CN114662626A - 多源遥感数据多特征融合的岩性自动分类方法及系统 - Google Patents

多源遥感数据多特征融合的岩性自动分类方法及系统 Download PDF

Info

Publication number
CN114662626A
CN114662626A CN202210581575.1A CN202210581575A CN114662626A CN 114662626 A CN114662626 A CN 114662626A CN 202210581575 A CN202210581575 A CN 202210581575A CN 114662626 A CN114662626 A CN 114662626A
Authority
CN
China
Prior art keywords
lithology
data
remote sensing
classification
characteristic
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
CN202210581575.1A
Other languages
English (en)
Inventor
帅爽
张志�
马梓程
王亚毛
彭艳鹏
熊忠招
谢菲
王旭
龚元夫
陈思
肖瑶
谢翠容
岳常海
孙天成
孟丹
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.)
Hubei Institute Of Land Surveying And Mapping
China University of Geosciences
Original Assignee
Hubei Institute Of Land Surveying And Mapping
China University of Geosciences
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 Hubei Institute Of Land Surveying And Mapping, China University of Geosciences filed Critical Hubei Institute Of Land Surveying And Mapping
Priority to CN202210581575.1A priority Critical patent/CN114662626A/zh
Publication of CN114662626A publication Critical patent/CN114662626A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种多源遥感数据多特征融合的岩性自动分类方法及系统，方法包括：获取多源遥感数据；提取多尺度光学遥感特征，构建光谱与纹理特征空间并进行光谱与纹理特征优选；提取雷达遥感特征，并面向岩性识别进行雷达遥感特征优选；提取多类型地形因子，并面向岩性识别进行地形因子优选；结合优选后的光谱与纹理特征、雷达遥感特征及地形因子特征，构建岩性分类特征空间，并基于岩性分类特征空间，结合监督分类算法和各岩性单元训练样本建立岩性自动分类模型，实现多源遥感数据多特征融合的岩性自动分类。本发明解决岩石像元间的“特征相异性”和“特征相似性”对基于单一类型遥感特征岩性分类精度的影响以及多源遥感特征特征冗余问题。

Description

多源遥感数据多特征融合的岩性自动分类方法及系统
技术领域
本发明属于遥感数据处理技术领域，尤其涉及面向岩性识别的光学、雷达、数字高程模型（Digital Elevation Model; DEM）等多源遥感数据多特征提取方法、高维特征集优化与岩性分类特征空间构建方法以及岩性自动分类方法，具体为一种多源遥感数据多特征融合的岩性自动分类方法及系统。
背景技术
前人研究证实了利用光学遥感数据提取的光谱和纹理特征、利用雷达遥感数据提取的结构参数（后向散射系数和极化分解特征）和利用数字高程模型提取的地形因子等多源遥感特征对岩性自动分类的有效性。
遥感数据的光谱和纹理信息是应用于岩性分类的最基本信息。遥感数据的光谱信息能够反应地表不同类型矿物、岩石对不同波长入射光的选择性吸收、反射、透射和散射的综合特征差异，进而用于识别矿物、岩石类别。遥感图像纹理信息反应了图像中辐射亮度值的空间变化，也是用于识别对象的重要特征。随着SPOT、 QuickBird、WorldView及国产高分系列等高空间分辨率遥感数据（高分数据） 投入使用，其图像纹理特征较好的显示了岩石地层中的层理、节理、断裂等线性构造特征及岩性单元之间的接触关系，同时影像空间分辨率的提高也是解决混合像元现象的最有效途径。另外，从单一中分多光谱数据源同时提取光谱信息和纹理信息并应用于岩性分类已成为提高分类精度常用而有效的方法。
雷达影像反映的是雷达后向散射系数的相关信息，而后向散射系数是地表粗糙度、地形起伏以及地物的介电常数的综合反映。不同岩石介电常数存在着差异，这种差异为利用雷达影像后向散射系数进行岩性识别提供了依据。
遥感地形信息提供了地貌特征的定量描述，同时岩石类型与地貌成因类型密切相关。同时，地形信息可以反映出不同岩性侵蚀和风化差异，进而辅助岩性分类。
但不同类型遥感特征影像上均存在相同岩石类型像元间的“特征相异性”和不同岩石类型像元间的“特征相似性”的现象，因此，基于单一类型遥感特征进行岩性分类难以获得稳定的分类效果。近年来，也有部分研究尝试结合多类型遥感特征开展岩性自动分类，但这些研究中大多基于单一方法提取相关特征，未考虑不同方法提取特征的互补性。同时，这些研究大多将多类型遥感特征简单叠加，未对多源遥感特征进行优选，可能造成一定数据冗余，影响岩性分类效率与精度。
经检索，公开号CN113449469A的中国专利于2021年9月28日公开了一种基于多源信息融合的斜坡浅表层岩土工程性质区划方法，其采用不同源的三种土地利用数据，结合其各自提供的有效信息，通过数据融合方式，实现斜坡浅表层岩土工程性质区划划分。该专利申请仅是针对不同源土地数据的多源信息融合，未考虑同一数据多种类型遥感特征的融合。
又如公开号CN113625363A的中国专利于2021年11月9日公开的一种找矿方法，该方法基于雷达影像数据和多源遥感影像数据，从多个角度综合多种影像数据来提取多种信息来实现找矿靶区的确定，但是该方法基于单一方法提取相关特征，未考虑不同方法提取特征的互补性。
发明内容
为克服上述现有技术的不足，本发明提供一种多源遥感数据多特征融合的岩性自动分类方法及系统，用以解决岩石像元间的“特征相异性”和“特征相似性”对基于单一类型遥感特征岩性分类精度的影响以及多源遥感特征特征冗余问题。
根据本发明说明书的一方面，提供一种多源遥感数据多特征融合的岩性自动分类方法，包括：
获取多源遥感数据；
提取多尺度光学遥感特征，构建光谱与纹理特征空间并进行光谱与纹理特征优选；
提取雷达遥感特征，并面向岩性识别进行雷达遥感特征优选；
提取多类型地形因子，并面向岩性识别进行地形因子优选；
结合优选后的光谱与纹理特征、雷达遥感特征及地形因子特征，构建岩性分类特征空间，并基于岩性分类特征空间，结合监督分类算法和各岩性单元训练样本建立岩性自动分类模型，实现多源遥感数据多特征融合的岩性自动分类。
上述技术方案通过提取多源遥感数据光谱、纹理、结构和地形特征并进行特征优选，有效结合多源遥感特征对岩性自动识别的优势，面向岩性自动识别，实现多源遥感数据的优劣势互补，相较于单一遥感数据源和单一遥感特征的岩性自动分类，能够有效地提升岩性自动分类精度。
作为进一步的技术方案，获取多源遥感数据进一步包括：分别采集多光谱数据、高分数据、雷达遥感数据和DEM数据；对采集的高分数据和多光谱数据依次进行辐射校正、大气校正、正射校正、裁剪，得到预处理后的高分数据和多光谱反射率数据；对采集的雷达遥感数据进行热噪声去除、边界噪声去除、定标、Speckle滤波和多普勒地形校正，得到预处理后的后向散射数据；将预处理后的高分数据、多光谱反射率数据、后向散射数据和DEM数据重采样至同一空间分辨率下，并进行空间位置配准。
进一步地，多光谱数据宜收集ATSER数据、Landsat数据和Sentinel-2数据等，ASTER 数据在短波红外和热红外波段光谱分辨率高，有利于岩性识别。高分数据可收集WorldView系列、QuickBird系列和高分系列数据。雷达遥感数据可收集有Sentinel-1单视复数影像（SLC，Single Look Complex）和地距影像（GRD, Ground Range Detected）。DEM数据可收集12.5m分辨率的PALSAR DEM数据。
作为进一步的技术方案，构建光谱与纹理特征空间，进一步包括：利用高分数据和多光谱反射率数据提取多类型光谱特征，形成多类型光谱特征集；利用高分数据提取多尺度纹理特征，形成多尺度纹理特征集；将多类型光谱特征集和多尺度纹理特征集进行合并，形成光谱与纹理特征空间。
利用高分数据与多光谱数据提取多类型光谱特征进一步包括：对预处理后的各类型高分数据与多光谱数据，利用主成分分析（PCA）、最小噪声分离（MNF）、独立主成分变换（ICA）、缨帽变换（TC）等算法进行光谱信息提取，将不同数据不同方法提取的光谱特征进行波段绑定，形成多类型光谱特征集。
利用高分数据提取多尺度纹理特征进一步包括：计算预处理后高分数据各波段图像协方差值，选取协方差最大的波段图像，利用灰度共生矩阵方法，按照不同统计参数、不同提取窗口大小、不同窗口移动方向提取多尺度纹理特征，形成多尺度纹理特征集。提取纹理特征的统计参数包含均值（Mean）、方差（Variance，VAR）、同质性（Homogeneity，HOM）、对比度（Contrast，CON）、相异度（Dissimilarity， DIS）、熵（Entropy，ENT）、二阶矩（Secondmoment，SM）和相关性（Correlation， COR）等。
作为进一步的技术方案，对光谱与纹理特征进行优选，进一步包括：引入广义正态分布优化算法，结合各岩性单元训练样本，对光谱与纹理特征进行优选。
具体地，将对高维光谱纹理数据集（即光谱与纹理特征空间）进行降维和面向岩性分类的特征优选的问题，转化为以总体分类精度提升为目标的特征优化问题，引入GNDO算法建立特征优化模型，以迭代计算方式实现光谱与纹理特征空间优化，由于GNDO算法的本质是随机性的，运行20次各算法，选择各结果中重复出现15次及以上的波段作为最终波段特征空间优化结果。
作为进一步的技术方案，提取雷达遥感特征，并面向岩性识别进行雷达遥感特征优选，进一步包括：对雷达遥感数据进行极化分解，获得极化分解特征；基于各岩性单元训练样本，计算后向散射系数和极化分解特征的各岩性单元训练样本像元均值，并对比同一特征上各岩性单元训练样本像元均值，选取各岩性单元像元均值差异大的雷达遥感特征作为优选后的雷达遥感特征。
进一步地，首先选用Cloude算法、Freeman算法、Van Zyl算法、Yamaguchi算法和H-A-Alpha算法等，对雷达遥感数据进行极化分解，获得极化分解特征。然后利用各岩性单元训练样本，计算后向散射系数和极化分解特征的各岩性单元训练样本的像元均值，通过对比分析，选取对于区分研究区岩性单元效果好的雷达遥感特征参与分类。若同一特征因子上的各像元均值差异较大，则区分岩性单元的效果好，可选做优选后的雷达遥感特征；若同一特征因子上的各像元均值差异较小，如在图像中存在堆叠现象，则区分岩性单元的效果差，可删除。
作为进一步的技术方案，提取多类型地形因子，并面向岩性识别进行因子优选，进一步包括：提取地形因子，基于各岩性单元训练样本，计算地形因子中各岩性单元训练样本像元均值，并对比各地形因子上各岩性单元训练样本像元均值，选取同一地形因子上各岩性单元训练样本像元均值差异大的地形因子作为优选后的地形因子。
具体地，基于DEM数据，计算高程（H）、坡度（Slope）、表面粗糙度（SR）、高程积分（Hypsometric Integral，HI）和表面指数（Surface Index，SI）、地形位置因子（Topographic Position Index，TPI）和局部全曲率（Local Total Curvature， LTC）7 种地形因子。基于这7种地形因子，分别计算每一地形因子上各岩性单元训练样本像元均值，并对比同一地形因子上各岩性单元训练样本像元均值的差异；若差异大，则保留该地形因子，否则删除。
作为进一步的技术方案，所述方法进一步包括：选取工作区域各岩性单元训练样本区，以分层随机采样的方式，按照1:1的比例，将各岩性单元训练样本区随机分为训练样本和验证样本，其中训练样本用于岩性自动分类模型的训练，验证样本用于分类结果精度评价。
基于验证样本，利用混淆矩阵方法对获得的岩性分类结果集进行精度评价，计算总体分类精度（Overall Accuracy，OA）、生产者精度（Producer’s Accuracy，PA）、用户精度（User’s Accuracy，UA）和Kappa系数等精度评价指标，以对岩性分类结果进行精度评价。
根据本发明说明书的一方面，提供一种多源遥感数据多特征融合的岩性自动分类系统，包括：
获取模块，用于获取多源遥感数据；
特征提取模块，用于基于预处理后的多源遥感数据，提取多尺度光学遥感特征、雷达遥感特征及多类型地形因子特征；
特征优选模块，用于对提取的多尺度光学遥感特征、雷达遥感特征及多类型地形因子特征进行优选；
特征组合模块，用于将优选后的光谱与纹理特征空间、雷达遥感特征及地形因子特征进行组合，形成岩性分类特征空间；
岩性分类模块，用于基于岩性分类特征空间，结合监督分类算法和各岩性单元训练样本建立岩性自动分类模型，实现多源遥感数据多特征融合的岩性自动分类。
上述技术方案针对岩石像元间的“特征相异性”和“特征相似性”对基于单一类型遥感特征岩性分类精度的影响，利用多特征提取方法，获取多类型、多尺度遥感特征，利用特征间的互补性，提升岩性分类精度，并针对多源遥感特征特征冗余问题，引入广义正态分布优化算法（GNDO），对多源遥感高维度特征集进行特征优化，构建面向岩性自动识别的特征空间，提升岩性自动分类精度。
作为进一步的技术方案，所述获取模块进一步包括：采集模块，用于分别采集多光谱数据、高分数据、雷达遥感数据和DEM数据；光谱数据预处理模块，用于对采集的高分数据和多光谱数据依次进行辐射校正、大气校正、正射校正、裁剪，得到预处理后的高分数据和多光谱反射率数据；雷达数据预处理模块，用于对采集的雷达遥感数据进行热噪声去除、边界噪声去除、定标、Speckle滤波和多普勒地形校正，得到预处理后的后向散射数据；配准模块，用于将预处理后的高分数据、多光谱反射率数据、后向散射数据和DEM数据重采样至同一空间分辨率下，并进行空间位置配准。
与现有技术相比，本发明的有益效果在于：
（1）本发明通过提取多源遥感数据光谱、纹理、结构和地形特征并进行特征优选，有效结合多源遥感特征对岩性自动识别的优势，面向岩性自动识别，实现多源遥感数据的优劣势互补，相较于单一遥感数据源和单一遥感特征的岩性自动分类，能有效地提升岩性自动分类。
（2）本发明引入GNDO优化算法，对高维度光谱纹理特征空间进行降维和面向岩性识别的特征优选，有效解决了高维度特征空间的数据冗余问题，有效提升了岩性分类的效率和精度。
附图说明
图1（a）为根据本发明实施例的多源遥感数据多特征融合的岩性自动分类方法的流程示意图。
图1（b）为根据本发明实施例的特征提取流程示意图。
图1（c）为根据本发明实施例的特征优选、特征组合及自动分类的流程示意图。
图2为根据本发明实施例的试验区岩性分布示意图。
图3为根据本发明实施例的基于PCA的光谱信息提取结果示意图。
图4为根据本发明实施例的不同窗口大小提取纹理图像对比图。
图5为根据本发明实施例的不同窗口移动方向提取纹理图像对比图。
图6为根据本发明实施例的试验区岩性训练样本与验证样本分布图。
图7为根据本发明实施例的光谱纹理数据集特征优化流程图。
图8为根据本发明实施例的雷达遥感特征图像中各岩性单元训练样本像元均值示意图。
图9为根据本发明实施例的地形特征图像中各岩性单元训练样本像元均值示意图。
图10为根据本发明实施例的WorldView-2、ASTER和Sentinel-2数据SVM岩性分类结果示意图。
图11为根据本发明实施例的多源数据多特征融合SVM岩性分类结果示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
根据本发明说明书的一方面，提供一种多源遥感数据多特征融合的岩性自动分类方法，其通过提取多源遥感数据光谱、纹理、结构和地形特征并进行特征优选，有效结合多源遥感特征对岩性自动识别的优势，面向岩性自动识别，实现多源遥感数据的优劣势互补，相较于单一遥感数据源和单一遥感特征的岩性自动分类，能够有效地提升岩性自动分类精度。
作为一种实施方式，所述多源遥感数据多特征融合的岩性自动分类方法，包括特征提取、特征优选、特征组合及自动分类，如图1（a）所示。
具体地，如图1（b）-1（c）所示，所述方法包括以下步骤：
步骤一：收集高空间分辨率遥感数据（高分数据，空间分辨率优于 2.5 米）、多光谱遥感数据、雷达遥感数据和数字高程模型（DEM）数据，并进行预处理。
其中，多光谱数据的波段数及空间分辨率均不低于Landsat-8。高分数据的空间分辨率不低于2.5米。雷达遥感数据为双极化或全极化数据，双极化雷达数据包括：HH极化+HV极化、VV极化+VH极化；全极化雷达数据为：HH极化+HV极化+VV极化+VH极化。数字高程模型（DEM）空间分辨率不低于30米。
步骤1.1，数据采集。
收集遥感数据类型可包括多光谱数据、高分数据、雷达遥感数据和DEM数据，多光谱数据宜收集ATSER数据、Landsat数据和Sentinel-2数据等，ASTER数据在短波红外和热红外波段光谱分辨率高，有利于岩性识别。高分数据可收集 WorldView系列、QuickBird系列和高分系列数据。雷达遥感数据可收集有Sentinel-1单视复数影像（SLC，Single LookComplex）和地距影像（GRD, Ground Range Detected）。DEM数据可收集12.5m分辨率的PALSAR DEM数据。
本次实例所用高分影像为2015年9月10日获取的新疆北山某区域WorldView-2数据；所用的多光谱数据包括2011年4月27日采集的相同区域ASTER数据和2021年10月9日采集的相同区域Sentinel-2数据；所用的雷达遥感数据是2021 年9月1日采集的 Sentinel-1SLC数据和2021年9月3日采集的Sentinel-1 GRD数据，所用的DEM数据为 12.5m空间分辨率的PALSAR DEM数据。收集的各类型影像质量良好。
测区岩性单元包括石炭系红柳园组（
Figure 821827DEST_PATH_IMAGE001
）石英片岩、中二叠世橄榄辉长岩（
Figure 652511DEST_PATH_IMAGE002
）、晚二叠世花岗闪长岩（
Figure 68449DEST_PATH_IMAGE003
） 和晚二叠世钾长花岗岩（
Figure 647067DEST_PATH_IMAGE004
）、晚二叠世花岗岩（
Figure 49229DEST_PATH_IMAGE005
）和第四系（
Figure 780425DEST_PATH_IMAGE006
），如图2所示。
步骤1.2，数据预处理。
对采集的高分数据和多光谱原始影像依次进行辐射校正、大气校正、正射校正、裁剪，得到预处理后的高分数据和多光谱反射率数据。对采集雷达遥感数据进行热噪声去除、边界噪声去除、定标、Speckle滤波和多普勒地形校正等预处理，获取后向散射数据。将预处理后的光学、雷达和DEM数据重采样至同一空间分辨率下，并进行空间位置配准。
实例中，按照实验区范围对经过预处理、统一空间分辨率后的各类型遥感数据进行裁剪，裁剪各类型图像大小为1650×2250。
步骤二：提取多尺度光学遥感特征，构建光谱与纹理特征空间。
利用高分数据和多光谱，结合不同特征提取方法和参数，提取多类型光谱特征与多尺度纹理特征，构建光谱与纹理特征空间。
步骤2.1，利用高分数据与多光谱数据提取多类型光谱特征。
对预处理后的各类型高分数据与多光谱数据，利用主成分分析（PCA）、最小噪声分离（MNF）、独立主成分变换（ICA）、缨帽变换（TC）等算法进行光谱信息提取，将不同数据不同方法提取的光谱特征进行波段绑定，形成多类型光谱特征集。
本实施例中，使用的ASTER数据短波红外波段和热红外波段空间分辨率不一致，分别利用PCA、MNF、ICA、TC算法对WorldView-2数据、Sentinel-2数据、ASTER近红外-短波红外数据、ASTER热红外数据进行光谱信息提取。各类型数据基于 PCA 的光谱信息提取结果如图3所示。将不同数据不同方法提取的光谱特征进行波段绑定，获得102波段的多类型光谱特征集。
步骤2.2，利用高分遥感数据提取多尺度纹理特征。
计算预处理后高分遥感数据各波段图像协方差值，选取协方差最大的波段图像，利用灰度共生矩阵方法，按照不同统计参数、不同提取窗口大小、不同窗口移动方向提取多尺度纹理特征。
提取纹理特征的统计参数包含均值（Mean）、方差（Variance，VAR）、同质性（Homogeneity，HOM）、对比度（Contrast，CON）、相异度（Dissimilarity，DIS）、熵（Entropy，ENT）、二阶矩（Second moment，SM）和相关性（Correlation，COR）等。
各统计参量计算公式如下：
Figure 852417DEST_PATH_IMAGE007
其中
Figure 669063DEST_PATH_IMAGE008
为图像行列号，
Figure 251748DEST_PATH_IMAGE009
为像元值。
Figure 103029DEST_PATH_IMAGE010
其中
Figure 736136DEST_PATH_IMAGE011
为图像行列号，
Figure 321969DEST_PATH_IMAGE012
为像元值，
Figure 65934DEST_PATH_IMAGE013
为图像均值。
Figure 771722DEST_PATH_IMAGE014
其中
Figure 949631DEST_PATH_IMAGE011
为图像行列号，
Figure 475291DEST_PATH_IMAGE009
为像元值。
Figure 898313DEST_PATH_IMAGE015
其中
Figure 865132DEST_PATH_IMAGE011
为图像行列号，
Figure 964675DEST_PATH_IMAGE016
为像元值，
Figure 649734DEST_PATH_IMAGE017
。
Figure 129911DEST_PATH_IMAGE018
其中
Figure 216816DEST_PATH_IMAGE019
为图像行列号，
Figure 221681DEST_PATH_IMAGE020
为像元值，
Figure 738244DEST_PATH_IMAGE021
。
Figure 627702DEST_PATH_IMAGE022
其中
Figure 428168DEST_PATH_IMAGE023
为图像行列号，
Figure 118781DEST_PATH_IMAGE020
为像元值。
Figure 512854DEST_PATH_IMAGE024
其中
Figure 330637DEST_PATH_IMAGE011
为图像行列号，
Figure 126555DEST_PATH_IMAGE016
为像元值。
Figure 755113DEST_PATH_IMAGE025
其中
Figure 964378DEST_PATH_IMAGE026
为图像行列号，
Figure 41312DEST_PATH_IMAGE027
为像元值，
Figure 19632DEST_PATH_IMAGE028
和
Figure 819092DEST_PATH_IMAGE029
分别是
Figure 187756DEST_PATH_IMAGE030
的均值和均方差。
本实施例中，选取WorldView-2数据中协方差值最大（603.11）的第7波段 （770-895nm）进行纹理计算。纹理特征提取时，按照3×3、5×5、7×7、9×9、11×11五种窗口大小和0°、45°、90°和 135°四种移动窗口方向，按照均值等8种统计参量提取了160组多尺度纹理图像。
图4为0°窗口移动方向下，利用3×3、5×5、7×7、9×9、11×11五种窗口大小提取的熵（entropy）纹理图像，可以看出，随着纹理提取窗口的增大，岩石单元内部纹理特征逐渐均一，椒盐噪声减少，岩性单元间的界线也逐渐清晰，尤其是第四系（
Figure 347342DEST_PATH_IMAGE031
）与基岩的界线逐渐清晰，但随着纹理提取窗口的增大，一些小型地质体的纹理和边界特征也可能被掩盖，导致部分小型地质体难以被识别。
图5为使用9×9窗口大小，以0°、45°、90°和 135°的窗口移动方向提取的相异度（dissimilarity）纹理图像，可以看出，按照不同窗口移动方向提取的纹理图像上，岩石单元显示出的图像特征不同，以 90°的窗口移动方向提取的纹理图像上钾长花岗岩（
Figure 852273DEST_PATH_IMAGE032
）与周围地质体差异更明显，以135°的窗口移动方向提取的纹理图像上第四系（
Figure 790011DEST_PATH_IMAGE031
）的边界更清晰，以90°或 135°的窗口移动方向提取的纹理图像上，东西向的构造更清晰。
步骤2.3，构建光谱与纹理特征空间。将提取多类型光谱特征集和多尺度纹理特征集合并，形成光谱与纹理特征空间。
本实施例中，将获得102波段的多类型光谱特征集和160组多尺度纹理图像合并，形成262维光谱与纹理特征空间。
步骤三：引入广义正态分布优化算法，结合岩性单元训练样本，对光谱与纹理特征空间进行优化。
步骤3.1，训练样本获取。
收集工作区地质图并开展野外踏勘，选取工作区域各岩性单元训练样本区，以分层随机采样的方式，按照 1:1 的比例，将各岩性单元训练样本区随机分为训练样本和验证样本，分别用于自动分类模型的训练和分类结果精度的评价。
结合区域地质图及报告和多源遥感影像特征，依据野外调查结果，选取研究区各岩石单元进行训练样本区，最终选取石炭系红柳园组石英片岩（
Figure 973867DEST_PATH_IMAGE033
）样本区121个、晚二叠世花岗岩（
Figure 687876DEST_PATH_IMAGE034
）样本区4个、晚二叠世花岗闪长岩（
Figure 47314DEST_PATH_IMAGE035
） 样本区58个，中二叠世橄榄辉长岩（
Figure 437844DEST_PATH_IMAGE036
）样本区54个、晚二叠世钾长花岗 岩（
Figure 515521DEST_PATH_IMAGE037
）样本区49个和第四系（
Figure 263247DEST_PATH_IMAGE038
）样本区42个。以分层随机采样的方式，将各岩石单元样本区随机分为训练样本和验证样本，分别用于岩性自动分类模型的训练和分类结果精度的评价，研究区岩性单元训练样本分布如图6所示。
步骤3.2，光谱与纹理特征空间优化。
将对高维光谱纹理数据集进行降维和面向岩性分类的特征优选的问题，转化为以总体分类精度提升为目标的特征优化问题，引入GNDO算法建立特征优化模型，以迭代计算方式实现光谱与纹理特征空间优化。由于GNDO算法的本质是随机性的，运行20次各算法，选择各结果中重复出现15次及以上的波段作为最终波段特征空间优化结果。
所述步骤3.2中引入GNDO算法建立特征优化模型，以迭代计算方式实现光谱与纹理特征空间优化，流程如图7所示。详细过程如下：
步骤3.2（1），参数初始化设置。
初始个体数量设置为20个，即20个特征组合方案，最大迭代次数均设置为200次，迭代次数为 t（t = 1,2, …, 200），适应度函数选择K最近邻（KNN， K-Nearest Neighbor）方法计算的总体分类精度（OA）。
步骤3.2（2），输入归一化的光谱纹理数据集和训练样本数据，训练样本数量和验证样本数量比例设置为 3:7。
步骤3.2（3），进行迭代运算。
当 t≤200，运行GNDO优化算法，构建分类模型，利用验证样本完成精度评价，特征优选结果及其分类精度（
Figure 742770DEST_PATH_IMAGE039
）；当 t＞200，终止运算，计算
Figure 304202DEST_PATH_IMAGE040
，获得其对应的特征选择结果为最终特征优化结果。
所述步骤3.2（3）中，运行GNDO优化算法，构建分类模型。
其中GNDO优化算法如下：
步骤①，参数设置。
种群数量
Figure 869175DEST_PATH_IMAGE041
，变量数量上限
Figure 659408DEST_PATH_IMAGE042
，变量数量下限
Figure 383650DEST_PATH_IMAGE043
，当前迭代次数
Figure 725770DEST_PATH_IMAGE044
，最大迭代次数
Figure 620782DEST_PATH_IMAGE045
。
步骤②，初始化种群，公式如下：
Figure 463974DEST_PATH_IMAGE046
其中 D 为设计变量数量，
Figure 527876DEST_PATH_IMAGE047
为第
Figure 306476DEST_PATH_IMAGE048
个设计变量的上界，
Figure 705096DEST_PATH_IMAGE049
为第
Figure 961765DEST_PATH_IMAGE050
个设计变量的下界，
Figure 647218DEST_PATH_IMAGE051
是0到1之间的随机数。
步骤③，计算每个个体的适应度值，并获得当前最优解
Figure 596719DEST_PATH_IMAGE052
。
步骤④，通过局部搜索和全局搜索，进行迭代更新。
更新当前迭代次数
Figure 295685DEST_PATH_IMAGE053
。
当
Figure 949520DEST_PATH_IMAGE054
，对种群的中的每个个体
Figure 752129DEST_PATH_IMAGE055
生成一个0到1的随机数
Figure 872532DEST_PATH_IMAGE056
； 当
Figure 245744DEST_PATH_IMAGE056
值大于0.5，进行局部搜索计算，选择当前最优解
Figure 109795DEST_PATH_IMAGE057
，并计算中值位置
Figure 268375DEST_PATH_IMAGE058
，如下：
Figure 559679DEST_PATH_IMAGE059
计算广义均值位置
Figure 420188DEST_PATH_IMAGE060
，广义标准差
Figure 87929DEST_PATH_IMAGE061
和决定因子
Figure 491229DEST_PATH_IMAGE062
。
Figure 58827DEST_PATH_IMAGE063
Figure 547577DEST_PATH_IMAGE064
Figure 143643DEST_PATH_IMAGE065
其中
Figure 135870DEST_PATH_IMAGE066
为0到1之间的随机数，
Figure 644343DEST_PATH_IMAGE067
为当前最优位置，
Figure 354810DEST_PATH_IMAGE068
为当前种群个体的平均位置。
通过以下过程完成局部搜索计算。
Figure 488988DEST_PATH_IMAGE069
其中
Figure 335721DEST_PATH_IMAGE070
为第
Figure 779210DEST_PATH_IMAGE071
个个体在第
Figure 711394DEST_PATH_IMAGE072
次迭代中的轨迹向量。
Figure 649263DEST_PATH_IMAGE073
当
Figure 350502DEST_PATH_IMAGE074
值小于等于0.5时，进行全局搜索计算。
GNDO的全局探索是基于三个随机选择的个体进行计算：
Figure 466357DEST_PATH_IMAGE075
其中
Figure 151416DEST_PATH_IMAGE076
代表局部信息共享，表示个体
Figure 361818DEST_PATH_IMAGE077
与个体
Figure 183143DEST_PATH_IMAGE078
进行信息共享，
Figure 971364DEST_PATH_IMAGE079
代表全局信息共享，表示个体
Figure 143719DEST_PATH_IMAGE078
与个体
Figure 423391DEST_PATH_IMAGE080
进行信息共享，
Figure 99223DEST_PATH_IMAGE081
和
Figure 556880DEST_PATH_IMAGE082
是满足正态分布的两个随机数，调整参数
Figure 950953DEST_PATH_IMAGE083
是0到1的随机数，调整参数
Figure 768736DEST_PATH_IMAGE084
用于平衡两种信息共享策略。
Figure 564654DEST_PATH_IMAGE085
和
Figure 426168DEST_PATH_IMAGE086
是两个轨迹向量，
Figure 41957DEST_PATH_IMAGE085
和
Figure 663431DEST_PATH_IMAGE087
的计算如下：
Figure 313856DEST_PATH_IMAGE088
Figure 113315DEST_PATH_IMAGE089
其中
Figure 216401DEST_PATH_IMAGE090
是满足
Figure 641566DEST_PATH_IMAGE091
的1到
Figure 412076DEST_PATH_IMAGE092
的随机整数。此外，
Figure 878042DEST_PATH_IMAGE093
和
Figure 468424DEST_PATH_IMAGE094
是满足标准正态分布的随机数，这使得GNDO在进行全局搜索的过程中具有更大的搜索空间。
引入GNDO算法，对光谱纹理特征空间进行降维和特征优化后，优化结果包含32个特征，其中包含原始光谱波段1个、主成分变换波段2个、最小噪声分离波段5个、独立主成分变换波段3个、缨帽变换波段1个、3×3 窗口大小提取的纹理图像3个、5×5窗口大小提取的纹理图像2个、7×7窗口大小提取的纹理图像6个、9×9窗口大小提取的纹理图像3个、11×11窗口大小提取的纹理图像6个。
步骤四：利用雷达遥感数据，提取后向散射系数和极化分解特征等雷达遥感特征，面向岩性识别进行特征优选。
步骤4.1，选用Cloude算法、Freeman算法、Van Zyl 算法、Yamaguchi算法和H-A-Alpha算法等，对雷达遥感数据，进行极化分解，获得极化分解特征。
步骤4.2，对雷达遥感特征进行优选。
利用步骤3.1中获得的各岩性单元训练样本，计算步骤1.2中获得后向散射系数和步骤4.1极化分解特征中各岩性单元训练样本像元均值，通过对比分析，选取对于区分研究区岩性单元效果好的雷达遥感特征参与分类。
本实施例中，在对各后向散射图像和极化分解特征进行归一化计算后，利用训练区样本，计算各雷达遥感特征上各岩性单元的像元均值（如图 8），对比各雷达遥感特征对研究区岩性单元类型的区分能力，对提取的各雷达遥感特征进行筛选，最终选择后向散射系数特征：VV、VH，极化分解特征：熵（Entropy）、反熵（Anistropy）、平均散射角
Figure 431700DEST_PATH_IMAGE095
分量1（Alpha1）、平均散射角
Figure 322296DEST_PATH_IMAGE096
分量 2（Alpha2）、 特征值
Figure 588192DEST_PATH_IMAGE097
（分贝值）（L1）、特征值
Figure 541236DEST_PATH_IMAGE098
（分贝值）（L2）、Lambda、拟似机率1（P1）、拟似机率2（P2），共10种雷达遥感特征参与后续岩性自动分类。
步骤五：利用DEM数据，提取多类型地形因子，面向岩性识别进行因子优选。
步骤 5.1，地形因子提取。
基于DEM数据，计算高程（H）、坡度（Slope）、表面粗糙度（SR）、 高程积分（Hypsometric Integral，HI）和表面指数（Surface Index，SI）、地形位置因子（Topographic Position Index，TPI）和局部全曲率（Local Total Curvature，LTC）7种地形因子。
其中H直接从DEM数据中提取，其他地形因子计算公式如下：
Figure 917991DEST_PATH_IMAGE099
其中
Figure 522147DEST_PATH_IMAGE100
分别为计算窗口内像元的高程均值、最大值和最小值。
SR为网格中球面面积与投影面积的比值。
Figure 958945DEST_PATH_IMAGE101
其中
Figure 163399DEST_PATH_IMAGE102
和
Figure 78265DEST_PATH_IMAGE103
分别为计算窗口内像元的表面粗糙度最大值和最小值，
Figure 802508DEST_PATH_IMAGE104
和
Figure 144627DEST_PATH_IMAGE105
分别为计算窗口内像元的高程积分最大值和最小值。
Figure 337843DEST_PATH_IMAGE106
其中
Figure 321979DEST_PATH_IMAGE107
计算窗口内中心像元高程，
Figure 635149DEST_PATH_IMAGE108
为计算窗口内第
Figure 413749DEST_PATH_IMAGE109
个像元的高程值，
Figure 330146DEST_PATH_IMAGE110
为窗口内像元总数。
Figure 852394DEST_PATH_IMAGE111
其中
Figure 426595DEST_PATH_IMAGE112
表示计算窗口
Figure 500730DEST_PATH_IMAGE113
方向二阶偏导数，
Figure 137379DEST_PATH_IMAGE114
表示计算窗口
Figure 197739DEST_PATH_IMAGE115
方向二阶偏导数，
Figure 485501DEST_PATH_IMAGE116
表示
Figure 871482DEST_PATH_IMAGE117
方向偏导数。
步骤5.2，对地形因子进行优选。
利用步骤3.1中获得的各岩性单元训练样本，计算步骤5.1中获得的地形因子图像中各岩性单元训练样本像元均值，通过对比分析，选取对于区分研究区岩性单元效果好的雷达遥感特征参与分类。
本实施例中，在对各地形特征进行归一化计算后，利用训练区样本，计算各地形特征上各岩性单元的像元均值（如图 9），对比各地形特征对研究区岩性单元类型的区分能力，进而对提取的地形特征进行筛选，最终选择高程（H）、坡度（Slope）、表面粗糙度（SR）、高程积分（HI）和地形位置因子（TPI），共5种地形特征参与后续岩性自动分类。
步骤六：结合优化后的光谱与纹理特征空间与雷达遥感特征、地形因子优选结果，构建岩性分类特征空间，利用支持向量机（Support Vector Machine，SVM）算法建立岩性自动分类模型，实现多源遥感数据多特征融合的岩性自动分类。
步骤6.1，将优化后的光谱与纹理特征空间与雷达遥感特征、地形因子优选结果合并，形成岩性分类特征空间。
步骤6.2，利用监督分类算法，结合步骤3.1中获得的各岩性单元训练样本，建立岩性自动分类模型，实现多源遥感数据多特征融合的岩性自动分类。
为对比评价本发明所提出方法的可行性，设计了7组岩性分类型试验，分别对WorldView-2数据、ASTER数据、Sentinel-2数据、步骤2.3中获得的未进行优选的光谱纹理特征空间（ALL分类集，262波段）、步骤三后进过优化的光谱纹理特征空间（GNDO分类集，32波段）、ALL分类集与雷达、地形特征结合的分类集（ALL+SAR+TOPO分类集，277波段）和GNDO分类集与雷达、地形特征结合的分类集（GNDO+SAR+TOPO分类集，47波段），利用SVM算法和相同训练样本，进行岩性自动分类。
步骤6.3，精度评价。
基于验证样本，利用混淆矩阵方法对步骤6.2中获得的分类结果集进行精度评价，计算总体分类精度（Overall Accuracy，OA）、生产者精度（Producer’s Accuracy，PA）、用户精度（User’s Accuracy，UA）和Kappa系数等精度评价指标，并进行精度评价。
其中OA指被分类器正确分类的像元总数与待分类像元总数的比率。PA指某岩性类型的正确分类像元数与该岩性类型的验证数据集中所有像元数的比值。UA指某岩性类型中正确分类的像元数与分类为该岩性类型的所有像元数的比值。
Kappa系数计算公式如下：
Figure 493963DEST_PATH_IMAGE118
其中，
Figure 92434DEST_PATH_IMAGE119
代表混淆矩阵中图像分类正确的单元格的比例，而
Figure 500282DEST_PATH_IMAGE120
则代表混淆矩阵中因偶然因素导致的分类错误比例。
7组岩性分类型试验，WorldView-2数据、ASTER数据、Sentinel-2数据的岩性自动分类结果如图10，多源数据多特征融合分类数据集（ALL 分类集、GNDO 分类集、ALL+SAR+TOPO分类集和GNDO+SAR+TOPO分类集）的岩性自动分类结果如图 11，精度评价结果如表1。
表1 岩性自动分类精度评价表
Figure 401373DEST_PATH_IMAGE121
对比精度评价结果发现，经过多类型光谱特征和多尺度纹理特征组合分类数据集（ALL）获得了优于单一数据源更高的分类精度，与 WorldView-2数据、ASTER数据、Sentinel-2数据的岩性分类精度相比，OA分别提升17.95％、 4.28％、12.01％。
引入GNDO算法，对光谱纹理特征空间（ALL）进行优化的分类特征空间（GNDO），与特征空间（ALL）相比，空间维度大大减少（262维降为32维），同时OA和Kappa系数分别提升0.29％和0.0037，显示出本发明中提出的基于GNDO算法对光谱纹理特征空间进行降维和面向岩性识别的特征优选方法的有效性。
将优化后的光谱与纹理特征空间与雷达遥感特征、地形因子优化结果合并，形成岩性分类特征空间（GNDO+SAR+TOPO）获得了最高的岩性分类精度，OA和 Kappa系数分别为95.9057％和0.9471，显示出本发明提出方法对于提升岩性分类精度的有效性。
根据本发明说明书的一方面，提供一种多源遥感数据多特征融合的岩性自动分类系统，包括：获取模块，用于获取多源遥感数据；特征提取模块，用于基于预处理后的多源遥感数据，提取多尺度光学遥感特征、雷达遥感特征及多类型地形因子特征；特征优选模块，用于对提取的多尺度光学遥感特征、雷达遥感特征及多类型地形因子特征进行优选；特征组合模块，用于将优选后的光谱与纹理特征空间、雷达遥感特征及地形因子特征进行组合，形成岩性分类特征空间；岩性分类模块，用于基于岩性分类特征空间，结合监督分类算法和各岩性单元训练样本建立岩性自动分类模型，实现多源遥感数据多特征融合的岩性自动分类。
所述获取模块进一步包括：采集模块，用于分别采集多光谱数据、高分数据、雷达遥感数据和DEM数据；光谱数据预处理模块，用于对采集的高分数据和多光谱数据依次进行辐射校正、大气校正、正射校正、裁剪，得到预处理后的高分数据和多光谱反射率数据；雷达数据预处理模块，用于对采集的雷达遥感数据进行热噪声去除、边界噪声去除、定标、Speckle滤波和多普勒地形校正，得到预处理后的后向散射数据；配准模块，用于将预处理后的高分数据、多光谱反射率数据、后向散射数据和DEM数据重采样至同一空间分辨率下，并进行空间位置配准。
本发明所述系统针对岩石像元间的“特征相异性”和“特征相似性”对基于单一类型遥感特征岩性分类精度的影响，利用多特征提取方法，获取多类型、多尺度遥感特征，利用特征间的互补性，提升岩性分类精度，并针对多源遥感特征特征冗余问题，引入广义正态分布优化算法（GNDO），对多源遥感高维度特征集进行特征优化，构建面向岩性自动识别的特征空间，提升岩性自动分类精度。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。

Claims (9)

1.多源遥感数据多特征融合的岩性自动分类方法，其特征在于，包括：
获取多源遥感数据；
提取多尺度光学遥感特征，构建光谱与纹理特征空间并进行光谱与纹理特征优选；
提取雷达遥感特征，并面向岩性识别进行雷达遥感特征优选；
提取多类型地形因子，并面向岩性识别进行地形因子优选；
结合优选后的光谱与纹理特征、雷达遥感特征及地形因子特征，构建岩性分类特征空间，并基于岩性分类特征空间，结合监督分类算法和各岩性单元训练样本建立岩性自动分类模型，实现多源遥感数据多特征融合的岩性自动分类。
2.根据权利要求1所述多源遥感数据多特征融合的岩性自动分类方法，其特征在于，获取多源遥感数据进一步包括：分别采集多光谱数据、高分数据、雷达遥感数据和DEM数据；对采集的高分数据和多光谱数据依次进行辐射校正、大气校正、正射校正、裁剪，得到预处理后的高分数据和多光谱反射率数据；对采集的雷达遥感数据进行热噪声去除、边界噪声去除、定标、Speckle滤波和多普勒地形校正，得到预处理后的后向散射数据；将预处理后的高分数据、多光谱反射率数据、后向散射数据和DEM数据重采样至同一空间分辨率下，并进行空间位置配准。
3.根据权利要求1所述多源遥感数据多特征融合的岩性自动分类方法，其特征在于，构建光谱与纹理特征空间，进一步包括：利用高分数据和多光谱反射率数据提取多类型光谱特征，形成多类型光谱特征集；利用高分数据提取多尺度纹理特征，形成多尺度纹理特征集；将多类型光谱特征集和多尺度纹理特征集进行合并，形成光谱与纹理特征空间。
4.根据权利要求3所述多源遥感数据多特征融合的岩性自动分类方法，其特征在于，对光谱与纹理特征进行优选，进一步包括：引入广义正态分布优化算法，结合各岩性单元训练样本，对光谱与纹理特征进行优选。
5.根据权利要求1所述多源遥感数据多特征融合的岩性自动分类方法，其特征在于，提取雷达遥感特征，并面向岩性识别进行雷达遥感特征优选，进一步包括：对雷达遥感数据进行极化分解，获得极化分解特征；基于各岩性单元训练样本，计算后向散射系数和极化分解特征的各岩性单元训练样本像元均值，并对比同一特征上各岩性单元训练样本像元均值，选取各岩性单元像元均值差异大的雷达遥感特征作为优选后的雷达遥感特征。
6.根据权利要求1所述多源遥感数据多特征融合的岩性自动分类方法，其特征在于，提取多类型地形因子，并面向岩性识别进行因子优选，进一步包括：提取地形因子，基于各岩性单元训练样本，计算地形因子中各岩性单元训练样本像元均值，并对比各地形因子上各岩性单元训练样本像元均值，选取同一地形因子上各岩性单元训练样本像元均值差异大的地形因子作为优选后的地形因子。
7.根据权利要求1所述多源遥感数据多特征融合的岩性自动分类方法，其特征在于，所述方法进一步包括：选取工作区域各岩性单元训练样本区，以分层随机采样的方式，按照1:1的比例，将各岩性单元训练样本区随机分为训练样本和验证样本，其中训练样本用于岩性自动分类模型的训练，验证样本用于分类结果精度评价。
8.多源遥感数据多特征融合的岩性自动分类系统，其特征在于，包括：
获取模块，用于获取多源遥感数据；
特征提取模块，用于基于预处理后的多源遥感数据，提取多尺度光学遥感特征、雷达遥感特征及多类型地形因子特征；
特征优选模块，用于对提取的多尺度光学遥感特征、雷达遥感特征及多类型地形因子特征进行优选；
特征组合模块，用于将优选后的光谱与纹理特征空间、雷达遥感特征及地形因子特征进行组合，形成岩性分类特征空间；
岩性分类模块，用于基于岩性分类特征空间，结合监督分类算法和各岩性单元训练样本建立岩性自动分类模型，实现多源遥感数据多特征融合的岩性自动分类。
9.根据权利要求8所述多源遥感数据多特征融合的岩性自动分类系统，其特征在于，所述获取模块进一步包括：采集模块，用于分别采集多光谱数据、高分数据、雷达遥感数据和DEM数据；光谱数据预处理模块，用于对采集的高分数据和多光谱数据依次进行辐射校正、大气校正、正射校正、裁剪，得到预处理后的高分数据和多光谱反射率数据；雷达数据预处理模块，用于对采集的雷达遥感数据进行热噪声去除、边界噪声去除、定标、Speckle滤波和多普勒地形校正，得到预处理后的后向散射数据；配准模块，用于将预处理后的高分数据、多光谱反射率数据、后向散射数据和DEM数据重采样至同一空间分辨率下，并进行空间位置配准。
CN202210581575.1A 2022-05-26 2022-05-26 多源遥感数据多特征融合的岩性自动分类方法及系统 Pending CN114662626A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210581575.1A CN114662626A (zh) 2022-05-26 2022-05-26 多源遥感数据多特征融合的岩性自动分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210581575.1A CN114662626A (zh) 2022-05-26 2022-05-26 多源遥感数据多特征融合的岩性自动分类方法及系统

Publications (1)

Publication Number Publication Date
CN114662626A true CN114662626A (zh) 2022-06-24

Family

ID=82038483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210581575.1A Pending CN114662626A (zh) 2022-05-26 2022-05-26 多源遥感数据多特征融合的岩性自动分类方法及系统

Country Status (1)

Country Link
CN (1) CN114662626A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713645A (zh) * 2022-10-19 2023-02-24 山东大学 基于光谱成像技术的岩性识别方法及系统
CN116563672A (zh) * 2023-07-05 2023-08-08 中国地质大学（武汉） 一种岩土体分类模型构建方法及岩土体分类方法
CN117690029A (zh) * 2024-02-02 2024-03-12 云南大学 一种基于自动生成样本的岩性识别方法、平台及介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
于长春 等: "《基于多源遥感与航空物探数据的岩性分类方法》", 《地质通报》 *
帅爽 等: "《结合ZY-102D光谱与纹理特征的干旱区植被类型遥感分类》", 《农业工程学报》 *
曾钰 等: "《SAR与光学影像融合的变化信息提取》", 30 June 2015 *
葛山运: "《基于MNF、PCA与ICA结合的高光谱数据特征提取方法》", 《城市勘测》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713645A (zh) * 2022-10-19 2023-02-24 山东大学 基于光谱成像技术的岩性识别方法及系统
CN116563672A (zh) * 2023-07-05 2023-08-08 中国地质大学（武汉） 一种岩土体分类模型构建方法及岩土体分类方法
CN116563672B (zh) * 2023-07-05 2023-09-19 中国地质大学（武汉） 一种岩土体分类模型构建方法及岩土体分类方法
CN117690029A (zh) * 2024-02-02 2024-03-12 云南大学 一种基于自动生成样本的岩性识别方法、平台及介质
CN117690029B (zh) * 2024-02-02 2024-05-10 云南大学 一种基于自动生成样本的岩性识别方法、平台及介质

Similar Documents

Publication Publication Date Title
Zhu et al. Assessment of spectral, polarimetric, temporal, and spatial dimensions for urban and peri-urban land cover classification using Landsat and SAR data
Pu et al. A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species
Rodriguez-Galiano et al. Random Forest classification of Mediterranean land cover using multi-seasonal imagery and multi-seasonal texture
Hamada et al. Detecting Tamarisk species (Tamarix spp.) in riparian habitats of Southern California using high spatial resolution hyperspectral imagery
Morsy et al. Airborne multispectral lidar data for land-cover classification and land/water mapping using different spectral indexes
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
Marcinkowska-Ochtyra et al. Subalpine and alpine vegetation classification based on hyperspectral APEX and simulated EnMAP images
CN111062267B (zh) 一种时间序列遥感影像降维方法
do Amaral et al. Characterization of indicator tree species in neotropical environments and implications for geological mapping
Yu et al. 3D autoencoder algorithm for lithological mapping using ZY-1 02D hyperspectral imagery: A case study of Liuyuan region
CN113326741B (zh) 一种基于sar和光学影像的优化特征选择分类方法
Jusoff et al. Mapping of individual oil palm trees using airborne hyperspectral sensing: an overview
Hamed et al. Digital Change Detection and Map Analysis for Urban Expansion and Land Cover Changes in Karbala City
CN113359133B (zh) 一种协同光学和雷达遥感数据的面向对象变化检测方法
Carvalho et al. Optical and SAR imagery for mapping vegetation gradients in Brazilian savannas: Synergy between pixel-based and object-based approaches
CN114118231A (zh) 多源遥感浅覆盖区地层岩性分类特征空间构建方法、岩性分类方法及系统
Zhang et al. Advanced processing techniques for remotely sensed imagery
Sahithi et al. Comparison of support vector machine, artificial neural networks and spectral angle mapper classifiers on fused hyperspectral data for improved LULC classification
Harris et al. Noise reduction and best band selection techniques for improving classification results using hyperspectral data: application to lithological mapping in Canada's Arctic
McInerney et al. Extending forest inventories and monitoring programmes using remote sensing: A review.
CN112102218A (zh) 一种生成高空间分辨率多光谱影像的融合方法
Middleton et al. Imaging spectroscopy in soil-water based site suitability assessment for artificial regeneration to Scots pine
MOHAMMADY et al. Role of smile correction in mineral detection on hyperion data
Guiang et al. Cloud detection and characterization using topological data analysis
Jiang et al. Research Article Exploring Tree Species Classification in Subtropical Regions with a Modified Hierarchy-Based Classifier Using High Spatial Resolution Multisensor 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