CN111141708A - 一种岩石高光谱图像数据增强方法 - Google Patents
一种岩石高光谱图像数据增强方法 Download PDFInfo
- Publication number
- CN111141708A CN111141708A CN201911408912.1A CN201911408912A CN111141708A CN 111141708 A CN111141708 A CN 111141708A CN 201911408912 A CN201911408912 A CN 201911408912A CN 111141708 A CN111141708 A CN 111141708A
- Authority
- CN
- China
- Prior art keywords
- mineral
- rock
- hyperspectral image
- image data
- single scattering
- 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.)
- Granted
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
- G01N21/55—Specular reflectivity
Landscapes
- Physics & Mathematics (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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于地质勘查领域,具体涉及一种岩石高光谱图像数据增强方法,该方法包括以下步骤:步骤(1)采集高光谱图像中有地面岩石分析测试验证的像元光谱为数据增强的样本;步骤(2)计算出每种矿物端元的光谱反射率x;步骤(3)计算每种矿物端元的单次散射反照率;步骤(4)计算混合矿物的单次散射反照率;步骤(5)将步骤(4)构建的混合矿物光谱转换为图像中的光谱反射率;步骤(6)将不同角度的混合矿物光谱反射率进行合并,制作数据增强后的岩石高光谱图像。本发明针对花岗岩、碳酸岩等岩石光谱做过大量实验研究,构建可用于深度学习的光谱样本数据集,适用性较强,对于其他地物的识别和分析工作也具有借鉴意义。
Description
技术领域
本发明属于地质勘查领域,具体涉及一种岩石高光谱图像数据增强方法。
背景技术
利用高光谱技术对地表矿物含量的精确反演对于地质调查和矿产勘查具有 重要作用。虽然已有许多基于模型和机器学习的方法应用与高光谱矿物识别和 含量评估,但是,由于受非线性混合,传感器噪声,大气、地形等因素影响, 传统的反演模型不可避免的带来了误差。而随着深度学习的广泛应用,深度神 经网络作为非线性的分析方法已经大量应用于矿物光谱分析,但是目前的应用 存在的主要问题是可用于训练的数据较少,深层的神经网络需要大量已知成分 的光谱样本数据,过少的样本数据容易使网络陷入局部最优解和过拟合的现象。
因此,需要根据岩石矿物光谱的机理和反演特征,建立可以快速、准确进 行岩石高光谱数据增强方法,构建可用于深度学习的光谱样本数据集。
发明内容
本发明的目的在于提供一种岩石高光谱图像数据增强方法,构建可用于深 度学习的光谱样本数据集。
实现本发明目的的技术方案:
一种岩石高光谱图像数据增强方法,该方法包括以下步骤:
步骤(1)采集高光谱图像中有地面岩石分析测试验证的像元光谱为数据增 强的样本,并标识出每条光谱所对应的矿物组合、矿物端元及其所占含量;
步骤(2)基于不同端元下的二维散点图,搜索散点图的端点,计算出每种 矿物端元的光谱反射率x;
步骤(3)根据Hapke模型计算每种矿物端元的单次散射反照率;
步骤(4)采用线性混合模型,计算混合矿物的单次散射反照率;
步骤(5)根据Hapke模型,通过设置不同的入射角和出射角,将步骤(4) 构建的混合矿物光谱转换为图像中的光谱反射率;
步骤(6)将不同角度的混合矿物光谱反射率进行合并,按照图像的像元大 小和排列顺序,制作数据增强后的岩石高光谱图像,同时标注出每个像元的矿 物组合、矿物端元及其所占含量。
所述的步骤(2)采用纯净像元指数的方法PPI。
所述的步骤(3)中按照传感器和太阳均垂直向下,入射角余弦值和出射角 余弦值都设为1。
所述的步骤(3)中采用的公式为:
其中:ω为所求的单次散射反照率,x为步骤2求出的端元光谱反射率。
所述的步骤(4)中利用蒙特卡洛随机数法生成矿物丰度矩阵y∈RK,K 是矿物端元的个数,将端元矿物单次散射反照率构建为波段和矿物端元的矩阵, 采用线性混合模型,计算出混合矿物的单次散射反照率。
所述的步骤(4)中采用的公式为:
r=Ay (2)
其中:A∈XM×K为矿物单次散射反照率矩阵,M是波段数,K是矿物端元 数。
所述的步骤(5)中采用的公式为:
其中:Xm为所求的混合光谱反射率,μ0入射角余弦值,μ出射角余弦值,r 为单次散射反照率,设置不同μ0和μ的值,获得不同角度的混合矿物光谱反射 率。
本发明的有益技术效果在于:
本发明提出的基于Hapke模型的岩石高光谱图像数据增强方法,针对花岗 岩、碳酸岩等岩石光谱做过大量实验研究,构建可用于深度学习的光谱样本数 据集,适用性较强,对于其他地物的识别和分析工作也具有借鉴意义。
具体实施方式
下面结合实施例对本发明作进一步详细说明。
本发明提供了一种岩石高光谱图像数据增强方法,该方法具体包括以下步 骤:
(1)选择甘肃北山柳园2015年获取的航空高光谱数据,根据7个地面采 样点,在图像中选取地面点对应的像元,并根据分析测试结果,标识出每条光 谱所对应的矿物组合、矿物端元及其所占含量,主要包括石英、绿泥石、白云 母和碳酸盐四种矿物。
(2)采用纯净像元指数的方法(PPI),参考矿物光谱库的标准光谱,从岩 石光谱中计算出石英、绿泥石、白云母和碳酸盐矿物端元的光谱反射率,获得 白云母反射率数据Smus,方解石反射率数据Scal,白云石反射率数据Sdol,长石 反射率数据Sort。
(3)根据公式(1),计算石英、绿泥石、白云母和碳酸盐矿物矿物端元的 单次散射反照率。x为石英、绿泥石、白云母和碳酸盐端元光谱反射率,计算出 四种端元光谱的单次散射反照率ωcal,ωmus,ωdol,ωort。
其中:ω为所求的单次散射反照率,x为矿物端元光谱反射率。
(4)根据7个地面采样点的矿物组合,4个端元矿物单次散射反照率,每 个地面采样点对应的矿物组合增强光谱数为n=10000。根据矿物丰度的约束条 件:端元丰度之和为1和丰度是非负的,利用蒙特卡洛随机数法生成7×10000 矿物丰度矩阵y,石英、绿泥石、白云母和碳酸盐端元单次散射反照率构建矿物 单次散射反照率矩阵A∈XM×K为矿物单次散射反照率矩阵,M=101是波段数, K=4是矿物端元数。采用线性混合模型公式r=Ay,计算出70000个混合矿物 的单次散射反照率r。
(5)转换光谱单次散射反照率为光谱反射率,将通过矿物丰度扩展增强的 混合矿物单次散射反照率数据转换为图像中的光谱反射率。并在此转换公式中, 通过对不同角度的设置,进一步增强。设置μ0入射角为0-10度,μ出射角为0 度。
其中:Xm为所求的混合光谱反射率,μ0入射角余弦值,μ出射角余弦值,r 为单次散射反照率。
设置10个不同μ0值,获得了10个不同角度的混合矿物光谱反射率数据集, 每个集合有70000条光谱。
(6)将10个不同角度的混合矿物光谱反射率数据集进行合并,构建了 700000个光谱数据集,按照图像的像元大小和排列顺序,制作数据增强后的岩 石高光谱图像,同时标注出每个像元的矿物组合、矿物端元及其所占含量。
上面结合实施例对本发明作了详细说明,但是本发明并不限于上述实施例, 在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前 提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。
Claims (7)
1.一种岩石高光谱图像数据增强方法,其特征在于,该方法包括以下步骤:
步骤(1)采集高光谱图像中有地面岩石分析测试验证的像元光谱为数据增强的样本,并标识出每条光谱所对应的矿物组合、矿物端元及其所占含量;
步骤(2)基于不同端元下的二维散点图,搜索散点图的端点,计算出每种矿物端元的光谱反射率x;
步骤(3)根据Hapke模型计算每种矿物端元的单次散射反照率;
步骤(4)采用线性混合模型,计算混合矿物的单次散射反照率;
步骤(5)根据Hapke模型,通过设置不同的入射角和出射角,将步骤(4)构建的混合矿物光谱转换为图像中的光谱反射率;
步骤(6)将不同角度的混合矿物光谱反射率进行合并,按照图像的像元大小和排列顺序,制作数据增强后的岩石高光谱图像,同时标注出每个像元的矿物组合、矿物端元及其所占含量。
2.根据权利要求1所述的一种岩石高光谱图像数据增强方法,其特征在于:所述的步骤(2)采用纯净像元指数的方法PPI。
3.根据权利要求2所述的一种岩石高光谱图像数据增强方法,其特征在于:所述的步骤(3)中按照传感器和太阳均垂直向下,入射角余弦值和出射角余弦值都设为1。
5.根据权利要求4所述的一种岩石高光谱图像数据增强方法,其特征在于:所述的步骤(4)中利用蒙特卡洛随机数法生成矿物丰度矩阵y∈RK,K是矿物端元的个数,将端元矿物单次散射反照率构建为波段和矿物端元的矩阵,采用线性混合模型,计算出混合矿物的单次散射反照率。
6.根据权利要求5所述的一种岩石高光谱图像数据增强方法,其特征在于:所述的步骤(4)中采用的公式为:
r=Ay (2)
其中:A∈XM×K为矿物单次散射反照率矩阵,M是波段数,K是矿物端元数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911408912.1A CN111141708B (zh) | 2019-12-31 | 2019-12-31 | 一种岩石高光谱图像数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911408912.1A CN111141708B (zh) | 2019-12-31 | 2019-12-31 | 一种岩石高光谱图像数据增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111141708A true CN111141708A (zh) | 2020-05-12 |
CN111141708B CN111141708B (zh) | 2022-07-26 |
Family
ID=70522510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911408912.1A Active CN111141708B (zh) | 2019-12-31 | 2019-12-31 | 一种岩石高光谱图像数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111141708B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656053A (zh) * | 2022-10-19 | 2023-01-31 | 山东大学 | 岩石矿物含量测试方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
CN110070004A (zh) * | 2019-04-02 | 2019-07-30 | 杭州电子科技大学 | 一种应用于深度学习的近地高光谱数据扩展方法 |
-
2019
- 2019-12-31 CN CN201911408912.1A patent/CN111141708B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
CN110070004A (zh) * | 2019-04-02 | 2019-07-30 | 杭州电子科技大学 | 一种应用于深度学习的近地高光谱数据扩展方法 |
Non-Patent Citations (5)
Title |
---|
JOSHUA D.: "Phenomenological versus random data augmentation for hyperspectral target detection", 《U.S. DEPARTMENT OF ENERGY OFFICE OF SCIENTIFIC AND TECHNICAL INFORMATION》 * |
吕飞等: "基于深度极限学习机的高光谱遥感影像分类研究", 《大连理工大学学报》 * |
林红磊等: "基于单次散射反照率的矿物高光谱稀疏解混", 《遥感学报》 * |
程寅益 等: "基于Hapke模型多角度孔雀石光谱特性分析", 《地质科技情报》 * |
闫柏琨等: "基于Hapke模型的矿物红外发射光谱随粒度与发射角的变异规律", 《地球科学(中国地质大学学报)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656053A (zh) * | 2022-10-19 | 2023-01-31 | 山东大学 | 岩石矿物含量测试方法及系统 |
CN115656053B (zh) * | 2022-10-19 | 2024-05-31 | 山东大学 | 岩石矿物含量测试方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111141708B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bitossi et al. | Spectroscopic techniques in cultural heritage conservation: a survey | |
Monnier | A review of infrared spectroscopy in microarchaeology: Methods, applications, and recent trends | |
Cramer | Microplankton from three Palaeozoic formations in the province of Leon, NW-Spain | |
Olivares et al. | Non-invasive portable instrumentation to study Palaeolithic rock paintings: the case of La Peña Cave in San Roman de Candamo (Asturias, Spain) | |
Fattorini et al. | Using species abundance distribution models and diversity indices for biogeographical analyses | |
Grebby et al. | The impact of vegetation on lithological mapping using airborne multispectral data: A case study for the north Troodos region, Cyprus | |
Askari et al. | Band ratios matrix transformation (BRMT): a sedimentary lithology mapping approach using ASTER satellite sensor | |
Brilli et al. | Black limestones used in antiquity: the petrographic, isotopic and EPR database for provenance determination | |
CN109813665A (zh) | 利用可见光-近红外反射光谱快速分析岩石风化壳稀土含量的方法 | |
CN111141708B (zh) | 一种岩石高光谱图像数据增强方法 | |
LeMoine et al. | Comparing INAA and pXRF analytical methods for ceramics: A case study with Classic Maya wares | |
Chung et al. | Detection of magnesite and associated gangue minerals using hyperspectral remote sensing—A laboratory approach | |
Naglik et al. | Fossil resins–constraints from portable and laboratory near-infrared raman spectrometers | |
Akyuz et al. | Investigations of the Neolithic potteries of 6th millennium BC from Göytepe-Azerbaijan by vibrational spectroscopy and chemometric techniques | |
Kanbar et al. | Tracking mineral and geochemical characteristics of Holocene lake sediments: the case of Hotagen, west-central Sweden | |
Teixeira et al. | A multidisciplinary fingerprinting approach for authenticity and geographical traceability of Portuguese wines | |
Zhang et al. | Mapping lithologic components of ophiolitic mélanges based on ASTER spectral analysis: A case study from the Bangong-Nujiang Suture Zone (Tibet, China) | |
Kopačková et al. | Applying spectral unmixing to determine surface water parameters in a mining environment | |
Arjonilla et al. | Characterization of wall paintings of the Harem court in the Alhambra monumental ensemble: advantages and limitations of in situ analysis | |
Huynh et al. | Integrative 3D geological modeling derived from SWIR hyperspectral imaging techniques and UAV-based 3D model for carbonate rocks | |
CN111564188B (zh) | 一种基于变分自编码矿物信息定量分析方法 | |
Chen et al. | Mapping alteration minerals using ZY-1 02D hyperspectral remote sensing data in coalbed methane enrichment areas | |
Knight et al. | Characterisation of coastal sediment properties from spectral reflectance data | |
Zhuo et al. | Quantitative retrieving of soil organic matter using field spectrometer and hyperspectral remote sensing | |
Weinerová et al. | Quantitative allochem compositional analysis of Lochkovian-Pragian boundary sections in the Prague Basin (Czech Republic) |
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 |