CN116823896A - 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 - Google Patents
一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116823896A CN116823896A CN202310750292.XA CN202310750292A CN116823896A CN 116823896 A CN116823896 A CN 116823896A CN 202310750292 A CN202310750292 A CN 202310750292A CN 116823896 A CN116823896 A CN 116823896A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- hyperspectral
- point cloud
- vegetation coverage
- cloud data
- 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 66
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000011160 research Methods 0.000 claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000013517 stratification Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 abstract description 18
- 230000004075 alteration Effects 0.000 description 15
- 229910052500 inorganic mineral Inorganic materials 0.000 description 11
- 239000011707 mineral Substances 0.000 description 11
- 230000033558 biomineral tissue development Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 4
- 229910052770 Uranium Inorganic materials 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高植被覆盖区靶矿区范围预测方法、装置及电子设备,包括:获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并配准;对点云数据进行点云数据分层;将每一层点云数据制作成各高度区间掩膜;基于各高度区间掩膜对高光谱数据进行空间分层,并提取植被冠层底部高光谱影像;根据异常光谱信息提取受胁迫植被,并制成样本;将所有样本按比例划分为训练集和验证集;基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型;通过训练集和验证集分别进行预测模型的训练和验证;获取目标高植被覆盖区域的高光谱影像,通过训练好的预测模型预测目标高植被覆盖区内的靶矿区范围。本发明能高效精确地实现高植被覆盖下的靶矿区范围预测。
Description
技术领域
本发明涉及靶矿区范围预测技术领域,特别涉及一种高植被覆盖下靶矿区范围预测方法、装置及电子设备。
背景技术
靶矿区范围预测是矿产资源勘探工作中不可或缺的一部分。对于中低植被覆盖区,被动高光谱遥感通过反演矿化蚀变信息异常光谱已取得了较为显著的成果。但对于高植被覆盖区蚀变信息的提取难度较大,实际提取效果欠佳,一直以来的研究由于数据获取手段以及智能处理算法的限制也未能形成一套适用于高植被覆盖区的岩矿蚀变信息反演方法。并且,针对我国目前的金矿矿藏分布,能源矿产主要分布在北方(西北华北和东北),有色金属主要分布在南方(江南,华南,西南)的特点,多数矿藏都处于植被覆盖度较高的区域内。这对利用遥感手段进行矿产资源的勘查造成了很大的干扰。为此,可通过获取由于矿化蚀变所导致的胁迫植被异常反射光谱,间接地对矿物质的成分和分布情况进行判断。然而,任何一种单一的遥感技术在遥感找矿研究中都具有一定的局限性。
现有的相关技术与专利:
中国专利“一种植被覆盖区铀矿化蚀变信息遥感识别方法,申请号为CN202111660772.4”,该专利提供了一种植被覆盖区火山岩型铀矿化信息遥感识别方法。此专利在蚀变信息提取之前基于像元二分模型,将遥感影像进行植被覆盖度估算,将影像分为高植被覆盖区和中低植被覆盖区;在去除植被以外的干扰后,抑制中低植被覆盖区植被,掩膜高植被覆盖区植被,得到中低植被覆盖区去除干扰因素后的影像图;采用主成分分析法提取铀矿化蚀变异常信息,完成植被覆盖区铀矿化蚀变信息遥感识别。该方法解决了减轻植被干扰对遥感蚀变信息提取影响的技术问题。
中国专利“一种稀疏植被地区的高光谱遥感油气勘探方法,申请号为CN201010560792.X”,该专利提供了一种稀疏植被地区的高光谱遥感油气勘探方法。此专利在蚀变信息提取之前对原始高光谱影像进行基于K-mean聚类的地物分类;将地物分类结果分为裸露地表区域和植被覆盖地表区域;在裸露地表区域,对高光谱影像进行基于蚀变矿物的油气信息提取;在植被覆盖区域,对高光谱影像进行基于植被光谱异常的油气信息提取;综合之前操作得到的分类结果进行油气藏分布区域圈定。该专利通过在勘探地区利用地表蚀变矿物异常在裸露地表区域进行高光谱油气信息勘探,并在植被覆盖地区利用植被异常信息提取油气信息,从而根据两者综合圈定该地区的油气异常区域。
现有的研究只针对了植被冠层表面反射光谱信息,并未考虑对植被冠层底部异常反射光谱信息进行精确提取。而对于受胁迫的植被,其冠层底部所反应出的光谱信息异常要明显强于冠层中部和顶部,呈现明显的差异化分层特性。并且,现有的研究只针对中低稀疏植被覆盖区的靶矿区定位,并未考虑到我国矿藏大部分处于高植被覆盖区且人工探测效率较低的特点。
因此,亟需提供一种高效、精确的高植被覆盖下靶矿区范围预测方法。
发明内容
本发明要解决的主要技术问题是:实现对高植被覆盖下靶矿区范围高效、精确地识别。
为了解决上述技术问题,本发明采取的技术方案是:引入激光雷达点云数据进一步提高植被异常光谱信息提取的精确程度,激光雷达发射的脉冲可穿透冠层间隙,具有探测冠层垂直空间维特征的优势,已在植被探测领域得到了有效应用。但仅依靠冠层垂直结构很难探测异常光谱分布情况。因此,本发明立足于高光谱遥感的丰富光谱维信息以及激光雷达的丰富空间维信息,将两种不同维度的数据进行融合,能够最大限度地发挥各自的特点,实现更高精度的植被信息反演。
引入深度学习的方法后进一步提高了蚀变信息提取的自动化程度,高精度样本训练模型的应用,使得模型在面对少样本的情况下也可以提取到具有较强代表性的特征提,另一方面也进一步增加了模型深层语义挖掘的能力。一定条件下解决了蚀变信息提取需要依赖大量数据集进行特征学习的弊端,在实现自动化提取的同时也具备了较高的识别精度。
根据本发明的第一方面,一种高植被覆盖区靶矿区范围预测方法,包括以下步骤:
获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准;
对获取到的激光雷达点云数据进行点云数据分层;
将每一层点云数据制作成各高度区间掩膜;
基于各高度区间掩膜对高光谱数据进行空间分层,并提取植被冠层底部高光谱影像;
根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本;
将所有的样本按照预设比例划分为训练集和验证集;
基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型;
通过训练集和验证集分别对高植被覆盖区下靶矿区范围预测模型进行训练和验证,直至获得训练好的预测模型;
获取目标高植被覆盖区域的高光谱影像,通过训练好的预测模型预测目标高植被覆盖区内的靶矿区范围。
进一步地,获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准的步骤,包括:
获取高植被覆盖研究区域高光谱数据和激光雷达点云数据;
利用地面点云数据经TIN插值得到的高分辨率DEM数据对高植被覆盖研究区域高光谱数据进行正射校正,消除因地形起伏等原因造成的图像变形;
将激光雷达点云数据处理为冠层高度模型,并采用最邻近法重采样为与高植被覆盖研究区域高光谱数据相同的空间分辨率;
在高植被覆盖研究区域高光谱数据和激光雷达点云数据两种影像上选取典型地物作为控制点,对两幅影像进行配准。
进一步地,在研究区内,利用高光谱-激光雷达一体式无人机平台,同时高植被覆盖研究区域高光谱数据和激光雷达点云数据。
进一步地,对获取到的激光雷达点云数据进行点云数据分层的步骤,包括:
利用CloudCompare软件,采用1米等间隔的区间段对激光雷达点云数据进行分层。
进一步地,根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本的步骤,包括:
根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,将提取得到的受胁迫植被冠层底部高光谱影像裁剪为尺寸512×512像素大小的图像,并制作成样本。
进一步地,将所有的样本按照预设比例划分为训练集和验证集的步骤,包括:
将所有的样本按照8:2的比例划分为训练集和验证集。
进一步地,所述基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型的步骤,包括:
使用深度学习DeeplabV3+作为基础模型,并采用MobileNetV2作为主干网络的二分支结构,构建高植被覆盖区下靶矿区范围预测模型。
根据本发明的第二方面,本发明提供了一种实施所述方法的高植被覆盖区靶矿区范围预测装置,包括以下模块:
获取及配准模块,用于获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准;
点云分层模块,用于对获取到的激光雷达点云数据进行点云数据分层;
区间掩膜模块,用于将每一层点云数据制作成各高度区间掩膜;
冠层底部影像提取模块,用于基于各高度区间掩膜对高光谱数据进行空间分层,并提取植被冠层底部高光谱影像;
样本制作模块,用于根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本;
样本划分模块,用于将所有的样本按照预设比例划分为训练集和验证集;
模型构建模块,用于基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型;
模型训练模块,用于通过训练集和验证集分别对高植被覆盖区下靶矿区范围预测模型进行训练和验证,直至获得训练好的预测模型;
靶矿区预测模块,用于获取目标高植被覆盖区域的高光谱影像,通过训练好的预测模型预测目标高植被覆盖区内的靶矿区范围。
根据本发明的第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的高植被覆盖区靶矿区范围预测方法的步骤。
根据本发明的第四方面,本发明提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的高植被覆盖区靶矿区范围预测方法的步骤。
本发明提供的技术方案具有以下有益效果:
与现有技术相比,本发明提出的技术方案中,紧紧抓住受胁迫植被其冠层底部所反应出的光谱信息异常要明显强于冠层中部和顶部,这一明显的差异化分层特性。并且立足于高光谱遥感的丰富光谱维信息以及激光雷达的丰富空间维信息,将两种数据进行融合。实现植被冠层光谱信息在三维结构上的垂直分层分布,去除植被冠层顶部光谱及多余混合光谱的相互干扰。并将经过筛选后的异常植被冠层部分制作成高精度的样本,使用这些高精度样本训练基于深度学习的语义分割模型DeeplabV3+,使模型提取到更加准确以及更具备判别性的特征,在一定程度上提高了深层特征语义挖掘的能力。解决了传统的分类方法中由于缺乏精确样本以及自主学习能力,无法应对高植被覆盖区域下的的矿物蚀变植被胁迫信息提取的问题,建立了一套应对高植被覆盖区内胁迫植被指示性信息提取的方法,基于该方法,提高了靶矿区定位的效率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明一种高植被覆盖区靶矿区范围预测方法的总体流程图;
图2为本发明植被冠层底部高光谱影像提取流程图;
图3为本发明基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型的结构示意图;
图4为本发明一种高植被覆盖区靶矿区范围预测装置的结构示意图;
图5为本发明一种电子设备的结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参考图1,图1为本发明一种高植被覆盖区靶矿区范围预测方法的总体流程图,该方法具体包括以下步骤:
S1:获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准;
S2:对获取到的激光雷达点云数据进行点云数据分层;
S3:将每一层点云数据制作成各高度区间掩膜;
S4:基于各高度区间掩膜对高光谱数据进行空间分层,并提取植被冠层底部高光谱影像;
S5:根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本;
S6:将所有的样本按照预设比例划分为训练集和验证集;
S7:基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型;
S8:通过训练集和验证集分别对高植被覆盖区下靶矿区范围预测模型进行训练和验证,直至获得训练好的预测模型;
S9:获取目标高植被覆盖区域的高光谱影像,通过训练好的预测模型预测目标高植被覆盖区内的靶矿区范围。
基于但不限于上述方法,步骤S1的具体实现过程如图2所示:
S1.1:在研究区内,利用高光谱-激光雷达一体式无人机平台,同时获取高植被覆盖研究区域高光谱数据和激光雷达点云数据;
S1.2:利用地面点云数据经TIN插值得到的高分辨率DEM(数字高程模型)数据对高植被覆盖研究区域高光谱数据进行正射校正,消除因地形起伏等原因造成的图像变形;
S1.3:将激光雷达点云数据处理为冠层高度模型(CHM),并采用ARCGIS软件中的最邻近法重采样功能重采样为与高植被覆盖研究区域高光谱数据相同的空间分辨率;
S1.4:利用ARCGIS软件在高植被覆盖研究区域高光谱数据和激光雷达点云数据两种影像上选取典型地物作为控制点(例如高植被覆盖区边界,周围的道路、房屋等明显地物),对两幅影像进行精准配准。
需要说明的是,采用高光谱-激光雷达一体式无人机平台获取两种匹配度较高的植被冠层数据,并对两种数据进行高精度配准;将三维数据和二维数据进行特征融合,达到高光谱数据垂直结构分层的目的,使得植被干扰光谱信息在最大程度上被抑制,大幅提高深度学习的自动化提取精度。
基于但不限于上述方法,步骤S2的具体实现过程如下:
对于激光雷达点云数据的分层,利用CloudCompare软件,采用1米等间隔的区间段对激光雷达点云数据进行分层。
基于但不限于上述方法,步骤S5的具体实现过程如下:
根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,将提取得到的受胁迫植被冠层底部高光谱影像裁剪为尺寸512×512像素大小的图像,并制作成样本。
基于但不限于上述方法,步骤S6中,将所有样本按照8:2的比例划分为训练集和验证集,用于后续模型训练。
基于但不限于上述方法,步骤S7中,基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型的步骤,包括:
使用深度学习DeeplabV3+作为基础模型,并采用MobileNetV2作为主干网络的二分支结构,构建高植被覆盖区下靶矿区范围预测模型。如图3所示,在Encoder部分主要包括backbone和ASPP两部分,backbone模块采用以MobilenetV2作为主干网络的二分支结构,在减少参数量的同时使得模型可以同时提取高植被覆盖研究区域高光谱数据和激光雷达点云数据两种影像的特征。ASPP模块接受backbone的第一部分输出作为输入,使用了四种不同膨胀率的空洞卷积块(包括卷积、BN、激活层)和一个全局平均池化块(包括池化、卷积、BN、激活层)得到一共五组featuremaps,通过concat将其拼接起来之后,经过一个1*1卷积块(包括卷积、BN、激活、dropout层),最后送入Decoder模块。在Decoder模块接收来自MobileNetV2模块的输出和来自ASPP模块的输出作为输入。首先,对MobileNetV2模块输出的低级featuremaps使用1*1卷积进行通道降维,从256降到48;然后,对来自ASPP的featuremaps进行插值上采样,得到与低级featuremaps尺寸相同的featuremaps;接着,将通道降维的低级featuremaps和线性插值上采样得到的featuremaps使用concat拼接起来,并送入一组3*3卷积块进行处理;最后,再次进行线性插值上采样,得到与原图分辨率大小一样的预测图。
本发明实施过程中的关键点主要在于:
关键点1:本发明立足高光谱数据与激光雷达点云数据进行特征抽取与融合的思路,将激光雷达点云数据与高光谱数据进行精确配准,将三维垂直结构信息与丰富的光谱维信息结合起来,使得植被光谱信息得以在三维垂直结构上分布。有效地剔除了植被冠层表面光谱以及多余混合光谱信息的干扰,使得高植被覆盖区内受胁迫植被的异常光谱信息提取更加精确。对比仅利用高光谱数据的胁迫植被信息提取,提取的精度以及后续作为样本的精度有了大幅提升,为利用深度学习自动提取提供了更多的支持。
关键点2:在实际环境中,由于高植被覆盖区植被郁闭度高的特点,传统深度学习方法在缺少精确样本的前提下提取受胁迫植被将是一件及其困难的工作。本发明通过使用深度学习DeeplabV3+作为基础模型,采用MobileNetV2作为主干网络,构建了一套基于多模态深度学习的高植被覆盖区下靶矿区范围预测模型。在对模型输入高精度样本的同时,也使模型得以提取到更加具备代表性的特征。在一定程度上提高了模型深层特征语义挖掘的能力。并且针对高植被覆盖区内受胁迫植被光谱信息这类弱信息的提取精度也有了显著提升。
本发明实施后带来的有益效果如下:
与现有技术相比,本发明提出的技术方案中,紧紧抓住受胁迫植被其冠层底部所反应出的光谱信息异常要明显强于冠层中部和顶部,这一明显的差异化分层特性。并且立足于高光谱遥感的丰富光谱维信息以及激光雷达的丰富空间维信息,将两种数据进行融合。实现植被冠层光谱信息在三维结构上的垂直分层分布,去除植被冠层顶部光谱及多余混合光谱的相互干扰。并将经过筛选后的异常植被冠层部分制作成高精度的样本,使用这些高精度样本训练基于深度学习的语义分割模型DeeplabV3+,使模型提取到更加准确以及更具备判别性的特征,在一定程度上提高了深层特征语义挖掘的能力。解决了传统的分类方法中由于缺乏精确样本以及自主学习能力,无法应对高植被覆盖区域下的的矿物蚀变植被胁迫信息提取的问题,建立了一套应对高植被覆盖区内岩矿蚀变信息提取的方法,提高了靶矿区定位的效率。
下面对本发明提供的一种高植被覆盖区靶矿区范围预测装置进行描述,下文描述的高植被覆盖区靶矿区范围预测装置与上文描述的高植被覆盖区靶矿区范围预测方法可相互对应参照。
如图4所示,一种高植被覆盖区靶矿区范围预测装置,包括以下模块:
获取及配准模块001,用于获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准;
点云分层模块002,用于对获取到的激光雷达点云数据进行点云数据分层;
区间掩膜模块003,用于将每一层点云数据制作成各高度区间掩膜;
冠层底部影像提取模块004,用于基于各高度区间掩膜对高光谱数据进行空间分层,并提取植被冠层底部高光谱影像;
样本制作模块005,用于根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本;
样本划分模块006,用于将所有的样本按照预设比例划分为训练集和验证集;
模型构建模块007,用于基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型;
模型训练模块008,用于通过训练集和验证集分别对高植被覆盖区下靶矿区范围预测模型进行训练和验证,直至获得训练好的预测模型;
靶矿区预测模块009,用于获取目标高植被覆盖区域的高光谱影像,通过训练好的预测模型预测目标高植被覆盖区内的靶矿区范围。
如图4所示,示例了一种电子设备的实体结构示意图,该电子设备可以包括:处理器(processor)610、通信接口(CommunicationsInterface)620、存储器(memory)630和通信总线640,其中,处理器610、通信接口620、存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行上述一种高植被覆盖区靶矿区范围预测方法,包括:获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准;对获取到的激光雷达点云数据进行点云数据分层;将每一层点云数据制作成各高度区间掩膜;基于各高度区间掩膜对高光谱数据进行空间分层,并提取植被冠层底部高光谱影像;根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本;将所有的样本按照预设比例划分为训练集和验证集;基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型;通过训练集和验证集分别对高植被覆盖区下靶矿区范围预测模型进行训练和验证,直至获得训练好的预测模型;获取目标高植被覆盖区域的高光谱影像,通过训练好的预测模型预测目标高植被覆盖区内的靶矿区范围。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random15AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明实施例还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述一种高植被覆盖区靶矿区范围预测方法,包括:获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准;对获取到的激光雷达点云数据进行点云数据分层;将每一层点云数据制作成各高度区间掩膜;基于各高度区间掩膜对高光谱数据进行空间分层,并提取植被冠层底部高光谱影像;根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本;将所有的样本按照预设比例划分为训练集和验证集;基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型;通过训练集和验证集分别对高植被覆盖区下靶矿区范围预测模型进行训练和验证,直至获得训练好的预测模型;获取目标高植被覆盖区域的高光谱影像,通过训练好的预测模型预测目标高植被覆盖区内的靶矿区范围。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种高植被覆盖区靶矿区范围预测方法,其特征在于,包括以下步骤:
获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准;
对获取到的激光雷达点云数据进行点云数据分层;
将每一层点云数据制作成各高度区间掩膜;
基于各高度区间掩膜对高光谱数据进行空间分层,并提取植被冠层底部高光谱影像;
根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本;
将所有的样本按照预设比例划分为训练集和验证集;
基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型;
通过训练集和验证集分别对高植被覆盖区下靶矿区范围预测模型进行训练和验证,直至获得训练好的预测模型;
获取目标高植被覆盖区域的高光谱影像,通过训练好的预测模型预测目标高植被覆盖区内的靶矿区范围。
2.根据权利要求1所述的高植被覆盖区靶矿区范围预测方法,其特征在于,获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准的步骤,包括:
获取高植被覆盖研究区域高光谱数据和激光雷达点云数据;
利用地面点云数据经TIN插值得到的高分辨率DEM数据对高植被覆盖研究区域高光谱数据进行正射校正,消除因地形起伏等原因造成的图像变形;
将激光雷达点云数据处理为冠层高度模型,并采用最邻近法重采样为与高植被覆盖研究区域高光谱数据相同的空间分辨率;
在高植被覆盖研究区域高光谱数据和激光雷达点云数据两种影像上选取典型地物作为控制点,对两幅影像进行配准。
3.根据权利要求1所述的高植被覆盖区靶矿区范围预测方法,其特征在于,在研究区内,利用高光谱-激光雷达一体式无人机平台,同时高植被覆盖研究区域高光谱数据和激光雷达点云数据。
4.根据权利要求1所述的高植被覆盖区靶矿区范围预测方法,其特征在于,对获取到的激光雷达点云数据进行点云数据分层的步骤,包括:
利用CloudCompare软件,采用1米等间隔的区间段对激光雷达点云数据进行分层。
5.根据权利要求1所述的高植被覆盖区靶矿区范围预测方法,其特征在于,根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本的步骤,包括:
根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,将提取得到的受胁迫植被冠层底部高光谱影像裁剪为尺寸512×512像素大小的图像,并制作成样本。
6.根据权利要求1所述的高植被覆盖区靶矿区范围预测方法,其特征在于,将所有的样本按照预设比例划分为训练集和验证集的步骤,包括:
将所有的样本按照8:2的比例划分为训练集和验证集。
7.根据权利要求1所述的高植被覆盖区靶矿区范围预测方法,其特征在于,所述基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型的步骤,包括:
使用深度学习DeeplabV3+作为基础模型,并采用MobileNetV2作为主干网络的二分支结构,构建高植被覆盖区下靶矿区范围预测模型。
8.一种实施权利要求1-7任一项所述方法的高植被覆盖区靶矿区范围预测装置,其特征在于,包括以下模块:
获取及配准模块,用于获取高植被覆盖研究区域高光谱数据和激光雷达点云数据,并进行配准;
点云分层模块,用于对获取到的激光雷达点云数据进行点云数据分层;
区间掩膜模块,用于将每一层点云数据制作成各高度区间掩膜;
冠层底部影像提取模块,用于基于各高度区间掩膜对高光谱数据进行空间分层,并提取植被冠层底部高光谱影像;
样本制作模块,用于根据异常光谱信息从植被冠层底部高光谱影像中提取受胁迫植被,并制作成样本;
样本划分模块,用于将所有的样本按照预设比例划分为训练集和验证集;
模型构建模块,用于基于深度学习DeeplabV3+构建高植被覆盖区下靶矿区范围预测模型;
模型训练模块,用于通过训练集和验证集分别对高植被覆盖区下靶矿区范围预测模型进行训练和验证,直至获得训练好的预测模型;
靶矿区预测模块,用于获取目标高植被覆盖区域的高光谱影像,通过训练好的预测模型预测目标高植被覆盖区内的靶矿区范围。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的高植被覆盖区靶矿区范围预测方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的高植被覆盖区靶矿区范围预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310750292.XA CN116823896A (zh) | 2023-06-21 | 2023-06-21 | 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310750292.XA CN116823896A (zh) | 2023-06-21 | 2023-06-21 | 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823896A true CN116823896A (zh) | 2023-09-29 |
Family
ID=88115101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310750292.XA Pending CN116823896A (zh) | 2023-06-21 | 2023-06-21 | 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823896A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612038A (zh) * | 2023-11-22 | 2024-02-27 | 中国矿业大学(北京) | 基于无人机影像的矿区植被碳汇精细演算方法 |
-
2023
- 2023-06-21 CN CN202310750292.XA patent/CN116823896A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612038A (zh) * | 2023-11-22 | 2024-02-27 | 中国矿业大学(北京) | 基于无人机影像的矿区植被碳汇精细演算方法 |
CN117612038B (zh) * | 2023-11-22 | 2024-07-02 | 中国矿业大学(北京) | 基于无人机影像的矿区植被碳汇精细演算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN108470159B (zh) | 车道线数据处理方法、装置、计算机设备和存储介质 | |
CN112949549B (zh) | 一种基于超分辨率的多分辨率遥感影像的变化检测方法 | |
CN109447089B (zh) | 基于超分技术的高分辨率北极海冰类型提取方法 | |
CN110675408A (zh) | 基于深度学习的高分辨率影像建筑物提取方法及系统 | |
CN112859011B (zh) | 一种单波长机载测深雷达波形信号提取方法 | |
CN114898097B (zh) | 图像识别方法及系统 | |
CN104217426A (zh) | 一种基于ENVISAT ASAR与Landsat TM遥感数据面向对象提取水体的方法 | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
CN116823896A (zh) | 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 | |
CN112906662A (zh) | 一种遥感图像变化检测方法、装置、设备及存储介质 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
Khatriker et al. | Building footprint extraction from high resolution satellite imagery using segmentation | |
CN107463944A (zh) | 一种利用多时相高分辨率sar图像的道路信息提取方法 | |
CN113158770A (zh) | 一种改进的全卷积孪生神经网络的矿区变化检测方法 | |
Shan et al. | Feasibility of Accurate Point Cloud Model Reconstruction for Earthquake‐Damaged Structures Using UAV‐Based Photogrammetry | |
CN115546649B (zh) | 一种单视遥感影像高度估计和语义分割多任务预测方法 | |
CN114898204B (zh) | 一种基于深度学习的轨道交通周边危险源检测方法 | |
CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
CN114898203B (zh) | 一种基于深度学习的轨道交通周边危险源变化检测方法 | |
CN113344866B (zh) | 一种点云综合精度评价方法 | |
CN113033608B (zh) | 遥感影像道路提取方法及装置 | |
Mahphood et al. | Virtual first and last pulse method for building detection from dense LiDAR point clouds | |
CN114639015A (zh) | 联合光谱、植被指数和纹理特征的高分影像滑坡检测方法 | |
CN114092419A (zh) | 一种基于地表点位的点云空间位置质量自动检查方法 |
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 |