CN112597826A - 一种对高光谱sasi数据进行岩性分类的方法 - Google Patents

一种对高光谱sasi数据进行岩性分类的方法 Download PDF

Info

Publication number
CN112597826A
CN112597826A CN202011441451.0A CN202011441451A CN112597826A CN 112597826 A CN112597826 A CN 112597826A CN 202011441451 A CN202011441451 A CN 202011441451A CN 112597826 A CN112597826 A CN 112597826A
Authority
CN
China
Prior art keywords
data
hyperspectral
classification
sasi
rock
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
Application number
CN202011441451.0A
Other languages
English (en)
Inventor
韩晓青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Institute of Uranium Geology
Original Assignee
Beijing Research Institute of Uranium Geology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Institute of Uranium Geology filed Critical Beijing Research Institute of Uranium Geology
Priority to CN202011441451.0A priority Critical patent/CN112597826A/zh
Publication of CN112597826A publication Critical patent/CN112597826A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于遥感地质勘察领域技术领域，具体涉及一种对高光谱SASI数据进行岩性分类的方法，包括以下步骤：步骤一：对高光谱SASI数据预处理，并提取训练样本数据；步骤二：利用自编码+2D卷积深度学习模型进行岩石分类；步骤2.1：建立自编码+2D卷积深度学习网络模型，使用训练数据对深度学习网络进行训练，构建合适的深度学习网络模型；步骤2.2：模型参数选择与设置；步骤三：精度评价。本发明设计的方法可实现遥感地质勘查区域的高光谱遥感数据高精度岩石分类。

Description

一种对高光谱SASI数据进行岩性分类的方法
技术领域
本发明属于遥感地质勘察领域技术领域，具体涉及一种对高光谱SASI数据进行岩性分类的方法。
背景技术
地表岩石分类是遥感地质勘察领域的一个重要研究内容，高精度的岩石分类有助于遥感地质勘查高质量的完成。传统的多光谱遥感由于波谱分辨率有限，难以区分地表岩石独特而丰富的波谱信息。近年来，高光谱技术在遥感地质领域应用越来越广泛。高光谱岩石分类是遥感地质找矿的重要技术。目前利用纳米级分辨率高光谱遥感SASI数据识别岩石诊断光谱信息并完成岩石分类已经成为可能。
因此，可以利用2D卷积深度学习方法实现高光谱SASI数据岩石分类，以此可解决传统分类方法对岩石分类精度准确性较低的问题。
发明内容
本发明针对上述现有技术的不足，提供一种对高光谱SASI数据进行岩性分类的方法，用于解决传统多光谱遥感波谱分辨率有限，难以区分地表岩石波谱信息的技术问题。
本发明技术方案：
一种对高光谱SASI数据进行岩性分类的方法，包括以下步骤：
步骤一：对高光谱SASI数据预处理，并提取训练样本数据；
步骤二：利用自编码+2D卷积深度学习模型进行岩石分类；
步骤2.1：建立自编码+2D卷积深度学习网络模型，使用训练数据对深度学习网络进行训练，构建合适的深度学习网络模型；
步骤2.2：模型参数选择与设置；
步骤三：精度评价。
所述步骤一中高光谱SASI数据预处理还包括：通过对高光谱SASI原始数据分别进行大气校正和几何校正，获得高光谱SASI反射率数据；
所述提取训练样本数据还包括：进行野外地质勘查和野外岩石识别，结合高光谱遥感影像和地质图，在高光谱SASI图像中选取典型岩石像元光谱作为样本数据，将样品数据共分成四类岩石类型，包括：冲积物、变质岩、沉积岩和花岗岩。
所述步骤一还包括：将训练样本数据在SASI影象的选取位置，并绘制不同岩石类型光谱曲线，由于所述不同岩石类型光谱曲线具有不同形状和不同光谱吸收特征峰，因此根据不同岩石类型光谱曲线不同形状和不同光谱吸收特征峰进行高光谱数据岩石分类。
所述步骤2.1：建立自编码+2D卷积深度学习网络模型，还包括：在自编码+2D卷积网络中输入SASI高光谱图像，网络输入数据经历多个卷积层及池化层后,经过全连接层输出；网络卷积时采用正向传播，训练时采用反向传播逐层反向传递误差,然后利用随机梯度下降更新各层的卷积核和偏置，直到网络训练收敛为止；
自编码+2D卷积操作中卷积层第l层,第j个特征(x,y)位置具体值通过如下公式(1)计算:
Figure BDA0002822360350000021
其中,
Figure BDA0002822360350000022
表示第l层第j个卷积核在(h,w)位置的具体值,Hl和Wl分别表示卷积核的高和宽,bl,j表示第l层第j个特征图的偏置。
Figure BDA0002822360350000023
表示第(l-1)层第m个特征在(x+h,y+w)位置的具体值。
所述步骤2.2，模型参数选择与设置，还包括：神经网络的层数设置为4；网络训练中使用以像素点为中心的块大小，块大小设置为1，块大小必须是奇数；每层神经网络中使用的卷积数目为64；神经网络层中卷积核的大小为3；模型循环训练的总次数，又称为循环次数，所述循环次数设置为10；模型每次循环训练的迭代次数，又称为单循环步数，单循环步数设置为1000；学习率设置为0.001；单步网络训练需要的样本数据量设置为5；选择输入数据通道维度为1；使用测试集辅助；测试数据比例选择0.3；单步测试数据大小设置为32；
将训练完成的深度学习网络模型应用到SASI航空高光谱数据的岩石分类中，生成航空高光谱岩石分类图；同时结合野外岩性信息验证与室内地质资料对比分析，完善航空高光谱石深度学习分类结果，完成航空高光谱岩石提取图。
所述步骤三还包括：选择使用总分类精度OA值、平均分类精度AA值和Kappa系数来评价两种方法岩石分类结果，其中OA值、AA值和Kappa系数值越高，分类算法的分类准确性就越高。
本发明有益效果：
1)本发明设计的方法可实现遥感地质勘查区域的高光谱遥感数据高精度岩石分类。
2)本发明对野外地质勘查很多人类无法到达的地区，可以进行高精度地质填图，提高野外地质勘查效率和准确性。
附图说明
图1为本发明设计的一种对高光谱SASI数据进行岩性分类的方法的流程框图；
图2为实施例中所述高光谱SASI影象训练样本数据分布图；
图3为本发明实施例中甘肃柳园高光谱样本数据岩石平均光谱曲线图
图4为本发明实施例中甘肃柳园高光谱SASI影像自编码+2D卷积方法岩石分类结果图；
图5为本发明实施例中甘肃柳园高光谱SASI影像自编码方法岩石分类结果。
具体实施方式
下面结合附图和实施例对本发明设计的一种对高光谱SASI数据进行岩性分类的方法进行详细说明：
一种对高光谱SASI数据进行岩性分类的方法，包括以下步骤：
步骤一：对高光谱SASI数据预处理，并提取训练样本数据；
所述高光谱SASI数据预处理还包括：通过对高光谱SASI原始数据分别进行大气校正和几何校正，获得高光谱SASI反射率数据；
所述提取训练样本数据还包括：进行野外地质勘查和野外岩石识别，结合高光谱遥感影像和地质图，在高光谱SASI图像中选取典型岩石像元光谱作为样本数据，将样品数据共分成四类岩石类型，包括：冲积物、变质岩、沉积岩和花岗岩。
将训练样本数据在SASI影象的选取位置，并绘制不同岩石类型光谱曲线，由于所述不同岩石类型光谱曲线具有不同形状和不同光谱吸收特征峰，因此根据不同岩石类型光谱曲线不同形状和不同光谱吸收特征峰进行高光谱数据岩石分类。
步骤二：利用自编码+2D卷积深度学习模型进行岩石分类；
步骤2.1：建立自编码+2D卷积深度学习网络模型，使用训练数据对深度学习网络进行训练，构建合适的深度学习网络模型；
在自编码+2D卷积网络中输入SASI高光谱图像，网络输入数据经历多个卷积层及池化层后,经过全连接层输出；网络卷积时采用正向传播，训练时采用反向传播逐层反向传递误差,然后利用随机梯度下降更新各层的卷积核和偏置，直到网络训练收敛为止；
自编码+2D卷积操作中卷积层第l层,第j个特征(x,y)位置具体值通过如下公式(1)计算:
Figure BDA0002822360350000051
其中,
Figure BDA0002822360350000052
表示第l层第j个卷积核在(h,w)位置的具体值,Hl和Wl分别表示卷积核的高和宽,bl,j表示第l层第j个特征图的偏置。
Figure BDA0002822360350000053
表示第(l-1)层第m个特征在(x+h,y+w)位置的具体值。
步骤2.2：模型参数选择与设置，还包括：神经网络的层数设置为4；网络训练中使用以像素点为中心的块大小，块大小设置为1，块大小必须是奇数；每层神经网络中使用的卷积数目为64；神经网络层中卷积核的大小为3；模型循环训练的总次数，又称为循环次数，所述循环次数设置为10；模型每次循环训练的迭代次数，又称为单循环步数，单循环步数设置为1000；学习率
设置为0.001；单步网络训练需要的样本数据量设置为5；选择输入数据通道维度为1；使用测试集辅助；测试数据比例选择0.3；单步测试数据大小设置为32；
将训练完成的深度学习网络模型应用到SASI航空高光谱数据的岩石分类中，生成航空高光谱岩石分类图；同时结合野外岩性信息验证与室内地质资料对比分析，完善航空高光谱石深度学习分类结果，完成航空高光谱岩石提取图。
基于岩石光谱的训练样本数据，采用编码——解码方式进行深度学习网络构建。整个流程包括：样本数据输入，权重偏差值初始化，样本编码解码，参数调整使样本输出误差最小；再对各个中间层、输出层进行输入输出和各单元的校正误差，调整中间层至输出层的权值和各层间的输出阈值，最后如果损失函数达到预期值，将结束训练学习，如果损失函数没有达到预期值，将返回参数调整阶段重新开始训练。自编码深度学习网络实际是通过正向反向传播参数调整训练，逐层更新各层网络的权值和偏置，直到训练达到收敛，最终获得岩石光谱分类深度学习训练网络。输入参数分别为四种类型岩石光谱数据，分别为：冲积物、变质岩、沉积岩和花岗岩，每一种类型包括30个训练数据，输入层、输出层，两层中间层。
对于深度学习网络的单个神经元，每个输入值都要进行权重值和偏差值预处理，并且每个神经元需要激活函数的加入。权重值和偏差值的初始值符合正态分布，并在正向和反向传播过程中不断被调整，直到最后损失函数达到最小；激活函数能保证网络模型实现非线性解混，激活函数选用Sigmoid函数。
步骤三：精度评价，还包括：选择使用总分类精度OA值、平均分类精度AA值和Kappa系数来评价两种方法岩石分类结果，其中OA值、AA值和Kappa系数值越高，分类算法的分类准确性就越高。
实施例：
1)提取训练样本数据：
甘肃柳园野外地质勘查进行野外岩石识别，结合高光谱遥感影像和地质图，在高光谱SASI图像中选取典型岩石像元光谱作为样本数据，分为4类岩石：冲积物、变质岩、沉积岩和花岗岩。图2为训练样本数据在SASI影象的选取位置。SASI数据共包含101个谱段，光谱范围为900-2420nm，空间分辨率有2.25m，如图2影像共有710×598个像素，选择2000-2420nm范围29个波段做岩石分类。表1记录了每种岩石样本数目。
表1高光谱SASI影像四类岩石对应样本个数
Figure BDA0002822360350000071
图3为甘肃柳园高光谱SASI数据岩石光谱曲线，分别为冲积物、变质岩、沉积岩、花岗岩，光谱波段为2000-2420nm，不同岩石类型光谱曲线具有不同形状和不同光谱吸收特征峰，根据这些特征实现高光谱数据岩石分类。
2)深度学习模型岩石分类
使用自编码+2D卷积方法和传统自编码方法对高光谱SASI进行岩石分类，分类结果如图4、图5。
3)精度评价
选择使用总分类精度(Overall accuracy，OA)、平均分类精度(Averageaccuracy，AA)和Kappa系数(Kappa coefficient，Kappa)来评价两种方法岩石分类结果，其中OA值、AA值和Kappa系数值越高，分类算法的分类准确性就越高，计算结果见表2。
表2高光谱SASI数据岩石分类准确率
Figure BDA0002822360350000072
从表2中获得结论：基于自编码+2D卷积分类精度高于传统自编码分类。利用自编码+2D卷积深度学习方法能得到更好的岩石分类效果。
上面对本发明的实施例作了详细说明，本发明并不限于上述实例，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做出各种变化。本发明对其他矿种热液蚀变侧缘分带元素迁移规律研究也具有重要的借鉴意义。

Claims (6)

1.一种对高光谱SASI数据进行岩性分类的方法，其特征在于：包括以下步骤：
步骤一：对高光谱SASI数据预处理，并提取训练样本数据；
步骤二：利用自编码+2D卷积深度学习模型进行岩石分类；
步骤2.1：建立自编码+2D卷积深度学习网络模型，使用训练数据对深度学习网络进行训练，构建合适的深度学习网络模型；
步骤2.2：模型参数选择与设置；
步骤三：精度评价。
2.根据权利要求1所述的一种对高光谱SASI数据进行岩性分类的方法，其特征在于：所述步骤一中高光谱SASI数据预处理还包括：通过对高光谱SASI原始数据分别进行大气校正和几何校正，获得高光谱SASI反射率数据；
所述提取训练样本数据还包括：进行野外地质勘查和野外岩石识别，结合高光谱遥感影像和地质图，在高光谱SASI图像中选取典型岩石像元光谱作为样本数据，将样品数据共分成四类岩石类型，包括：冲积物、变质岩、沉积岩和花岗岩。
3.根据权利要求2所述的一种对高光谱SASI数据进行岩性分类的方法，其特征在于：所述步骤一还包括：将训练样本数据在SASI影象的选取位置，并绘制不同岩石类型光谱曲线，由于所述不同岩石类型光谱曲线具有不同形状和不同光谱吸收特征峰，因此根据不同岩石类型光谱曲线不同形状和不同光谱吸收特征峰进行高光谱数据岩石分类。
4.根据权利要求3所述的一种对高光谱SASI数据进行岩性分类的方法，其特征在于：所述步骤2.1：建立自编码+2D卷积深度学习网络模型，还包括：在自编码+2D卷积网络中输入SASI高光谱图像，网络输入数据经历多个卷积层及池化层后,经过全连接层输出；网络卷积时采用正向传播，训练时采用反向传播逐层反向传递误差,然后利用随机梯度下降更新各层的卷积核和偏置，直到网络训练收敛为止；
自编码+2D卷积操作中卷积层第l层,第j个特征(x,y)位置具体值通过如下公式(1)计算:
Figure FDA0002822360340000021
其中,
Figure FDA0002822360340000022
表示第l层第j个卷积核在(h,w)位置的具体值,Hl和Wl分别表示卷积核的高和宽,bl,j表示第l层第j个特征图的偏置。
Figure FDA0002822360340000023
表示第(l-1)层第m个特征在(x+h,y+w)位置的具体值。
5.根据权利要求3所述的一种对高光谱SASI数据进行岩性分类的方法，其特征在于：所述步骤2.2，模型参数选择与设置，还包括：神经网络的层数设置为4；网络训练中使用以像素点为中心的块大小，块大小设置为1，块大小必须是奇数；每层神经网络中使用的卷积数目为64；神经网络层中卷积核的大小为3；模型循环训练的总次数，又称为循环次数，所述循环次数设置为10；模型每次循环训练的迭代次数，又称为单循环步数，单循环步数设置为1000；
学习率设置为0.001；单步网络训练需要的样本数据量设置为5；选择输入数据通道维度为1；使用测试集辅助；测试数据比例选择0.3；单步测试数据大小设置为32；
将训练完成的深度学习网络模型应用到SASI航空高光谱数据的岩石分类中，生成航空高光谱岩石分类图；同时结合野外岩性信息验证与室内地质资料对比分析，完善航空高光谱石深度学习分类结果，完成航空高光谱岩石提取图。
6.根据权利要求3所述的一种对高光谱SASI数据进行岩性分类的方法，其特征在于：所述步骤三还包括：选择使用总分类精度OA值、平均分类精度AA值和Kappa系数来评价两种方法岩石分类结果，其中OA值、AA值和Kappa系数值越高，分类算法的分类准确性就越高。
CN202011441451.0A 2020-12-08 2020-12-08 一种对高光谱sasi数据进行岩性分类的方法 Pending CN112597826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011441451.0A CN112597826A (zh) 2020-12-08 2020-12-08 一种对高光谱sasi数据进行岩性分类的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011441451.0A CN112597826A (zh) 2020-12-08 2020-12-08 一种对高光谱sasi数据进行岩性分类的方法

Publications (1)

Publication Number Publication Date
CN112597826A true CN112597826A (zh) 2021-04-02

Family

ID=75192082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011441451.0A Pending CN112597826A (zh) 2020-12-08 2020-12-08 一种对高光谱sasi数据进行岩性分类的方法

Country Status (1)

Country Link
CN (1) CN112597826A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486869A (zh) * 2021-09-07 2021-10-08 中国自然资源航空物探遥感中心 一种基于非监督特征提取的岩性识别方法、装置及介质
CN116168295A (zh) * 2023-02-24 2023-05-26 中国地质大学（武汉） 一种岩性遥感智能解译模型建立方法及解译方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845418A (zh) * 2017-01-24 2017-06-13 北京航空航天大学 一种基于深度学习的高光谱图像分类方法
CN107122733A (zh) * 2017-04-25 2017-09-01 西安电子科技大学 基于nsct和sae的高光谱图像分类方法
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
CN110031414A (zh) * 2019-04-29 2019-07-19 北京航空航天大学 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
CN110232419A (zh) * 2019-06-20 2019-09-13 东北大学 一种边坡岩石类别自动识别的方法
CN110806605A (zh) * 2019-11-15 2020-02-18 中国地质科学院矿产综合利用研究所 高纬度高寒地区稀土-铀矿遥感找矿方法
CN110965991A (zh) * 2018-09-27 2020-04-07 中国石油天然气股份有限公司 基于人工智能的随钻岩石矿物组分识别方法及装置
CN111141698A (zh) * 2019-12-30 2020-05-12 中国地质大学（北京） 一种基于热红外比辐射率的岩性分类方法
CN111160389A (zh) * 2019-12-02 2020-05-15 东北石油大学 一种基于融合vgg的岩性识别方法
FR3091381A1 (fr) * 2018-12-19 2020-07-03 Lysia Dispositif de détection hyperspectrale
CN111564188A (zh) * 2020-04-29 2020-08-21 核工业北京地质研究院 一种基于变分自编码矿物信息定量分析方法
WO2020199292A1 (zh) * 2019-04-04 2020-10-08 山东大学 基于图像与光谱技术的岩性智能识别系统与方法
CN111783825A (zh) * 2020-05-26 2020-10-16 中国石油天然气集团有限公司 一种基于卷积神经网络学习的测井岩性识别方法
CN111814685A (zh) * 2020-07-09 2020-10-23 西安电子科技大学 基于双支路卷积自编码器的高光谱图像分类方法
CN111856578A (zh) * 2020-07-31 2020-10-30 电子科技大学 张量深度自编码网络的宽方位叠前地震反射模式分析方法
CN113255491A (zh) * 2021-05-17 2021-08-13 福州大学 一种基于随机森林的线性光谱分解方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845418A (zh) * 2017-01-24 2017-06-13 北京航空航天大学 一种基于深度学习的高光谱图像分类方法
CN107122733A (zh) * 2017-04-25 2017-09-01 西安电子科技大学 基于nsct和sae的高光谱图像分类方法
CN110965991A (zh) * 2018-09-27 2020-04-07 中国石油天然气股份有限公司 基于人工智能的随钻岩石矿物组分识别方法及装置
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
FR3091381A1 (fr) * 2018-12-19 2020-07-03 Lysia Dispositif de détection hyperspectrale
WO2020199292A1 (zh) * 2019-04-04 2020-10-08 山东大学 基于图像与光谱技术的岩性智能识别系统与方法
CN110031414A (zh) * 2019-04-29 2019-07-19 北京航空航天大学 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
CN110232419A (zh) * 2019-06-20 2019-09-13 东北大学 一种边坡岩石类别自动识别的方法
CN110806605A (zh) * 2019-11-15 2020-02-18 中国地质科学院矿产综合利用研究所 高纬度高寒地区稀土-铀矿遥感找矿方法
CN111160389A (zh) * 2019-12-02 2020-05-15 东北石油大学 一种基于融合vgg的岩性识别方法
CN111141698A (zh) * 2019-12-30 2020-05-12 中国地质大学（北京） 一种基于热红外比辐射率的岩性分类方法
CN111564188A (zh) * 2020-04-29 2020-08-21 核工业北京地质研究院 一种基于变分自编码矿物信息定量分析方法
CN111783825A (zh) * 2020-05-26 2020-10-16 中国石油天然气集团有限公司 一种基于卷积神经网络学习的测井岩性识别方法
CN111814685A (zh) * 2020-07-09 2020-10-23 西安电子科技大学 基于双支路卷积自编码器的高光谱图像分类方法
CN111856578A (zh) * 2020-07-31 2020-10-30 电子科技大学 张量深度自编码网络的宽方位叠前地震反射模式分析方法
CN113255491A (zh) * 2021-05-17 2021-08-13 福州大学 一种基于随机森林的线性光谱分解方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
QIN, K等: "Regional Lithology Mapping Using Airborne Hyperspectral Data", 《2015 4TH INTERNATIONAL CONFERENCE ON ENERGY AND ENVIRONMENTAL PROTECTION (ICEEP 2015)》, 31 December 2015 (2015-12-31), pages 1799 - 1804 *
张博: "基于联合特征和深度学习的遥感影像分类", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 02, 15 February 2020 (2020-02-15), pages 028 - 177 *
李东: "甘肃柳园地区高光谱遥感应用研究", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 02, 5 February 2020 (2020-02-05), pages 011 - 816 *
杨云: "机器学习支持下多源遥感数据的岩性分类研究", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 02, 15 February 2020 (2020-02-15), pages 1 - 5 *
杨云: "机器学习支持下多源遥感数据的岩性分类研究v", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 02, 15 February 2020 (2020-02-15), pages 011 - 219 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486869A (zh) * 2021-09-07 2021-10-08 中国自然资源航空物探遥感中心 一种基于非监督特征提取的岩性识别方法、装置及介质
CN113486869B (zh) * 2021-09-07 2021-12-07 中国自然资源航空物探遥感中心 一种基于非监督特征提取的岩性识别方法、装置及介质
CN116168295A (zh) * 2023-02-24 2023-05-26 中国地质大学（武汉） 一种岩性遥感智能解译模型建立方法及解译方法
CN116168295B (zh) * 2023-02-24 2023-12-05 中国地质大学（武汉） 一种岩性遥感智能解译模型建立方法及解译方法

Similar Documents

Publication Publication Date Title
CN112083482B (zh) 基于模型驱动深度学习的地震超分辨反演方法
CN111695467B (zh) 基于超像素样本扩充的空谱全卷积高光谱图像分类方法
CN111260576A (zh) 一种基于去噪三维卷积自编码网络的高光谱解混算法
CN107589448A (zh) 一种多道地震记录反射系数序列同时反演方法
CN112597826A (zh) 一种对高光谱sasi数据进行岩性分类的方法
CN104809471A (zh) 一种基于空间光谱信息的高光谱图像残差融合分类方法
CN114662626A (zh) 多源遥感数据多特征融合的岩性自动分类方法及系统
CN113421216A (zh) 一种高光谱融合计算成像方法及系统
Zhang et al. Automatic microseismic detection and location via the deep-convolutional neural network
CN114419463B (zh) 一种基于云平台的全球太阳能光伏板遥感自动识别方法
CN111325134A (zh) 一种基于跨层连接卷积神经网络的遥感影像变化检测方法
CN110443296B (zh) 面向高光谱图像分类的数据自适应激活函数学习方法
CN115019178A (zh) 一种基于大核卷积注意力的高光谱影像分类方法
CN112444850A (zh) 地震资料速度建模方法、存储介质及计算设备
CN116992754A (zh) 一种基于迁移学习的随钻测井资料快速反演方法
CN116011338A (zh) 一种基于自编码器和深度神经网络的全波形反演方法
CN105528623A (zh) 一种基于地物类别分类冗余字典的成像光谱图像稀疏表示方法
CN116363498A (zh) 基于深度迁移学习的黄土高原梯田自动识别方法
CN107832790A (zh) 一种基于局部低秩表示的半监督高光谱图像分类方法
Rontogiannis et al. A fast variational Bayes algorithm for sparse semi-supervised unmixing of OMEGA/Mars express data
CN114942473A (zh) 基于注意力门神经网络的叠前地震速度反演方法
CN113762128A (zh) 一种基于无监督学习的高光谱影像分类方法
CN113608258A (zh) 一种构建高分辨率波阻抗反演标签的自洽深度学习方法
CN113721293B (zh) 一种基于深度学习的多波地震信号人工智能匹配方法
CN113077458A (zh) 一种遥感影像中的云和阴影检测方法及系统

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