CN113837972A - 一种基于多光谱遥感技术开采方法 - Google Patents
一种基于多光谱遥感技术开采方法 Download PDFInfo
- Publication number
- CN113837972A CN113837972A CN202111199570.4A CN202111199570A CN113837972A CN 113837972 A CN113837972 A CN 113837972A CN 202111199570 A CN202111199570 A CN 202111199570A CN 113837972 A CN113837972 A CN 113837972A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- multispectral remote
- information
- method based
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims abstract description 8
- 238000010191 image analysis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000004215 Carbon black (E152) Substances 0.000 claims description 5
- 229930195733 hydrocarbon Natural products 0.000 claims description 5
- 150000002430 hydrocarbons Chemical class 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000005755 formation reaction Methods 0.000 claims description 2
- 239000003086 colorant Substances 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 230000002457 bidirectional effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 239000003345 natural gas Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 2
- 229960004134 propofol Drugs 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多光谱遥感技术开采方法，包括如下步骤：S1.收集信息；S2.确定图像解释；S3.建立反射光谱区间；S4.建立神经网络算法；S5.优化图像。本发明对获取到的图像基于神经网络循环处理，在深度学习后即可按照已知图像划分多光谱图像颜色，并基于多层次像素点构成高锐化性分界图，且在多像素点情况下，鲁棒性更好，尤其是在特定光谱率下，能够形成双向验证效果，进一步增加图像的稳定性。
Description
技术领域
本发明涉及多光谱遥感领域，特别涉及一种基于多光谱遥感技术开采方法。
背景技术
多光谱分辨率遥感，是利用具有两个以上波谱通道的传感器对地物进行同步成像的一种遥感技术，它将物体反射辐射的电磁波信息分成若干波谱段进行接收和记录，在面对矿业开采、天然气开采以及各类空地识别均能够起到辅助作用，所形成得多光谱能够迅速便于使用者对图像识别。
然而在如今的多光谱图像下，不同种的色块依旧需要人为分辨，结合原有的高程图以及地势图才能够分辨，特别是对于较为复杂的地块，多光谱图像仅能够分辨所设定的目标图案，无法根据现实情况进一步自动处理，即当区域中构成复杂，规划混乱，覆盖物较多时，其空间纹理边缘不够明显，划界粗糙，无法对应到实际的拍摄图像。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于多光谱遥感技术开采方法。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明一种基于多光谱遥感技术开采方法，具体包括如下步骤：
S1.收集信息：针对目标区域收集对应的地质物化探信息、地貌信息和多光谱遥感信息，其中多光谱遥感图像基于卫星定位图像或无人机航拍图像；
S2.确定图像解释；根据卫星拍摄的高空地貌信息以及现场所调查的资源环境信息，以8×8像素为基本点，按使用者的选中区域形成名词解释，并对应至多光谱遥感图像中，形成颜色特征值；
S3.建立反射光谱区间：设置反射光谱区间以不同反射光谱率，区分详细勘测区域和空白区域，并结合S2中颜色特征值形成优选光谱，且归一化处理；
S4.建立神经网络算法：设置样本数据库，将S2-S3中的处理流程、区域块解释和8×8像素样本点均置入样本数据库中，基于图像分析模块resnet50残差网络算法，对图像解析；
S5.优化图像：基于MPH人机交互算法，将图像上的地面覆盖物以高亮度和底亮度构成区分，并使单个覆盖物掩膜，片状覆盖物呈色块状区别。
作为本发明的一种优选技术方案，所述步骤S3中的光谱率范围为1.0～2.4μm，用于对烃类物质的检测，其详细的检测范围亦输入至神经网络算法中。
作为本发明的一种优选技术方案，所述步骤S4中的图像分析模块resnet50残差网络算法还包含有softmax函数和proposal层回归算法，具体步骤如下：
即基于8×8像素组合，按特征提取目标点，在构成特征目标点的范围像素组合，重叠复制形成32×32像素的区间，并与原有的像素区域对比，在特征锚点为正向时，判断特征提取点为否，特征锚点为负向时，判断特征提取点为是，再将为负向的特征点均指定为联接层，用以判定目标类别。
作为本发明的一种优选技术方案，所述resnet50残差网络算法包含有卷积运算、池化运算和relufull函数，用于多光谱遥感图像的分割对比处理。
作为本发明的一种优选技术方案，所述步骤S1的地貌信息还包含有：自然地理环境、社会经济环境、开采特征环境和开采位置分布。
作为本发明的一种优选技术方案，所述步骤S1的地质物化探信息包含有地质高差和地质构成，其中地质高差包含有剖面图和高程图。
与现有技术相比，本发明的有益效果如下：
本发明对获取到的图像基于神经网络循环处理，在深度学习后即可按照已知图像划分多光谱图像颜色，并基于多层次像素点构成高锐化性分界图，且在多像素点情况下，鲁棒性更好，尤其是在特定光谱率下，能够形成双向验证效果，进一步增加图像的稳定性。
具体实施方式
以下本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
本发明提供一种基于多光谱遥感技术开采方法，具体包括如下步骤：
S1.收集信息：针对目标区域收集对应的地质物化探信息、地貌信息和多光谱遥感信息，其中多光谱遥感图像基于卫星定位图像或无人机航拍图像；
S2.确定图像解释；根据卫星拍摄的高空地貌信息以及现场所调查的资源环境信息，以8×8像素为基本点，按使用者的选中区域形成名词解释，并对应至多光谱遥感图像中，形成颜色特征值；
S3.建立反射光谱区间：设置反射光谱区间以不同反射光谱率，区分详细勘测区域和空白区域，并结合S2中颜色特征值形成优选光谱，且归一化处理；
S4.建立神经网络算法：设置样本数据库，将S2-S3中的处理流程、区域块解释和8×8像素样本点均置入样本数据库中，基于图像分析模块resnet50残差网络算法，对图像解析；
S5.优化图像：基于MPH人机交互算法，将图像上的地面覆盖物以高亮度和底亮度构成区分，并使单个覆盖物掩膜，片状覆盖物呈色块状区别。
步骤S3中的光谱率范围为1.0～2.4μm，用于对烃类物质的检测，其详细的检测范围亦输入至神经网络算法中。
步骤S4中的图像分析模块resnet50残差网络算法还包含有softmax函数和proposal层回归算法，具体步骤如下：
即基于8×8像素组合，按特征提取目标点，在构成特征目标点的范围像素组合，重叠复制形成32×32像素的区间，并与原有的像素区域对比，在特征锚点为正向时，判断特征提取点为否，特征锚点为负向时，判断特征提取点为是，再将为负向的特征点均指定为联接层，用以判定目标类别。
resnet50残差网络算法包含有卷积运算、池化运算和relufull函数，用于多光谱遥感图像的分割对比处理。
步骤S1的地貌信息还包含有：自然地理环境、社会经济环境、开采特征环境和开采位置分布。
步骤S1的地质物化探信息包含有地质高差和地质构成，其中地质高差包含有剖面图和高程图。
本发明由于基于图像分析模块resnet50残差网络算法，学习效率更高，在像素点数目较多的情况下，将所获得的图像分割后按名词解释对目标区域分割后，即可自动形成特定的区域范围，无需反复操作，这里以天然气的开采为例。
天然气的异常区和背景区即具有明显差异，烃类物质在2.31μm和2.35μm附近有明显的烃类吸收谱带，即首先能够基于此种特征形成单一的验证方式。
而上述流程下，使用者仅选中地貌信息目标区域形成识别解释，则能够将整篇区域根据步骤S4分类，分类后的区域则在样本数据库下所形成的联接层相互对比，在图像中显示并标识对应的因地理相似度，可能会出现的天然气资源，在有重合之处则显著标识出大概率会出现的天然气资源，即构成了双向验证性。
由于开采范围有时会影响到附近已产生的坑道或具有社会经济影响的建筑物等，因此在步骤S5下，即对单个覆盖物单独处理，对于整片覆盖物再次于多光谱中标识，并在先置的地质物化探信息和地貌信息下，对目标物识别并重叠标识不同种光谱图像，从而使其色彩变换，具体示例如：在已开采处附近即具有其它可开采区域，而其它可开采区域表面覆盖有大量覆盖物，此时即能够于已开采处利用已有设备再次挖掘即可，无需反复在地面上重新立项开采，且已开采处能够根据空间纹理显著提高边缘像素锐化程度，必要时还能够基于现有开采处直接测算目标区域的距离。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (6)
1.一种基于多光谱遥感技术开采方法，其特征在于，具体包括如下步骤：
S1.收集信息：针对目标区域收集对应的地质物化探信息、地貌信息和多光谱遥感信息，其中多光谱遥感图像基于卫星定位图像或无人机航拍图像；
S2.确定图像解释；根据卫星拍摄的高空地貌信息以及现场所调查的资源环境信息，以8×8像素为基本点，按使用者的选中区域形成名词解释，并对应至多光谱遥感图像中，形成颜色特征值；
S3.建立反射光谱区间：设置反射光谱区间以不同反射光谱率，区分详细勘测区域和空白区域，并结合S2中颜色特征值形成优选光谱，且归一化处理；
S4.建立神经网络算法：设置样本数据库，将S2-S3中的处理流程、区域块解释和8×8像素样本点均置入样本数据库中，基于图像分析模块resnet50残差网络算法，对图像解析；
S5.优化图像：基于MPH人机交互算法，将图像上的地面覆盖物以高亮度和底亮度构成区分，并使单个覆盖物掩膜，片状覆盖物呈色块状区别。
2.根据权利要求1所述的一种基于多光谱遥感技术开采方法，其特征在于，所述步骤S3中的光谱率范围为1.0～2.4μm，用于对烃类物质的检测，其详细的检测范围亦输入至神经网络算法中。
3.根据权利要求1所述的一种基于多光谱遥感技术开采方法，其特征在于，所述步骤S4中的图像分析模块resnet50残差网络算法还包含有softmax函数和proposal层回归算法，具体步骤如下：
即基于8×8像素组合，按特征提取目标点，在构成特征目标点的范围像素组合，重叠复制形成32×32像素的区间，并与原有的像素区域对比，在特征锚点为正向时，判断特征提取点为否，特征锚点为负向时，判断特征提取点为是，再将为负向的特征点均指定为联接层，用以判定目标类别。
4.根据权利要求3所述的一种基于多光谱遥感技术开采方法，其特征在于，所述resnet50残差网络算法包含有卷积运算、池化运算和relufull函数，用于多光谱遥感图像的分割对比处理。
5.根据权利要求1所述的一种基于多光谱遥感技术开采方法，其特征在于，所述步骤S1的地貌信息还包含有：自然地理环境、社会经济环境、开采特征环境和开采位置分布。
6.根据权利要求1所述的一种基于多光谱遥感技术开采方法，其特征在于，所述步骤S1的地质物化探信息包含有地质高差和地质构成，其中地质高差包含有剖面图和高程图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111199570.4A CN113837972A (zh) | 2021-10-14 | 2021-10-14 | 一种基于多光谱遥感技术开采方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111199570.4A CN113837972A (zh) | 2021-10-14 | 2021-10-14 | 一种基于多光谱遥感技术开采方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113837972A true CN113837972A (zh) | 2021-12-24 |
Family
ID=78968931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111199570.4A Pending CN113837972A (zh) | 2021-10-14 | 2021-10-14 | 一种基于多光谱遥感技术开采方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837972A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学（武汉） | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
| CN111742329A (zh) * | 2020-05-15 | 2020-10-02 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
| CN112489054A (zh) * | 2020-11-27 | 2021-03-12 | 中北大学 | 一种基于深度学习的遥感图像语义分割方法 |
| CN112508001A (zh) * | 2020-12-03 | 2021-03-16 | 安徽理工大学 | 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法 |
| US10997707B1 (en) * | 2018-02-27 | 2021-05-04 | Orbital Sidekick, Inc. | Aerial and space-based hyperspectral imaging system and method for hydrocarbon and chemical industry regulatory compliance, leak detection and product speciation |
-
2021
- 2021-10-14 CN CN202111199570.4A patent/CN113837972A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| US10997707B1 (en) * | 2018-02-27 | 2021-05-04 | Orbital Sidekick, Inc. | Aerial and space-based hyperspectral imaging system and method for hydrocarbon and chemical industry regulatory compliance, leak detection and product speciation |
| CN109558859A (zh) * | 2018-12-13 | 2019-04-02 | 中国地质大学（武汉） | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 |
| CN111742329A (zh) * | 2020-05-15 | 2020-10-02 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
| CN112489054A (zh) * | 2020-11-27 | 2021-03-12 | 中北大学 | 一种基于深度学习的遥感图像语义分割方法 |
| CN112508001A (zh) * | 2020-12-03 | 2021-03-16 | 安徽理工大学 | 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱彦虎 等: "基岩裸露区基于多光谱遥感影像的快速地质解译――以甘肃北山黑山地区为例", 《甘肃科技纵横》, vol. 45, no. 9, pages 14 - 17 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pan et al. | Detection of asphalt pavement potholes and cracks based on the unmanned aerial vehicle multispectral imagery | |
| Bouziani et al. | Automatic change detection of buildings in urban environment from very high spatial resolution images using existing geodatabase and prior knowledge | |
| Koike et al. | Lineament analysis of satellite images using a Segment Tracing Algorithm (STA) | |
| Dobos et al. | The use of DEM and satellite data for regional scale soil databases | |
| CN107784283A (zh) | 面向对象的无人机高分影像煤火区土地覆被分类方法 | |
| CN105335966A (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
| Salati et al. | Lithological mapping and fuzzy set theory: Automated extraction of lithological boundary from ASTER imagery by template matching and spatial accuracy assessment | |
| CN109816707A (zh) | 一种基于高分辨率卫星影像的露天采矿场信息提取方法 | |
| CN114066876B (zh) | 一种基于分类结果及cva-sgd法的建筑垃圾变化检测方法 | |
| Liu et al. | A geomorphological model for landslide detection using airborne LIDAR data | |
| CN113378912B (zh) | 一种基于深度学习目标检测的林区非法开垦地块检测方法 | |
| Ishidoshiro et al. | Geological mapping by combining spectral unmixing and cluster analysis for hyperspectral data | |
| Pulvirenti et al. | Near real-time generation of a country-level burned area database for Italy from Sentinel-2 data and active fire detections | |
| CN113837972A (zh) | 一种基于多光谱遥感技术开采方法 | |
| Kux et al. | Object-based image analysis using QuickBird satellite images and GIS data, case study Belo Horizonte (Brazil) | |
| Gecen et al. | Road detection from high and low resolution satellite images | |
| Demattê et al. | Pedological mapping through integration of digital terrain models spectral sensing and photopedology | |
| Kwok et al. | Deep learning approach for rock outcrops identification | |
| Wu et al. | Detection of Spatiotemporal Changes of Surface Mining Area in Changting County Southeast China | |
| CN110427961B (zh) | 一种基于规则和样本融合的建筑信息提取方法及系统 | |
| Chinkaka | Integrating Worldview-3, Aster and aeromagnetic data for lineament structural intepretation and tectonic evolution of the Haib Area, Nambia | |
| CN109916839B (zh) | 一种基于高分遥感影像的露头残煤燃烧中心精准探测方法 | |
| Park et al. | Creating a digital outcrop model by using hyper-spectrometry and terrestrial LiDAR | |
| Widipaminto et al. | Roof materials identification based on pleiades spectral responses using supervised classification | |
| Ferrara et al. | Brownfield identification: different approaches for analysing data detected by means of 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 |