CN109558859B - 基于DInSAR和DCNN的矿区分布信息提取方法及系统 - Google Patents
基于DInSAR和DCNN的矿区分布信息提取方法及系统 Download PDFInfo
- Publication number
- CN109558859B CN109558859B CN201811528248.XA CN201811528248A CN109558859B CN 109558859 B CN109558859 B CN 109558859B CN 201811528248 A CN201811528248 A CN 201811528248A CN 109558859 B CN109558859 B CN 109558859B
- Authority
- CN
- China
- Prior art keywords
- area
- optical image
- image
- neural network
- model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于DInSAR和DCNN的矿区分布信息提取方法及系统,其方法包括:首先,基于淮南市哨兵一号的两幅具有一定时间间隔的雷达影像和目标区域的数字高程模型进行差分干涉测量,获取目标区域的干涉图和形变图;然后,利用地表形变图获取沉降信息特征,根据沉降的突变特征划分出可能为采矿区的区域;最后,再结合高分辨遥感光学影像进行水体的剔除和裸地、建筑物的识别,进而得到目标区域的露天矿区分布信息图。本发明的有益效果是:本发明引用DInSAR作为矿区分布信息提取的粗提取方式,通过阈值分割进行可能采矿区域的提取,并利用光学影像进行水体的剔除和矿区场景的提取;最终确定矿区的分布信息,整个过程自动化程度高,精度高。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于DInSAR和DCNN的矿区分布信息提取方法及系统。
背景技术
矿产资源应用于工业、农业、科技及日常生活的方方面面,是人类生产生活的重要物质基础,是国家重要的资源和宝贵的财富,事关国家经济命脉和国家安全。随着国家经济的高速发展,对于矿产资源的需求量正在不断增长,但因矿产资源本身不可再生性和稀缺性的特点及国家对开采矿产资源实行严格许可制度,一些不法分子在未取得采矿许可证的情况下,擅自开采矿产资源,谋取不法利润,破坏矿产资源,严重扰乱了正常的开采秩序,也催生了一系列问题:地表沉陷、土地沙漠化等,严重的会引起山体开裂、崩塌、滑坡、泥石流、地(矿)震等次生地质灾害。对矿区分布信息进行准确、高效、及时的监控,能及时检测到非法煤矿,减少国家和人民的损失,因而对矿区分布信息的提取具有非常重要的显示意义。
传统的矿区分布信息提取主要是依靠人工实地勘察的方式,工作量大且效率低;近些年随着遥感技术的发展和海量高分辨率遥感影像数据的快速获取,遥感影像逐渐应用到矿区信息提取中来,从这些丰富的遥感数据中准确地获取所需信息并及时的加以处理和应用将成为亟待解决的问题之一。传统的基于像元分类方法仅考虑单个像素的光谱信息,所利用的纹理、几何信息非常少,容易造成错分直接导致较低的分类精度,且椒盐现象严重,这种方法更适用于中低分辨率的遥感影像。在此背景下面向对象的影像分类方法应运而生,首先对遥感影像进行最优尺度分割,然后利用传统的分类方法进行矿区分布信息的提取,此方法不会出现椒盐现象,但由于其只考虑光谱、纹理等信息,未充分利用矿区地表沉降的特性,其精度受到限制。
目前,TM、ETM+和ASTER等数据在矿区监测信息提取领域应用比较多,而合成孔径雷达(SAR)应用比较少。SAR具备全天候、全天时提供监测数据的特点,图像结构信息好,缺点是单波段成像,纹理信息丰富的同时缺少多光谱信息,这正与光学影像互补。合成孔径雷达差分干涉测量是形变监测的常用技术,常用于地震形变、火山活动及地表沉降研究。同时DInSAR地表形变的检测一般可达到cm、mm级的精度,但由于地表形变原因的多样性,无法对形变区域做出具体的判断,故采用DInSAR与光学影像数据融合进行矿区分布信息的提取。本发明以淮南市为例,从DInAR的形变图出发,根据沉降的突变特征划分出可能为采矿区的区域,进一步采用光学影像对DInSAR确定的范围通过深度学习的方法对矿区的场景(裸地、建筑物)进行检测、对水体区域进行剔除,实现矿区分布信息的提取,为DInSAR与光学影像融合进行矿区分布信息提取提供一种可行的途径。
发明内容
为了解决上述问题,本发明提供了一种基于DInSAR和DCNN的矿区分布信息提取方法及系统,一种基于DInSAR和DCNN的矿区分布信息提取方法,主要包括以下步骤:
S101:从需要进行矿区分布信息提取的目标区域对应的卫星上获取目标区域的多源遥感影像;所述多源遥感影像包括雷达影像和光学影像;
S102:根据所述雷达影像,采用差分干涉测量技术获取目标区域的沉降图,并采用阈值分割方法获得预采矿区域图;
S103:将所述预采矿区域图叠加至光学影像上,得到目标区域的第一光学影像;并采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别,并对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像;
S104:采用受限玻尔兹曼机与卷积神经网络的混合模型对所述第二光学影像中的裸地和建筑物场景进行识别,得到具有裸地和建筑物场景信息的第三光学影像;所述第三光学影像即为目标区域的露天矿区分布信息图,所述第三光学影像中的裸地和建筑物区域即为露天矿区。
进一步地,步骤S101中,所述雷达影像为从哨兵1号卫星上下载的雷达影像;所述光学影像为从高分二号卫星上下载的高分辨率遥感影像。
进一步地,步骤S102中,所述雷达影像包括同一卫星拍摄的同一目标区域不同时间段的两幅雷达影像;采用差分干涉测量技术获取目标区域的沉降图的步骤,包括:
S201:对获取的两幅雷达影像进行精配准,并对配准后的两幅雷达影像进行干涉成像,得到目标区域的干涉图;所述干涉图上记录的为两幅雷达影像的相位差信息;
S202:将获得的干涉图进行滤波处理和去除平地效应,得到滤波后的干涉图,其中包含地形相位和形变相位;
S203:利用数字高程模型模拟在SAR干涉像对的空间基线条件下地表起伏所对应的地形相位,对干涉图和模拟的干涉像对进行差分处理,得到目标区域的差分干涉图;
S204:对所述差分干涉图再一次进行相位解缠,得到目标区域的沉降信息,进而得到目标区域的沉降图。
进一步地,步骤S102中,采用阈值分割方法获得预采矿区域图的方法为:将沉降图中沉降区域的沉降值和阈值x进行对比;如果所述沉降值小于x,则为可能的采矿区域,即预采矿区域;其中x为预设值。
进一步地,步骤S103中,采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别的步骤具体包括:
S301:从UCM数据集中获取水体的训练样本;所述训练样本包括:第一训练集样本和验证集样本;
S302:搭建Alexnet神经网络模型,并利用第一训练集样本对搭建的Alexnet神经网络模型进行训练,利用验证集样本对搭建的Alexnet神经网络模型进行精度验证,进而得到训练好的高精度Alexnet神经网络模型;
S303:将所述预采矿区域图作为训练好的Alexnet神经网络模型的输入,对预采矿区域图中的水体区域进行识别,然后对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像。
进一步地,步骤S302中,所述Alexnet神经网络模型由8层网络组成,包括5层卷积层和3层全连接层;其中,5个卷积层中,前两个卷积层和第五个卷积层有pool池化层,其他两个卷积层没有池化;卷积层主要进行特征的抽象和提取,池化操作用于卷积操作之后,其作用在于特征融合和降维;全连接层负责逻辑推断,所有的参数均通过学习得到,最后采用softmax分类器对Alexnet神经网络的逻辑回归进行分类。
进一步地,步骤S104中,采用深度学习混合模型迁移学习的方法对所述第二光学影像中的裸地和建筑物区域进行识别的步骤具体包括:
S401:从UCM数据集中获取建筑物和裸地的第二训练集样本;
S402:搭建受限玻尔兹曼机与卷积神经网络混合模型;
S403:利用大数据集对所述混合模型中的卷积神经网络部分的参数进行预训练,得到预训练后的混合模型;所述大数据集为ILSVRC2012数据集;
S404:根据所述第二训练集样本,采用模型迁移学习方法,对所述预训练后的混合模型进行训练;得到训练后的混合模型;
S405:将所述第二光学影像作为训练后的混合模型的输入,对第二光学影像中的裸地和建筑物区域进行识别,得到具有裸地和建筑物区域信息的第三光学影像。
进一步地,一种基于DInSAR和DCNN的矿区分布信息提取系统,其特征在于,包括以下模块:
影像获取模块,用于从需要进行矿区分布信息提取的目标区域对应的卫星上获取目标区域的多源遥感影像;所述多源遥感影像包括雷达影像和光学影像;
沉降区域识别模块,用于根据所述雷达影像,采用差分干涉测量技术获取目标区域的沉降图,并采用阈值分割方法获得预采矿区域图;
水体识别模块,用于将所述预采矿区域图叠加至光学影像上,得到目标区域的第一光学影像;并采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别,并对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像;
矿区识别模块,用于采用受限玻尔兹曼机与卷积神经网络的混合模型对所述第二光学影像中的裸地和建筑物场景进行识别,得到具有裸地和建筑物场景信息的第三光学影像;所述第三光学影像即为目标区域的露天矿区分布信息图,所述第三光学影像中的裸地和建筑物区域即为露天矿区。
进一步地,水体识别模块中,采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别,包括以下单元:
样本集获取单元,用于从UCM数据集中获取水体的训练样本;所述训练样本包括:第一训练集样本和验证集样本;
模型训练单元,用于搭建Alexnet神经网络模型,并利用第一训练集样本对搭建的Alexnet神经网络模型进行训练,利用验证集样本对搭建的Alexnet神经网络模型进行精度验证,进而得到训练好的高精度Alexnet神经网络模型;
水体识别单元,用于将所述预采矿区域图作为训练好的Alexnet神经网络模型的输入,对预采矿区域图中的水体区域进行识别,然后对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像。
进一步地,矿区识别模块中,采用深度学习混合模型迁移学习的方法对所述第二光学影像中的裸地和建筑物区域进行识别,包括以下单元:
样本获取单元,用于从UCM数据集中获取建筑物和裸地的第二训练集样本;
模型搭建单元,用于搭建受限玻尔兹曼机与卷积神经网络混合模型;
网络训练单元,用于利用大数据集对所述混合模型中的卷积神经网络部分的参数进行预训练,得到预训练后的混合模型;所述大数据集为ILSVRC2012数据集;
模型训练单元,用于根据所述第二训练集样本,采用模型迁移学习方法,对所述预训练后的混合模型进行训练;得到训练后的混合模型;
识别单元,用于将所述第二光学影像作为训练后的混合模型的输入,对第二光学影像中的裸地和建筑物区域进行识别,得到具有裸地和建筑物区域信息的第三光学影像。
本发明提供的技术方案带来的有益效果是:本发明所提出的技术方案引用DInSAR作为矿区分布信息提取的粗提取方式,考虑DInSAR形变结果的各种成因,通过阈值分割进行可能采矿区域的提取,并利用光学影像进行水体的剔除和矿区场景(建筑物、裸地)的提取;最终确定矿区的分布信息,整个过程自动化程度高,且精度很高,具有工业应用价值。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种基于DInSAR和DCNN的矿区分布信息提取方法的流程图;
图2是本发明实施例中DInSAR所需的DEM的示意图;
图3是本发明实施例中三轨法差分干涉测量几何示意图;
图4是本发明实施例中滤波后的干涉图;
图5是本发明实施例中淮南市某地形变图;
图6是本发明实施例中Alexnet神经网络结构示意图;
图7是本发明实施例中基于RBM与CNN混合模型迁移学习结构示意图;
图8是本发明实施例中一种基于DInSAR和DCNN的矿区分布信息提取系统的模块组成示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于DInSAR和DCNN的矿区分布信息提取方法及系统。
请参考图1,图1是本发明实施例中一种基于DInSAR和DCNN的矿区分布信息提取方法的流程图,具体包括如下步骤:
S101:从需要进行矿区分布信息提取的目标区域对应的卫星上获取目标区域的多源遥感影像;所述多源遥感影像包括雷达影像和光学影像;
S102:根据所述雷达影像,采用差分干涉测量技术获取目标区域的沉降图,并采用阈值分割方法获得预采矿区域图;
S103:将所述预采矿区域图叠加至光学影像上,得到目标区域的第一光学影像;并采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别,并对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像;
S104:采用受限玻尔兹曼机(RBM)与卷积神经网络(CNN)的混合模型对所述第二光学影像中的裸地和建筑物场景进行识别,得到具有裸地和建筑物场景信息的第三光学影像;所述第三光学影像即为目标区域的露天矿区分布信息图,所述第三光学影像中的裸地和建筑物区域即为露天矿区。
步骤S101中,所述雷达影像为从哨兵1号卫星上下载的雷达影像;所述光学影像为从高分二号卫星上下载的高分辨率遥感影像;
本实施例中,合成孔径雷达数据为具有一定时间间隔的同一试验区的哨兵1A(1W、vv极化数据),因差分干涉的结果受植被影响严重,故最好选择冬季数据。
DEM(数字高程模型)为SRTM 3公开的外部DEM(如图2所示),90m分辨率(二轨法做DInSAR需要用到DEM)。本实施例选用的数据详细信息表1所示:
表1哨兵1号数据详细信息
成像时间 | 时间基线(d) | 垂直基线距离(m) | |
主影像 | 2017/01/13 | 0 | 0 |
辅影像 | 2017/02/28 | 36 | -36.205 |
光学影像为高分2号遥感影像。高分二号(GF-2)卫星是我国自主研制的首颗空间分辨率优于1米的民用光学遥感卫星,搭载有两台高分辨率1米全色、4米多光谱相机,具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点,有效地提升了卫星综合观测效能,达到了国际先进水平。
DInSAR本实施例是在ENVI Sarscape5.2平台上处理。本实施例以三轨法为例,介绍D-InSAR技术的基本原理。如图3所示,A1、A2是地表发生形变前SAR卫星短时间间隔内2次对同一地区成像时的瞬时天线位置,A1、A2天线处获得的雷达回波信息只包含地形信息;A3是形变发生后一段时间内的SAR卫星对该地区成像时的天线位置,由A1、A3所获得的干涉图像相位不仅包含地形相位,还包含地表形变的相位。
用干涉方式所量测到的相位差与视线方向的基线分量成正比。在重复轨道干涉测量模式下,有公式(1):
Ф=Ф1–Ф2=4π/λ(ρ1-ρ2) (1)
如果在同一地区再次成像,传感器位置为S3,信号传播路径为ρ3,与S1位置时获取的主影像形成第2幅干涉图,其基线距为B′,基线与水平方向的夹角为α′,相位差为且由于获得的影像间要求基线足够小,所以θ可近似看作不变,此时地形相位信息可由式(2)得到:
上式中,B||为基线B在视线方向的分量。
由式(1)和式(2)得:
如果在第3次成像前地表发生形变,并且形变量与雷达分辨单元相比很小,在雷达信号未出现失相关的情况下,此时相位信息除了与地形有关外,还包含雷达视线方向的形变量Δρ。第2幅干涉图的相位可以表示为:
上式左边的各量可由干涉条纹图的相位和轨道参数计算得到,进而可确定影像每点的视线方向形变量Δρ,分解后得到水平形变量和垂直形变量。
步骤S102中,所述雷达影像包括同一卫星拍摄的同一目标区域不同时间段的两幅雷达影像;采用差分干涉测量技术获取目标区域的沉降图的步骤,包括:
S201:对获取的两幅雷达影像进行精配准,并对配准后的两幅雷达影像进行干涉成像,得到目标区域的干涉图;所述干涉图上记录的为两幅雷达影像的相位差信息;
S202:将获得的干涉图进行滤波处理和去除平地效应,得到滤波后的干涉图,其中包含地形相位和形变相位;所述滤波处理,采用Goldstein方法,这种滤波方法的滤波器是可变的,提高了干涉条纹的清晰度、减少了由空间基线或时间基线引起的失相干的噪声;
S203:利用数字高程模型模拟在SAR干涉像对的空间基线条件下地表起伏所对应的地形相位,对干涉图和模拟的干涉像对进行差分处理,得到目标区域的差分干涉图(如图4所示);所述解缠处理,采用最小费用流(Minimum Cost Flow)方法,这种方法采用正方形的格网,考虑了图像上所有的像元,对相干性小于阈值的像元做了掩膜处理;
S204:对所述差分干涉图再一次进行相位解缠,得到目标区域的沉降信息,进而得到目标区域的沉降图(如图5)。
步骤S102中,采用阈值分割方法获得预采矿区域图的方法为:将沉降图中沉降区域的沉降值和阈值x进行对比;如果所述沉降值小于x,则为可能的采矿区域,即预采矿区域;其中x为预设值。
本实施例中,在识别水体、裸地、建筑物地物时,采用深度学习的方法。在遥感影像中,建筑物表现为具有一定面积、长度和宽度的面状地物,裸地是没有植物覆盖的土地,传统的分类方法是基于像元的操作,准确度难以达到应用的要求。为了更好地利用高分辨率遥感影像的丰富信息,面向对象的影像分析方法应运而生,它所处理的信息不再是低层次的像素,而是经过多尺度分割之后的目标对象,利用影像对象的光谱、纹理、形状与背景信息识别,精度有所提高。近年来热门的深度学习(Deep Learning)为自动提取目标特征提供了一个有效的框架,并在图形、语音以及图像识别方面有很了较大的进步。深度学习中卷积神经网络应用广泛,AlexNet在ImageNet图像分类上取得了巨大的成功,精度得到很大提升。对于裸地、建筑物的识别本实施例采用AlexNet方法。
步骤S103中,采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别的步骤具体包括:
S301:从UCM(University of Califonia Merced)数据集中获取水体的训练样本;所述训练样本包括:第一训练集样本和验证集样本;
S302:搭建Alexnet神经网络模型,并利用第一训练集样本对搭建的Alexnet神经网络模型进行训练,利用验证集样本对搭建的Alexnet神经网络模型进行精度验证,进而得到训练好的高精度Alexnet神经网络模型;
S303:将所述预采矿区域图作为训练好的Alexnet神经网络模型的输入,对预采矿区域图中的水体区域进行识别,然后对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像。
步骤S302中,所述Alexnet神经网络模型由8层网络组成,包括5层卷积层和3层全连接层;其中,5个卷积层中,前两个卷积层和第五个卷积层有pool池化层,其他两个卷积层没有池化;卷积层主要进行特征的抽象和提取,池化操作(Pooling)用于卷积操作之后,其作用在于特征融合和降维;全连接层负责逻辑推断,所有的参数均通过学习得到,最后采用softmax分类器对Alexnet神经网络的逻辑回归(softmax regression)进行分类,Alexnet神经网络结构示意图如图6。
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。卷积神经网络通过逐层抽取图像,获得能代表一幅图像高级语义的结构化特征。模型从低层到高层的特征表示越来越抽象,越来越能表现图像具体主题,从而存在的不确定特征就越少,在分类中的识别力就越高。
受限玻尔兹曼机(RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络。受限玻兹曼机在降维、分类、协同过滤、特征学习和主题建模中得到了应用。本实施例中模型迁移时加入受限玻尔兹曼机层,一是起到全连接的作用,二是为了从输入特征maps中学习目标集特有的统计特征。
本实施例中,对建筑物、裸地的检测是利用深度学习混合模型迁移学习的方式,首先在大量建筑物、裸地数据集上预训练卷积神经网络模型,之后迁移该卷积神经网络到建筑物、裸地样本集,使用受限玻尔兹曼机代替卷积神经网络模型中的全连接层,在目标集上重新训练受限玻尔兹曼机层和Softmax层并微调参数,得到训练好的混合模型分类器;使用该混合模型识别出建筑物和裸地。
迁移学习是指把已训练好的模型迁移到新的模型上作为基础供新模型借鉴,能有效的缩短找到最佳权重参数的时间。基于受限玻尔兹曼机(RBM)与卷积神经网络(CNN)混合模型迁移学习的基本思想是首先在大数据集上预训练CNN模型,得到卷积层1-5层和全连接层6-8的参数;之后迁移该CNN模型到目标集(目标地域样本集),使用1-5层参数提取图像的卷积层特征图,将每幅图像的所有特征图串联成一个特征图;然后用受限玻尔兹曼机模型全连接输入的特征图,依次无监督学习R6,R7层参数,得到训练好的混合模型分类器,具体结构图如图7所示;最后对于目标集中的待分类图像,使用该混合模型计算出图像类别。
步骤S104中,采用深度学习混合模型迁移学习的方法对所述第二光学影像中的裸地和建筑物区域进行识别的步骤具体包括:
S401:从UCM(University of Califonia Merced)数据集中获取建筑物和裸地的第二训练集样本;
S402:搭建受限玻尔兹曼机(RBM)与卷积神经网络(CNN)混合模型;
S403:利用大数据集对所述混合模型中的卷积神经网络(CNN)部分的参数进行预训练,得到预训练后的混合模型;所述大数据集为适用于训练所述卷积神经网络(CNN)的数据集,本发明实施例中采用ILSVRC2012数据集;
S404:根据所述第二训练集样本,采用模型迁移学习方法,对所述预训练后的混合模型进行训练;得到训练后的混合模型(具体可见参考文献:石祥滨,房雪键,张德园,郭忠强.基于深度学习混合模型迁移学习的图像分类[J].系统仿真学报,2016,28(01):167-173+182.);
S405:将所述第二光学影像作为训练后的混合模型的输入,对第二光学影像中的裸地和建筑物区域进行识别,得到具有裸地和建筑物区域信息的第三光学影像。
请参阅图8,图8是本发明实施例中一种基于DInSAR和DCNN的矿区分布信息提取系统的模块组成示意图,其特征在于:改系统包括顺次连接的影像获取模块11、沉降区域识别模块12、水体识别模块13和矿区识别模块14;
影像获取模块11,用于从需要进行矿区分布信息提取的目标区域对应的卫星上获取目标区域的多源遥感影像;所述多源遥感影像包括雷达影像和光学影像;
沉降区域识别模块12,用于根据所述雷达影像,采用差分干涉测量技术获取目标区域的沉降图,并采用阈值分割方法获得预采矿区域图;
水体识别模块13,用于将所述预采矿区域图叠加至光学影像进行上,得到目标区域的第一光学影像;并采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别,并对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像;
矿区识别模块14,用于采用受限玻尔兹曼机与卷积神经网络的混合模型对所述第二光学影像中的裸地和建筑物场景进行识别,得到具有裸地和建筑物场景信息的第三光学影像;所述第三光学影像即为目标区域的露天矿区分布信息图,所述第三光学影像中的裸地和建筑物区域即为露天矿区。
在本实施例中,水体识别模块13中,采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别,包括以下单元:
样本集获取单元,用于从UCM数据集中获取水体的训练样本;所述训练样本包括:第一训练集样本和验证集样本;
模型训练单元,用于搭建Alexnet神经网络模型,并利用第一训练集样本对搭建的Alexnet神经网络模型进行训练,利用验证集样本对搭建的Alexnet神经网络模型进行精度验证,进而得到训练好的高精度Alexnet神经网络模型;
水体识别单元,用于将所述预采矿区域图作为训练好的Alexnet神经网络模型的输入,对预采矿区域图中的水体区域进行识别,然后对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像。
在本实施例中,矿区识别模块14中,采用深度学习混合模型迁移学习的方法对所述第二光学影像中的裸地和建筑物区域进行识别,包括以下单元:
样本获取单元,用于从UCM数据集中获取建筑物和裸地的第二训练集样本;
模型搭建单元,用于搭建受限玻尔兹曼机与卷积神经网络混合模型;
网络训练单元,用于利用大数据集对所述混合模型中的卷积神经网络部分的参数进行预训练,得到预训练后的混合模型;所述大数据集为适用于训练所述卷积神经网络(CNN)的数据集,本发明实施例中采用ILSVRC2012数据集;
模型训练单元,用于根据所述第二训练集样本,采用模型迁移学习方法,对所述预训练后的混合模型进行训练;得到训练后的混合模型;
识别单元,用于将所述第二光学影像作为训练后的混合模型的输入,对第二光学影像中的裸地和建筑物区域进行识别,得到具有裸地和建筑物区域信息的第三光学影像。
本发明的有益效果是:本发明所提出的技术方案引用DInSAR作为矿区分布信息提取的粗提取方式,考虑DInSAR形变结果的各种成因,通过阈值分割进行可能采矿区域的提取,并利用光学影像进行水体的剔除和矿区场景(建筑物、裸地)的提取;最终确定矿区的分布信息,整个过程自动化程度高,且精度很高,具有工业应用价值。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于DInSAR和DCNN的矿区分布信息提取方法,其特征在于:包括以下步骤:
S101:从需要进行矿区分布信息提取的目标区域对应的卫星上获取目标区域的多源遥感影像;所述多源遥感影像包括雷达影像和光学影像;
S102:根据所述雷达影像,采用差分干涉测量技术获取目标区域的沉降图,并采用阈值分割方法获得预采矿区域图;
S103:将所述预采矿区域图叠加至光学影像上,得到目标区域的第一光学影像;并采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别,并对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像;
S104:采用受限玻尔兹曼机与卷积神经网络的混合模型对所述第二光学影像中的裸地和建筑物场景进行识别,得到具有裸地和建筑物场景信息的第三光学影像;所述第三光学影像即为目标区域的露天矿区分布信息图,所述第三光学影像中的裸地和建筑物区域即为露天矿区;
步骤S103中,采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别的步骤具体包括:
S301:从UCM数据集中获取水体的训练样本;所述训练样本包括:第一训练集样本和验证集样本;
S302:搭建Alexnet神经网络模型,并利用第一训练集样本对搭建的Alexnet神经网络模型进行训练,利用验证集样本对搭建的Alexnet神经网络模型进行精度验证,进而得到训练好的高精度Alexnet神经网络模型;
S303:将所述预采矿区域图作为训练好的Alexnet神经网络模型的输入,对预采矿区域图中的水体区域进行识别,然后对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像;
步骤S302中,所述Alexnet神经网络模型由8层网络组成,包括5层卷积层和3层全连接层;其中,5个卷积层中,前两个卷积层和第五个卷积层有pool池化层,其他两个卷积层没有池化;卷积层主要进行特征的抽象和提取,池化操作用于卷积操作之后,其作用在于特征融合和降维;全连接层负责逻辑推断,所有的参数均通过学习得到,最后采用softmax分类器对Alexnet神经网络的逻辑回归进行分类;
步骤S104中,采用深度学习混合模型迁移学习的方法对所述第二光学影像中的裸地和建筑物区域进行识别的步骤具体包括:
S401:从UCM数据集中获取建筑物和裸地的第二训练集样本;
S402:搭建受限玻尔兹曼机与卷积神经网络混合模型;
S403:利用大数据集对所述混合模型中的卷积神经网络部分的参数进行预训练,得到预训练后的混合模型;所述大数据集为ILSVRC2012数据集;
S404:根据所述第二训练集样本,采用模型迁移学习方法,对所述预训练后的混合模型进行训练;得到训练后的混合模型;
S405:将所述第二光学影像作为训练后的混合模型的输入,对第二光学影像中的裸地和建筑物区域进行识别,得到具有裸地和建筑物区域信息的第三光学影像。
2.如权利要求1所述的一种基于DInSAR和DCNN的矿区分布信息提取方法,其特征在于:步骤S101中,所述雷达影像为从哨兵1号卫星上下载的雷达影像;所述光学影像为从高分二号卫星上下载的高分辨率遥感影像。
3.如权利要求1所述的一种基于DInSAR和DCNN的矿区分布信息提取方法,其特征在于:步骤S102中,所述雷达影像包括同一卫星拍摄的同一目标区域不同时间段的两幅雷达影像;采用差分干涉测量技术获取目标区域的沉降图的步骤,包括:
S201:对获取的两幅雷达影像进行精配准,并对配准后的两幅雷达影像进行干涉成像,得到目标区域的干涉图;所述干涉图上记录的为两幅雷达影像的相位差信息;
S202:将获得的干涉图进行滤波处理和去除平地效应,得到滤波后的干涉图,其中包含地形相位和形变相位;
S203:利用数字高程模型模拟在SAR干涉像对的空间基线条件下地表起伏所对应的地形相位,对干涉图和模拟的干涉像对进行差分处理,得到目标区域的差分干涉图;
S204:对所述差分干涉图再一次进行相位解缠,得到目标区域的沉降信息,进而得到目标区域的沉降图。
4.如权利要求1所述的一种基于DInSAR和DCNN的矿区分布信息提取方法,其特征在于:步骤S102中,采用阈值分割方法获得预采矿区域图的方法为:将沉降图中沉降区域的沉降值和阈值x进行对比;如果所述沉降值小于x,则为可能的采矿区域,即预采矿区域;其中x为预设值。
5.一种基于DInSAR和DCNN的矿区分布信息提取系统,其特征在于,包括以下模块:
影像获取模块,用于从需要进行矿区分布信息提取的目标区域对应的卫星上获取目标区域的多源遥感影像;所述多源遥感影像包括雷达影像和光学影像;
沉降区域识别模块,用于根据所述雷达影像,采用差分干涉测量技术获取目标区域的沉降图,并采用阈值分割方法获得预采矿区域图;
水体识别模块,用于将所述预采矿区域图叠加至光学影像上,得到目标区域的第一光学影像;并采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别,并对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像;
矿区识别模块,用于采用受限玻尔兹曼机与卷积神经网络的混合模型对所述第二光学影像中的裸地和建筑物场景进行识别,得到具有裸地和建筑物场景信息的第三光学影像;所述第三光学影像即为目标区域的露天矿区分布信息图,所述第三光学影像中的裸地和建筑物区域即为露天矿区;
水体识别模块中,采用Alexnet卷积神经网络对所述第一光学影像中的水体区域进行识别,包括以下单元:
样本集获取单元,用于从UCM数据集中获取水体的训练样本;所述训练样本包括:第一训练集样本和验证集样本;
模型训练单元,用于搭建Alexnet神经网络模型,并利用第一训练集样本对搭建的Alexnet神经网络模型进行训练,利用验证集样本对搭建的Alexnet神经网络模型进行精度验证,进而得到训练好的高精度Alexnet神经网络模型;
水体识别单元,用于将所述预采矿区域图作为训练好的Alexnet神经网络模型的输入,对预采矿区域图中的水体区域进行识别,然后对识别出的水体区域进行剔除,得到剔除水体区域的第二光学影像;
矿区识别模块中,采用深度学习混合模型迁移学习的方法对所述第二光学影像中的裸地和建筑物区域进行识别,包括以下单元:
样本获取单元,用于从UCM数据集中获取建筑物和裸地的第二训练集样本;
模型搭建单元,用于搭建受限玻尔兹曼机与卷积神经网络混合模型;
网络训练单元,用于利用大数据集对所述混合模型中的卷积神经网络部分的参数进行预训练,得到预训练后的混合模型;所述大数据集为ILSVRC2012数据集;
模型训练单元,用于根据所述第二训练集样本,采用模型迁移学习方法,对所述预训练后的混合模型进行训练;得到训练后的混合模型;
识别单元,用于将所述第二光学影像作为训练后的混合模型的输入,对第二光学影像中的裸地和建筑物区域进行识别,得到具有裸地和建筑物区域信息的第三光学影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811528248.XA CN109558859B (zh) | 2018-12-13 | 2018-12-13 | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811528248.XA CN109558859B (zh) | 2018-12-13 | 2018-12-13 | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109558859A CN109558859A (zh) | 2019-04-02 |
CN109558859B true CN109558859B (zh) | 2020-11-24 |
Family
ID=65869844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811528248.XA Active CN109558859B (zh) | 2018-12-13 | 2018-12-13 | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558859B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161497B (zh) * | 2019-05-29 | 2021-04-13 | 中国科学院遥感与数字地球研究所 | 一种雷达差分干涉测量形变方法 |
CN110111377B (zh) * | 2019-06-06 | 2022-10-21 | 西南交通大学 | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 |
CN110598553A (zh) * | 2019-08-09 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于遥感影像与地形数据的原真地貌采矿破坏区探测方法 |
CN110441773B (zh) * | 2019-08-15 | 2020-08-14 | 中国水利水电科学研究院 | 一种高边坡崩塌部位精确定位方法及系统 |
CN112213722A (zh) * | 2019-10-14 | 2021-01-12 | 兰州交通大学 | 联合InSAR与深度学习的边坡监测方法 |
CN111160349B (zh) * | 2019-12-16 | 2022-06-03 | 广东省科学院广州地理研究所 | 基于哨兵遥感数据的水体提取方法及装置、设备 |
CN111626092B (zh) * | 2020-03-26 | 2023-04-07 | 陕西陕北矿业韩家湾煤炭有限公司 | 一种基于机器学习的无人机影像地裂缝识别及提取方法 |
EP3896482A1 (en) * | 2020-04-15 | 2021-10-20 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for the computer-implemented generation of a synthetic data set for training a convolutional neural network for an interferometric sar |
CN111932387B (zh) * | 2020-05-28 | 2022-06-07 | 安徽理工大学 | 基于改进Boltzmann函数的开采沉陷预测方法 |
CN113837972A (zh) * | 2021-10-14 | 2021-12-24 | 中铁十九局集团矿业投资有限公司 | 一种基于多光谱遥感技术开采方法 |
CN113705025B (zh) * | 2021-10-29 | 2022-03-01 | 中科星睿科技(北京)有限公司 | 信息提取与传输方法、装置、电子设备和计算机可读介质 |
CN114660598A (zh) * | 2022-02-07 | 2022-06-24 | 安徽理工大学 | 一种融合InSAR和CNN-AFSA-SVM的开采沉陷盆地自动检测方法 |
CN115331096B (zh) * | 2022-06-28 | 2023-04-21 | 中国自然资源航空物探遥感中心 | 一种采矿沉陷区域识别方法、系统、存储介质和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103047970A (zh) * | 2012-12-18 | 2013-04-17 | 中国矿业大学(北京) | 一种确定塌陷耕地损害边界的方法 |
CN105444730A (zh) * | 2015-11-12 | 2016-03-30 | 中国矿业大学 | 多源数据监测矿区形变的时空特性及越界开采识别方法 |
CN107273868A (zh) * | 2017-06-28 | 2017-10-20 | 电子科技大学 | 一种遥感图像中区分煤矿区的煤堆和煤矸石区域的方法 |
WO2018027332A1 (es) * | 2016-08-08 | 2018-02-15 | Comercial E Industrial Gesecology Limitada | Método y sistema para el análisis y generación de alertas tempranas o predictivas de estabilidad de taludes en minas a rajo abierto |
CN107764758A (zh) * | 2017-09-26 | 2018-03-06 | 中国神华能源股份有限公司 | 矿区监测方法和装置、存储介质及处理器 |
CN108168526A (zh) * | 2017-12-15 | 2018-06-15 | 长安大学 | 一种基于地面沉降信息的黄土滑坡早期识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102927934B (zh) * | 2012-11-07 | 2015-01-28 | 中南大学 | 一种利用单个InSAR干涉对获取矿区地表三维形变场的方法 |
CN105243387A (zh) * | 2015-07-30 | 2016-01-13 | 王植 | 一种基于无人机影像的露天矿典型地物分类方法 |
CN107037428B (zh) * | 2017-03-27 | 2019-11-12 | 中国科学院遥感与数字地球研究所 | 一种提高星载双站差分InSAR提取形变精度的方法 |
CN108801211A (zh) * | 2018-04-08 | 2018-11-13 | 山东农业大学 | 一种采煤沉陷区insar影像快速识别方法 |
-
2018
- 2018-12-13 CN CN201811528248.XA patent/CN109558859B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103047970A (zh) * | 2012-12-18 | 2013-04-17 | 中国矿业大学(北京) | 一种确定塌陷耕地损害边界的方法 |
CN105444730A (zh) * | 2015-11-12 | 2016-03-30 | 中国矿业大学 | 多源数据监测矿区形变的时空特性及越界开采识别方法 |
WO2018027332A1 (es) * | 2016-08-08 | 2018-02-15 | Comercial E Industrial Gesecology Limitada | Método y sistema para el análisis y generación de alertas tempranas o predictivas de estabilidad de taludes en minas a rajo abierto |
CN107273868A (zh) * | 2017-06-28 | 2017-10-20 | 电子科技大学 | 一种遥感图像中区分煤矿区的煤堆和煤矸石区域的方法 |
CN107764758A (zh) * | 2017-09-26 | 2018-03-06 | 中国神华能源股份有限公司 | 矿区监测方法和装置、存储介质及处理器 |
CN108168526A (zh) * | 2017-12-15 | 2018-06-15 | 长安大学 | 一种基于地面沉降信息的黄土滑坡早期识别方法 |
Non-Patent Citations (5)
Title |
---|
DESIGNING AN ILLEGAL MINING DETECTION SYSTEM BASED ON DINSAR;Zhe Hu 等,;《 2010 IEEE International Geoscience and Remote Sensing Symposium》;20101203;第2010年卷;第3952-3955页 * |
Detection of mine slope motions in Brazil as revealed by satellite;Marcos Eduardo Hartwig 等,;《Bulletin of Engineering Geology and the Environment》;20151222;第2015年卷;第605-621页 * |
DInSAR for a Regional Inventory of Active Rock Glaciers in the Dry Andes Mountains of Argentina and Chile with Sentinel-1 Data;Cristian Daniel Villarroel 等,;《remote sensing》;20181003;第2018年卷;第1部分、第3部分 * |
基于改进的AlexNet网络模型的遥感图像分类方法研究;周天顺 等,;《北京测绘》;20181130;第32卷(第11期);第1263-1266页 * |
用基于知识的决策树方法分层提取矿区土地类型——以湖北大治为例;陈华丽 等,;《国土资源遥感》;20040915;第2004年卷(第3期);第3-4部分、图1、表1 * |
Also Published As
Publication number | Publication date |
---|---|
CN109558859A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558859B (zh) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 | |
Xiang et al. | Open-pit mine geomorphic changes analysis using multi-temporal UAV survey | |
Sofia | Combining geomorphometry, feature extraction techniques and Earth-surface processes research: The way forward | |
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN105046235B (zh) | 车道线的识别建模方法和装置、识别方法和装置 | |
CN105160192B (zh) | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 | |
Jorayev et al. | Imaging and photogrammetry models of Olduvai Gorge (Tanzania) by Unmanned Aerial Vehicles: A high-resolution digital database for research and conservation of Early Stone Age sites | |
CN111339827A (zh) | 基于多区域卷积神经网络的sar图像变化检测方法 | |
CN110796152A (zh) | 一种基于倾斜摄影的群体建筑物震害提取方法及系统 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN115471467A (zh) | 一种高分辨率光学遥感影像建筑物变化检测方法 | |
Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
Chen et al. | Research on the improvement of single tree segmentation algorithm based on airborne LiDAR point cloud | |
Long et al. | Object detection research of SAR image using improved faster region-based convolutional neural network | |
Albanai | A GIScience Simulation for Sea Level Rise Scenarios on Failka Island in The State of Kuwait | |
Feng et al. | A hierarchical network densification approach for reconstruction of historical ice velocity fields in East Antarctica | |
Lian et al. | Extraction of high-accuracy control points using ICESat-2 ATL03 in urban areas | |
CN111275680B (zh) | 基于Gabor卷积网络的SAR图像变化检测方法 | |
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 | |
Sui et al. | Processing of multitemporal data and change detection | |
CN116486282A (zh) | 一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质 | |
Demir et al. | A nonparametric fuzzy shoreline extraction approach from Sentinel-1A by integration of RASAT pan-sharpened imagery | |
Li et al. | An Improved Framework for Airport Detection Under the Complex and Wide Background | |
Idris et al. | Application of artificial neural network for building feature extraction in Abuja | |
Pricope et al. | Constructing a coastal plains wetland delineation model using hyperspatial LiDAR data |
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 |