，十亿分之一)的级别，是高于遥感地图的测试精度的，因此地球化学元素丰度数据也具有很高的研究价值。
遥感技术与化探技术所探测的目标物体都为地表物，化探数据的异常信息和遥感数据的异常信息，虽然在其专业属性上有所不同，但它们都是根据地球表层的地质体或地质现象而获取的，都是以不同形式的物理量和化学量表现出来的与成矿有关的地质信息，因此这两者之间必定存在着某种相关性，这种联系可以用来将遥感图像中精细的地物光谱信息与小比例尺(低分辨率)的地球化学元素信息融合起来，合成大比例尺的地球化学元素图层。本申请实施例提供的提升地球化学元素图层分辨率的方法正是基于这一图像融合的思想。所述提升地球化学元素图层分辨率的方法首先通过获取与待处理地球化学元素图层对应地区的遥感图像，并对该遥感图像进行预处理、聚类和蚀变信息获取，对蚀变信息图像分解后获得第一图像和第二图像，然后在每个聚类获取的地物范围内建立所述待处理地球化学元素图层与第一图形的第一函数关系；最后基于该第一函数关系，将第二图形的空间细节注入待处理地球化学元素图层中，以实现获得分辨率较高的目标地球化学元素图层的目的，从而实现了在不增加人工采样的成本和采样难度的基础上，提升地球化学元素图层的分辨率的目的。
可选的，所述第一函数关系的表达方式为：
geoCh＝fi(b1.L,b2.L,...,bn,L)；其中，geoCh表示所述待处理地球化学元素图层，bi,L表示所述第一图像的第i波段，i＝1,2...n。
在上述实施例的基础上，在本申请的一个实施例中，如图2所示，所述在每个类别的地质体特征的地物范围内，基于所述第一函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层包括：
S1071：根据第二函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层；
所述第二函数关系为：geoChf＝geoCh+fi(b1.H,b2.H,...,bn,H)；其中，geoChf表示所述目标地球化学元素图层；geoCh表示所述待处理地球化学元素图层；bi,H表示所述第二图像的第i波段，i＝1,2...n。
在上述实施例的基础上，在本申请的另一个实施例中，如图3所示，所述利用聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心包括：
S1041：利用K-means聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心。
K-means聚类算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means聚类算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。
可选的，所述利用预设卫星数据对所述遥感图像进行预处理包括：
利用Aster数据对所述遥感图像进行预处理。
利用Aster数据对所述遥感图像进行预处理的过程主要包括：正射纠正→辐射定标→大气校正→影像边框和串扰效应去除→几何纠正→去除云雪水体等干扰因素；这些步骤均在ENVI5.2和ArcGIS10.2中完成；每个步骤的具体过程已为本领域技术人员所熟知，本申请在此不做赘述。
为了检验本申请实施例提供的提升地球化学元素图层分辨率的方法的实际效果，下面通过具体实施例来说明本申请实施例提供的提升地球化学元素图层分辨率的方法的实施效果。
实施例1：
首先获取乔尔天山地区的遥感图像、从遥感图像提取的遥感蚀变信息图像、采样密度为1:50万单位的体现Pb元素的地球化学元素图层以及采样密度为1:5万单位的体现Pb元素的地球化学元素图层，分别如图4(a)、图4(b)、图4(c)以及图4(d)所示；其中，1:5万单位的地球化学元素图层的左下角缺失。在图4(c)和图4(d)中主要体现的Pb元素的地球化学元素图层；从图4(a)-图4(d)中可以看出，1:5万单位的地球化学元素图层比1:50万单位的地球化学元素图层在细节方面有显著提高，到总体的分布趋势是一致的：东北低、西南高，高低界限大致沿图像中部的西北-东南走向的乔尔天山-岔路口断裂(图4(a)中的线段F)。
然后利用本申请实施例提供的提升地球化学元素图层分辨率的方法对ASTER遥感蚀变信息图像与1:50万单位的地球化学元素图层进行融合处理后就得到了合成Pb元素的地球化学元素图层，如图4(e)所示。这两个合成图层与1:50万单位的地球化学元素图层(图4(c))相比，数值的高低趋势一致，但具有更丰富的空间细节；与1:5万单位的地球化学元素图层相比，局部地球化学元素丰度数据高值区域、低值区域的位置、个数方面有较大的差异。
实施例2：
首先获取乔尔天山地区的遥感图像、从遥感图像提取的遥感蚀变信息图像、采样密度为1:50万单位的体现Zn元素的地球化学元素图层以及采样密度为1:5万单位的体现Zn元素的地球化学元素图层，分别如图4(a)、图4(b)、图5(a)和图5(b)所示；从图中可以看出，Zn元素高值区沿乔尔天山-岔路口断裂南侧呈断续的条带状分布。
然后利用本申请实施例提供的提升地球化学元素图层分辨率的方法对ASTER遥感蚀变信息图像(图4(b))与1:50万单位的地球化学元素图层(图5(a))进行融合处理后就得到了合成Zn元素的地球化学元素图层，如图5(c)所示。图5(c)与1:50万单位的体现Zn元素的地球化学元素图层(图5(a))相比，Zn元素数值的高低趋势一致，但具有更丰富的空间细节；与采样密度为1：5万单位的体现Zn元素的地球化学元素图层(图5(b))相比，局部Zn元素高值、低值区域的数目更多，呈现出更明显的沿断裂、地层延伸的趋势。
实施例3：
首先获取乔尔天山地区的遥感图像、从遥感图像提取的遥感蚀变信息图像、采样密度为1:50万单位的体现Cu元素的地球化学元素图层以及采样密度为1:5万单位的体现Cu元素的地球化学元素图层，分别如图4(a)、图4(b)、图6(a)和图6(b)所示；从图中可以看出，Cu元素高值区主要分布在图层的东北部和东南部。
然后利用本申请实施例提供的提升地球化学元素图层分辨率的方法对ASTER遥感蚀变信息图像(图4(b))与1:50万单位的地球化学元素图层(图6(a))进行融合处理后就得到了合成Cu元素的地球化学元素图层，如图6(c)所示。图6(c)与图6(a)相比，数值的高低趋势一致，但具有更丰富的空间细节；图6(c)与图6(b)相比，东南角的Cu元素高值区域更加突出，顺层分布的趋势更加明显。
下面对本申请实施例提供的提升地球化学元素图层分辨率的系统进行描述，关于提升地球化学元素图层分辨率的系统的描述与上文描述的提升地球化学元素图层分辨率的方法可以相互对应参照。
相应的，本申请实施例还提供了一种提升地球化学元素图层分辨率的系统，包括：
图像获取模块，用于获取待处理地球化学元素图层和与所述待处理地球化学元素图层对应地区的遥感图像；
预处理模块，用于利用预设卫星数据对所述遥感图像进行预处理；
蚀变提取模块，用于提取预处理后的遥感图像中代表预设元素的遥感蚀变信息图像；
聚类模块，用于利用聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心，每个所述聚类中心代表一类地质体特征的地物范围，其中N≥2；
图像分解模块，用于利用图像金字塔技术将遥感蚀变信息图像分解为第一图像和第二图像，其中，所述第一图像的分辨率与所述待处理地球化学元素图层的分辨率相同；所述第二图像的分辨率与预处理后的遥感图像的分辨率相同；
函数建立模块，用于在每个类别的地质体特征的地物范围内，建立所述待处理地球化学元素图层与所述第一图像的第一函数关系；
图像合成模块，用于在每个类别的地质体特征的地物范围内，基于所述第一函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层。
可选的，所述第一函数关系的表达方式为：
geoCh＝fi(b1.L,b2.L,...,bn,L)；其中，geoCh表示所述待处理地球化学元素图层，bi,L表示所述第一图像的第i波段，i＝1,2...n。
可选的，所述图像合成模块具体用于，根据第二函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层；
所述第二函数关系为：geoChf＝geoCh+fi(b1.H,b2.H,...,bn,H)；其中，geoChf表示所述目标地球化学元素图层；geoCh表示所述待处理地球化学元素图层；bi,H表示所述第二图像的第i波段，i＝1,2...n。
可选的，所述聚类模块具体用于，利用K-means聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心。
可选的，所述预处理模块具体用于，利用Aster数据对所述遥感图像进行预处理。
综上所述，本申请实施例提供了一种提升地球化学元素图层分辨率的方法及系统，其中，所述提升地球化学元素图层分辨率的方法首先通过获取与待处理地球化学元素图层对应地区的遥感图像，并对该遥感图像进行预处理、聚类和蚀变信息获取，对蚀变信息图像分解后获得第一图像和第二图像，然后在每个聚类获取的地物范围内建立所述待处理地球化学元素图层与第一图形的第一函数关系；最后基于该第一函数关系，将第二图形的空间细节注入待处理地球化学元素图层中，以实现获得分辨率较高的目标地球化学元素图层的目的，从而实现了在不增加人工采样的成本和采样难度的基础上，提升地球化学元素图层的分辨率的目的。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种提升地球化学元素图层分辨率的方法，其特征在于，包括：
获取待处理地球化学元素图层和与所述待处理地球化学元素图层对应地区的遥感图像；
利用预设卫星数据对所述遥感图像进行预处理；
提取预处理后的遥感图像中代表预设元素的遥感蚀变信息图像；
利用聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心，每个所述聚类中心代表一类地质体特征的地物范围，其中N≥2；
利用图像金字塔技术将遥感蚀变信息图像分解为第一图像和第二图像，其中，所述第一图像的分辨率与所述待处理地球化学元素图层的分辨率相同；所述第二图像的分辨率与预处理后的遥感图像的分辨率相同；
在每个类别的地质体特征的地物范围内，建立所述待处理地球化学元素图层与所述第一图像的第一函数关系；
在每个类别的地质体特征的地物范围内，基于所述第一函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层；
所述第一函数关系的表达方式为：
geoCh＝fi(b1.L,b2.L,...,bn,L)；其中，geoCh表示所述待处理地球化学元素图层，bi,L表示所述第一图像的第i波段，i＝1,2...n；
所述在每个类别的地质体特征的地物范围内，基于所述第一函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层包括：
根据第二函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层；
所述第二函数关系为：geoChf＝geoCh+fi(b1.H,b2.H,...,bn,H)；其中，geoChf表示所述目标地球化学元素图层；geoCh表示所述待处理地球化学元素图层；bi,H表示所述第二图像的第i波段，i＝1,2...n。
2.根据权利要求1所述的方法，其特征在于，所述利用聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心包括：
利用K-means聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心。
3.根据权利要求1所述的方法，其特征在于，利用预设卫星数据对所述遥感图像进行预处理包括：
利用Aster数据对所述遥感图像进行预处理。
4.一种提升地球化学元素图层分辨率的系统，其特征在于，包括：
图像获取模块，用于获取待处理地球化学元素图层和与所述待处理地球化学元素图层对应地区的遥感图像；
预处理模块，用于利用预设卫星数据对所述遥感图像进行预处理；
蚀变提取模块，用于提取预处理后的遥感图像中代表预设元素的遥感蚀变信息图像；
聚类模块，用于利用聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心，每个所述聚类中心代表一类地质体特征的地物范围，其中N≥2；
图像分解模块，用于利用图像金字塔技术将遥感蚀变信息图像分解为第一图像和第二图像，其中，所述第一图像的分辨率与所述待处理地球化学元素图层的分辨率相同；所述第二图像的分辨率与预处理后的遥感图像的分辨率相同；
函数建立模块，用于在每个类别的地质体特征的地物范围内，建立所述待处理地球化学元素图层与所述第一图像的第一函数关系；
图像合成模块，用于在每个类别的地质体特征的地物范围内，基于所述第一函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层；
所述第一函数关系的表达方式为：
geoCh＝fi(b1.L,b2.L,...,bn,L)；其中，geoCh表示所述待处理地球化学元素图层，bi,L表示所述第一图像的第i波段，i＝1,2...n；
所述图像合成模块具体用于，根据第二函数关系，将所述第二图像的空间细节注入所述待处理地球化学元素图层中，以获得目标地球化学元素图层；
所述第二函数关系为：geoChf＝geoCh+fi(b1.H,b2.H,...,bn,H)；其中，geoChf表示所述目标地球化学元素图层；geoCh表示所述待处理地球化学元素图层；bi,H表示所述第二图像的第i波段，i＝1,2...n。
5.根据权利要求4所述的系统，其特征在于，所述聚类模块具体用于，利用K-means聚类算法对遥感蚀变信息图像包含的所有地质体特征进行非监督分类，获得N个类别的聚类中心。
6.根据权利要求4所述的系统，其特征在于，所述预处理模块具体用于，利用Aster数据对所述遥感图像进行预处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811275285.4A CN109345459B (zh) | 2018-10-30 | 2018-10-30 | 一种提升地球化学元素图层分辨率的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811275285.4A CN109345459B (zh) | 2018-10-30 | 2018-10-30 | 一种提升地球化学元素图层分辨率的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109345459A CN109345459A (zh) | 2019-02-15 |
| CN109345459B true CN109345459B (zh) | 2020-08-28 |
Family
ID=65311043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811275285.4A Expired - Fee Related CN109345459B (zh) | 2018-10-30 | 2018-10-30 | 一种提升地球化学元素图层分辨率的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109345459B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117173353A (zh) * | 2023-09-04 | 2023-12-05 | 广东省核工业地质局测绘院 | 一种基于遥感图像的地质测绘系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10192288B2 (en) * | 2016-12-23 | 2019-01-29 | Signal Processing, Inc. | Method and system for generating high resolution worldview-3 images |
| CN108573206A (zh) * | 2017-10-11 | 2018-09-25 | 成都理工大学 | 基于层次分析法的成矿预测方法 |
| CN108427964B (zh) * | 2018-03-05 | 2020-05-12 | 中国地质科学院矿产资源研究所 | 一种遥感图像与地球化学的融合方法及系统 |
-
2018
- 2018-10-30 CN CN201811275285.4A patent/CN109345459B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN109345459A (zh) | 2019-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Koike et al. | Lineament analysis of satellite images using a Segment Tracing Algorithm (STA) | |
| Othman et al. | Integration of spectral, spatial and morphometric data into lithological mapping: A comparison of different Machine Learning Algorithms in the Kurdistan Region, NE Iraq | |
| Zhang et al. | Lithological mapping from hyperspectral data by improved use of spectral angle mapper | |
| Shahriari et al. | Image segmentation for hydrothermal alteration mapping using PCA and concentration–area fractal model | |
| Kruse et al. | Fifteen years of hyperspectral data: northern Grapevine Mountains, Nevada | |
| CN100547438C (zh) | 一种油气勘探方法及系统 | |
| Masoumi et al. | Integration of spectral, thermal, and textural features of ASTER data using Random Forests classification for lithological mapping | |
| Ahn et al. | Delineation of soil variability using geostatistics and fuzzy clustering analyses of hyperspectral data | |
| Pournamdari et al. | Application of ASTER and Landsat TM Data for Geological Mapping of Esfandagheh Ophiolite Complex, Southern I ran | |
| Chang et al. | Multisensor satellite image fusion and networking for all-weather environmental monitoring | |
| Kassner et al. | Analysis of the solar potential of roofs by using official lidar data | |
| Hadigheh et al. | Lithological mapping in the eastern part of the central Iranian volcanic belt using combined ASTER and IRS data | |
| Lhissou et al. | Assessment of the image-based atmospheric correction of multispectral satellite images for geological mapping in arid and semi-arid regions | |
| CN108280433B (zh) | 一种植被覆盖区下金矿的识别方法及系统 | |
| Shayeganpour et al. | Evaluating pixel-based vs. object-based image analysis approaches for lithological discrimination using VNIR data of WorldView-3 | |
| Feng et al. | The topographic normalization of hyperspectral data: Implications for the selection of spectral end members and lithologic mapping | |
| Han et al. | An integrated approach for extraction of lithology information using the SPOT 6 imagery in a heavily Quaternary‐covered region—North Baoji District of China | |
| Zhou et al. | Lithologic classification using multilevel spectral characteristics | |
| Pour et al. | Remote sensing for mineral exploration | |
| CN109345459B (zh) | 一种提升地球化学元素图层分辨率的方法及系统 | |
| Rani et al. | Performance of image classification on hyperspectral imagery for lithological mapping | |
| Cracknell et al. | Catchment-based gold prospectivity analysis combining geochemical, geophysical and geological data across northern Australia | |
| Islam et al. | Paleochannel delineation using Landsat 8 OLI and Envisat ASAR image fusion techniques in Cholistan Desert, Pakistan | |
| El-Arafy et al. | Using edge detection techniques and machine learning classifications for accurate lithological discrimination and structure lineaments extraction: a comparative case study from Gattar area, Northern Eastern Desert of Egypt | |
| Feder et al. | Fluvial-aeolian sedimentary facies, sossusvlei, namib desert |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ding Haifeng Inventor after: Jing Linhai Inventor after: Li Hui Inventor after: Ma Huadong Inventor after: Qiu Lin Inventor after: Tang Yunwei Inventor after: Wang Wei Inventor after: Zhu Bingyu Inventor before: Ding Haifeng |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200828 Termination date: 20211030 |