CN110031414A - 一种基于光谱吸收指数的多层感知机高光谱矿物分类方法 - Google Patents
一种基于光谱吸收指数的多层感知机高光谱矿物分类方法 Download PDFInfo
- Publication number
- CN110031414A CN110031414A CN201910355329.2A CN201910355329A CN110031414A CN 110031414 A CN110031414 A CN 110031414A CN 201910355329 A CN201910355329 A CN 201910355329A CN 110031414 A CN110031414 A CN 110031414A
- Authority
- CN
- China
- Prior art keywords
- layer
- absorption index
- spectral absorption
- mineral
- mlp
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,包含以下步骤:(1)读入高光谱数据;(2)确定矿物种类及数目,并选择训练样本和测试样本;(3)根据矿物特征波段确定光谱吸收指数向量;(4)建立基于多层感知机的深度网络模型;(5)训练模型参数并且构建防止过拟合策略;(6)对高光谱图像进行分类,得到矿物分类图。该方法以多层感知机模型作为模型基础,以矿物光谱吸收指数向量作为输入,实现基于高光谱数据的矿物分类。
Description
技术领域
本发明涉及一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,属于高光谱数据处理方法与应用技术领域,适用于高光谱数据监督分类的理论方法和应用技术研究。
背景技术
岩矿光谱特征的产生主要是由于组成物质内部离子与基团的晶体场效应与基团振动的结果。由于各种矿物晶体结构各不相同,因此由晶格振动而产生的各种矿物光谱特性是不一样的。高光谱数据能够捕捉到这些光谱特征,故而可以对不同矿物进行分类。目前,高光谱矿物分类方法主要分为两类:第一种是基于特征谱带的矿物分类方法。通过计算特征波段的光谱吸收特征,如吸收波段的波长位置、深度、宽度、对称度、面积等,此类方法受环境因素和人为因素影响较大;第二种方法是基于完全波形特征的矿物分类方法。通过整个光谱曲线进行匹配,如相关系数匹配、光谱角匹配等方法。此类方法随着光谱波段数量的增加,计算量将增大;另外,此类方法不能反映矿物的本质特征。
多层感知机方法是深度学习中一种基于对数据进行表征学习的方法,为监督学习提供了一个强大的框架。给定足够大的模型和足够大的标注训练数据集,可以通过多层感知机将输入向量映射到输出向量,完成快速分类。将深度学习运用在高光谱矿物分类上,对于不同成像条件下的数据,只需要通过训练数据对模型参数进行微调即能适应。但现有的大多数神经网络模型将高光谱图像的所有波段作为输入,迭代时间过长,且不易找到全局最佳解。
发明内容
本发明的目的在于针对高光谱矿物分类问题,提供一种基于光谱吸收指数的多层感知机高光谱矿物分类方法。
本发明的技术解决方案为:一种以光谱吸收指数作为输入的多层感知机模型,该模型将能反映矿物本质的光谱吸收指数作为模型输入,降低了计算量,并且利用多层感知机模型作为分类模型,增加了模型自适应性,降低了人为因素的干扰。
本发明是基于光谱吸收指数的多层感知机高光谱矿物分类方法,其步骤如下:
(1)读入高光谱数据;
(2)确定矿物种类及数目,并选择训练样本和测试样本;
(3)根据矿物特征波段确定光谱吸收指数向量;
(4)建立基于多层感知机的深度网络模型;
(5)训练模型参数并且构建防止过拟合策略;
(6)获得矿物分类结果。
其中,步骤(1)中读入高光谱数据:读入待处理的高光谱数据,数据表示为,H=[h1,h2,Λ,hk],k为像元数。
其中,步骤(2)中确定矿物种类及数目,并选择训练样本和测试样本:根据地面调查或者地质图件等确定待分类的矿物种类及数目,并且选取训练样本和测试样本,类别数目为J1。
其中,步骤(3)中根据矿物特征波段确定光谱吸收指数向量:根据步骤(2) 地面调查或地质图件等得到的矿物种类进行分析并确定矿物的特征吸收波段,对特征吸收波段按波长排序,分别计算不同波段的光谱吸收指数,将按波长排序后的光谱吸收指数构建成光谱吸收指数向量,光谱吸收指数向量构成如下,
其中,λS1,λS2,λM分别为吸收谷左肩点、右肩点、吸收谷位置波长,ρS1,ρS2,ρM分别为吸收谷左肩点、右肩点、吸收谷位置反射率,λ1,λ2,...,λn-1,λn为排序后的波段,d为对称性参量,SAI为光谱吸收指数,L为光谱吸收指数向量。
其中,步骤(4)中所述的建立基于多层感知机的深度网络模型:模型主要包括三层网络,分别是输入层、全连接层和输出层,其中输入层为本模型以步骤(3)得到的光谱吸收指数向量L,全连接层为一层包含多个隐藏单元的隐藏层,该层以RELU函数为激活函数,输出层采用softmax函数进行分类,
其中,ωij为输入层与全连接层之间的权重,bij为输入层与全连接层之间的偏置,为光谱吸收指数向量各个分量,yj为各隐藏单元激活之前值, Relu(yj)为激活函数,xi为输出层经softmax函数前输出,ω′ij为全连接层与输出层之间的权重,b′ij为全连接层与输出层之间的偏置,P为隐藏层隐藏单元个数, softmax为分类函数。
其中,步骤(5)中所述的训练模型参数并且防止过拟合:将训练样本输入模型,对多层感知机模型中全连接层权重参数ω和偏置参数b进行微调,并且在损失函数中引入正则项,以防止过拟合,此处引入了二次正则项对权重参数ω进行约束,使得ω中更多项趋向于0,对特征进行降维,模型尽可能简单,防止陷入局部最优解,以防止过拟合,二次正则项表示如下,
其中L2表示二次正则项,ωij代表模型输入层与全连接层之间的权重参数,P为隐藏层隐藏单元个数,N为光谱吸收指数向量分量个数。
其中,步骤(6)对获得矿物分类结果:利用训练好的模型对步骤(1)的输入数据进行分类,获得矿物分类结果。
本发明与现有技术相比的优点在于:避免了传统方法受环境因素和人为因素影响较大且计算量较大的问题,本方法以光谱吸收指数向量作为输入,以多层感知机作为模型,实现了矿物分类。它具有以下的优点:(1)利用光谱吸收指数向量有效提取了矿物的本质特征,并且降低了计算量;(2)采用多层感知机模型提高了模型的自适应性,降低了环境因素和人为因素的影响。
具体实施方式
为了更好的说明本发明涉及的高光谱遥感数据矿物分类方法,利用AVIRIS 高光谱数据进行精细分类。本发明一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,具体实现步骤如下:
(1)读入高光谱数据:以大小为400×350的内华达州矿区高光谱图像为输入数据,波段区间均为1990nm~2479nm,均包含50个波段的波长信息;
(2)确定矿物种类及数目,并选择训练样本和测试样本:其中分类类别数目为 J1=7,根据地面调查分别选择训练样本和测试样本;
(3)根据矿物特征波段确定光谱吸收指数向量:确定需分类的7类矿物的特征波段,将7类矿物的特征波段按波长从小到大进行排列,根据光谱吸收指数计算方法分别计算各特征波段的光谱吸收指数值,形成光谱吸收指数向量,
其中,S1,S2,M分别为吸收谷左肩点、右肩点、吸收谷位置,λS1,λS2,λM分别为吸收谷左肩点、右肩点、吸收谷位置波长,ρS1,ρS2,ρM分别为吸收谷左肩点、右肩点、吸收谷位置反射率,λ1,λ2,...,λn-1,λn为排序后的波段,d为对称性参量, SAI为光谱吸收指数,L为光谱吸收指数向量;
(4)建立基于多层感知机的深度网络模型:依次建立高光谱数据分类模型的输入层、全连接层和输出层;模型主要包括三层网络,分别是输入层、全连接层和输出层,其中输入层为本模型以步骤(3)得到的光谱吸收指数向量L,全连接层为一层隐藏层,包含15个隐藏单元,该层以RELU函数为激活函数,输出层采用softmax函数,
其中,ωij为输入层与全连接层之间的权重,bij为输入层与全连接层之间的偏置,为光谱吸收指数向量各个分量,yj为各隐藏单元激活之前值, Relu(yj)为激活函数,xi为输出层经softmax函数前输出,ω′ij为全连接层与输出层之间的权重,b′ij为全连接层与输出层之间的偏置,P为隐藏层隐藏单元个数, P=15,softmax为分类函数;
(5)训练模型参数并且构建防止过拟合策略:将训练样本输入模型,对多层感知机模型中全连接层权重参数ω和偏置参数b进行微调,并且在损失函数中引入正则项,以防止过拟合,此处引入了二次正则项对权重参数ω进行约束,使得ω中更多项趋向于0,对特征进行降维,防止陷入局部最优解,以防止过拟合,二次正则项表示如下,
其中L2表示二次正则项,ωij代表模型输入层与全连接层之间的权重参数,P为隐藏层隐藏单元个数,P=15,N为光谱吸收指数向量分量个数;
(6)获得矿物分类结果:将所有待分类的样本点输入训练好的分类模型,得到各点的分类,从而形成分类图。
Claims (7)
1.一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,它包含以下步骤:
(1)读入高光谱数据;
(2)确定矿物种类及数目,并选择训练样本和测试样本;
(3)根据矿物特征波段确定光谱吸收指数向量;
(4)建立基于多层感知机的深度网络模型;
(5)训练模型参数并且构建防止过拟合策略;
(6)对高光谱图像进行分类,得到矿物分类图。
2.根据权利要求1所述的一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,其中步骤(1)读入高光谱数据:读入待处理的高光谱数据。
3.根据权利要求1所述的一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,其中步骤(2)确定矿物种类及数目,并选择训练样本和测试样本:根据地面调查或者地质图件等确定待分类的矿物种类及数目,并且选取训练样本和测试样本。
4.根据权利要求1所述的一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,其中步骤(3)根据矿物特征波段确定光谱吸收指数向量:根据步骤(2)地面调查或地质图件等得到的矿物种类进行分析并确定矿物的特征吸收波段,对特征吸收波段按波长排序,分别计算不同波段的光谱吸收指数,将按波长排序后的光谱吸收指数构建成光谱吸收指数向量,光谱吸收指数向量构成如下,
其中,λS1,λS2,λM分别为吸收谷左肩点、右肩点、吸收谷位置波长,ρS1,ρS2,ρM分别为吸收谷左肩点、右肩点、吸收谷位置反射率,λ1,λ2,...,λn-1,λn为排序后的波段,d为对称性参量,SAI为光谱吸收指数,L为光谱吸收指数向量。
5.根据权利要求1所述的一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,其中步骤(4)建立基于多层感知机的高光谱数据分类模型:模型主要包括三层网络,分别是输入层、全连接层和输出层,其中输入层为本模型以步骤(3)得到的光谱吸收指数向量L,全连接层为一层包含多个隐藏单元的隐藏层,该层以RELU函数为激活函数,输出层采用softmax函数进行分类,
其中,ωij为输入层与全连接层之间的权重,bij为输入层与全连接层之间的偏置,为光谱吸收指数向量各个分量,yj为各隐藏单元激活之前值,Relu(yj)为激活函数,xi为输出层经softmax函数前输出,ω′ij为全连接层与输出层之间的权重,b′ij为全连接层与输出层之间的偏置,P为隐藏层隐藏单元个数,softmax为分类函数。
6.根据权利要求1所述的一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,其中步骤(5)训练模型参数并且构建防止过拟合策略:将训练样本输入模型,对多层感知机模型中全连接层权重参数ω和偏置参数b进行微调,并且在损失函数中引入正则项,以防止过拟合,此处引入了二次正则项对权重参数ω进行约束,使得ω中更多项趋向于0,对特征进行降维,防止陷入局部最优解,以防止过拟合,二次正则项表示如下,
其中L2表示二次正则项,ωij代表模型输入层与全连接层之间的权重参数,P为隐藏层隐藏单元个数,N为光谱吸收指数向量分量个数。
7.根据权利要求1所述的一种基于光谱吸收指数的多层感知机高光谱矿物分类方法,其中步骤(6)获得矿物分类结果:利用训练好的模型对步骤(1)的输入数据进行分类,获得矿物分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355329.2A CN110031414A (zh) | 2019-04-29 | 2019-04-29 | 一种基于光谱吸收指数的多层感知机高光谱矿物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355329.2A CN110031414A (zh) | 2019-04-29 | 2019-04-29 | 一种基于光谱吸收指数的多层感知机高光谱矿物分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110031414A true CN110031414A (zh) | 2019-07-19 |
Family
ID=67240736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910355329.2A Pending CN110031414A (zh) | 2019-04-29 | 2019-04-29 | 一种基于光谱吸收指数的多层感知机高光谱矿物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110031414A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597826A (zh) * | 2020-12-08 | 2021-04-02 | 核工业北京地质研究院 | 一种对高光谱sasi数据进行岩性分类的方法 |
CN112801133A (zh) * | 2020-12-30 | 2021-05-14 | 核工业北京地质研究院 | 一种基于keras模型的光谱识别分类方法 |
CN113420795A (zh) * | 2021-06-07 | 2021-09-21 | 核工业北京地质研究院 | 一种基于空洞卷积神经网络的矿物光谱分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102929A (zh) * | 2014-07-25 | 2014-10-15 | 哈尔滨工业大学 | 基于深度学习的高光谱遥感数据分类方法 |
CN105606537A (zh) * | 2015-08-31 | 2016-05-25 | 山东科技大学 | 基于多类型光谱特征参数协同的矿物类型遥感识别方法 |
CN108171130A (zh) * | 2017-12-15 | 2018-06-15 | 安徽四创电子股份有限公司 | 一种高光谱地物分类识别方法 |
CN109283148A (zh) * | 2018-09-30 | 2019-01-29 | 核工业北京地质研究院 | 一种基于光谱信息自动识别岩石矿物的方法 |
-
2019
- 2019-04-29 CN CN201910355329.2A patent/CN110031414A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102929A (zh) * | 2014-07-25 | 2014-10-15 | 哈尔滨工业大学 | 基于深度学习的高光谱遥感数据分类方法 |
CN105606537A (zh) * | 2015-08-31 | 2016-05-25 | 山东科技大学 | 基于多类型光谱特征参数协同的矿物类型遥感识别方法 |
CN108171130A (zh) * | 2017-12-15 | 2018-06-15 | 安徽四创电子股份有限公司 | 一种高光谱地物分类识别方法 |
CN109283148A (zh) * | 2018-09-30 | 2019-01-29 | 核工业北京地质研究院 | 一种基于光谱信息自动识别岩石矿物的方法 |
Non-Patent Citations (1)
Title |
---|
申文明 等: "《基于天地一体化的工业固体废物监管技术研究》", 31 December 2013, 中国环境出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597826A (zh) * | 2020-12-08 | 2021-04-02 | 核工业北京地质研究院 | 一种对高光谱sasi数据进行岩性分类的方法 |
CN112801133A (zh) * | 2020-12-30 | 2021-05-14 | 核工业北京地质研究院 | 一种基于keras模型的光谱识别分类方法 |
CN113420795A (zh) * | 2021-06-07 | 2021-09-21 | 核工业北京地质研究院 | 一种基于空洞卷积神经网络的矿物光谱分类方法 |
CN113420795B (zh) * | 2021-06-07 | 2024-04-26 | 核工业北京地质研究院 | 一种基于空洞卷积神经网络的矿物光谱分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914907B (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
CN102915445B (zh) | 一种改进型的神经网络高光谱遥感影像分类方法 | |
CN102193090B (zh) | 一种遥感图像混合像元分解方法 | |
Ghezelbash et al. | Performance evaluation of RBF-and SVM-based machine learning algorithms for predictive mineral prospectivity modeling: integration of SA multifractal model and mineralization controls | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
CN110321963A (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
CN110031414A (zh) | 一种基于光谱吸收指数的多层感知机高光谱矿物分类方法 | |
CN108090447A (zh) | 双分支深层结构下的高光谱图像分类方法及装置 | |
CN105069468A (zh) | 基于脊波和深度卷积网络的高光谱图像分类方法 | |
CN110008905A (zh) | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 | |
CN109975273A (zh) | 一种基于激光诱导击穿光谱的岩石分类方法 | |
CN104050507A (zh) | 基于多层神经网络的超光谱图像分类方法 | |
CN108985365A (zh) | 基于深度子空间切换集成学习的多源异构数据融合方法 | |
CN115170979B (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
CN107037001A (zh) | 一种基于近红外光谱技术的玉米单倍体籽粒鉴别方法 | |
CN107145836A (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
CN107194423A (zh) | 基于特征随机抽样集成超限学习机的高光谱图像分类方法 | |
Bedini | Mapping alteration minerals at Malmbjerg molybdenum deposit, central East Greenland, by Kohonen self-organizing maps and matched filter analysis of HyMap data | |
CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
CN111738052B (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
CN107895136A (zh) | 一种煤矿区域识别方法及系统 | |
Cheng et al. | Two-stream isolation forest based on deep features for hyperspectral anomaly detection | |
Moradpour et al. | Fusion of ASTER satellite imagery, geochemical and geology data for gold prospecting in the Astaneh granite intrusive, West Central Iran | |
Song et al. | Recognition of microseismic and blasting signals in mines based on convolutional neural network and stockwell transform | |
Abu El-Magd et al. | Environmental hazard assessment and monitoring for air pollution using machine learning and remote sensing |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190719 |
|
WD01 | Invention patent application deemed withdrawn after publication |