CN116994155A - 一种地质岩性的解译方法、装置及存储介质 - Google Patents
一种地质岩性的解译方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116994155A CN116994155A CN202311243118.2A CN202311243118A CN116994155A CN 116994155 A CN116994155 A CN 116994155A CN 202311243118 A CN202311243118 A CN 202311243118A CN 116994155 A CN116994155 A CN 116994155A
- Authority
- CN
- China
- Prior art keywords
- lithology
- background
- image
- target image
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000005070 sampling Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 8
- 238000005065 mining Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000002349 favourable effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000195940 Bryophyta Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
Abstract
本发明提供了一种地质岩性的解译方法、装置及存储介质,涉及遥感图像处理技术领域,地质岩性的解译方法包括:获取遥感影像信息,得到目标影像和已知岩性类型标签的背景影像;将目标影像、背景影像及岩性类型标签输入到解译模型中,得到目标岩性类型;解译模型包括自我学习网络和背景学习网络;自我学习网络用于根据目标影像得到目标影像特征;背景学习网络用于根据背景影像和岩性类型标签得到原型特征,提取目标影像特征与原型特征的相关性权重信息,并基于相关性权重信息得到目标岩性类型。本发明通过挖掘目标影像与背景影像中每种岩性类型对应原型特征的关联,掌握目标影像特征与不同岩性类型的相关性,保障目标岩性类型的准确性和可靠性。
Description
技术领域
本发明涉及遥感图像处理技术领域,具体而言,涉及一种地质岩性的解译方法、装置及存储介质。
背景技术
岩性勘探在地质环境评估、矿产资源评价和地质灾害评估等领域中发挥着关键作用。传统的岩性勘探主要依靠人力实地勘探,在地质环境复杂和交通不便的地区,实地调查对人力和物力的消耗巨大。随着航空航天技术的不断发展,通过遥感影像进行岩性解译的技术应运而生。
然而,现有技术通过遥感影像进行岩性解译一般只适用于植被覆盖率较低的干旱和半干旱地区,对于植被覆盖率较高的地区,由于获取的遥感影像中干扰因素较多,即使采用一系列的图像增强或降噪方法,也无法准确获取被林冠、苔藓和地衣等植被覆盖地区的岩性相关特征,导致通过遥感影像进行植被覆盖率较高地区的岩性解译时,解译结果的准确性和可靠性较差。
发明内容
本发明解决的问题是对高植被覆盖率地区的遥感图像进行岩性解译时如何保障解译结果的准确性和可靠性。
为解决上述问题,本发明提供一种地质岩性的解译方法,包括如下步骤:
获取遥感影像信息,并基于所述遥感影像信息得到待解译的目标影像以及所述目标影像周围预设范围内至少一张已知岩性类型标签的背景影像;
将所述目标影像、所述背景影像及所述背景影像对应的所述岩性类型标签输入到预设的解译模型中,得到所述目标影像对应的目标岩性类型;
其中,所述解译模型包括自我学习网络和背景学习网络;
所述自我学习网络用于根据所述目标影像得到目标影像特征;
所述背景学习网络用于根据所述背景影像和所述岩性类型标签得到每种岩性类型对应的原型特征,提取所述目标影像特征与所述原型特征的相关性权重信息,并基于所述相关性权重信息得到所述目标岩性类型。
可选地所述自我学习网络包括第一采样模块,第二采样模块和解码器;所述目标影像特征包括浅层目标影像特征和深层目标影像特征;所述自我学习网络具体用于:
通过所述第一采样模块对所述目标影像进行降采样,得到所述浅层目标影像特征;
通过所述第二采样模块对所述浅层影像特征进行降采样;
通过所述解码器对经所述第二采样模块进行降采样的所述浅层影像特征进行分辨率恢复,得到所述深层目标影像特征。
可选地,所述背景学习网络包括背景感知模块、原型特征生成模块、相关性感知模块和融合模块;所述背景学习网络具体用于:
通过所述背景感知模块根据所述背景影像和所述岩性类型标签,得到每种所述岩性类型对应的背景岩性特征;
通过所述原型特征生成模块对所述背景岩性特征进行关键特征提取,生成每种所述岩性类型对应的所述原型特征;
通过所述相关性感知模块根据所述原型特征和所述浅层目标影像特征,得到所述相关性权重信息;
通过所述融合模块对所述相关性权重信息和所述深层目标影像特征进行融合,得到所述目标岩性类型。
可选地,所述通过所述背景感知模块根据所述背景影像和所述岩性类型标签,得到每种所述岩性类型对应的背景岩性特征,包括:
对所述背景影像进行降采样,得到浅层背景影像特征;
根据所述岩性类型标签,得到具有预设通道数的标签特征,并对所述标签特征的特征值进行二值化处理,其中,每个通道对应一个所述岩性类型,存在所述特征值为1的通道对应所述标签特征包含的所述岩性类型;
将所述浅层背景影像特征和所述标签进行点乘,得到每种所述岩性类型对应的所述背景岩性特征。
可选地,所述通过所述原型特征生成模块对所述背景岩性特征进行关键特征提取,生成每种所述岩性类型对应的所述原型特征,包括:
获取每个所述背景岩性特征中每个通道包含的最大特征值;
根据所述最大特征值,得到每种所述岩性类型对应的所述原型特征。
可选地,所述通过所述相关性感知模块根据所述原型特征和所述浅层目标影像特征,得到所述相关性权重信息,包括:
分别对所述原型特征和所述浅层目标影像特征进行维度转换,得到原型特征矩阵和浅层目标影像特征矩阵;
将所述原型特征矩阵和所述浅层目标影像特征矩阵进行矩阵相乘,并依次经过线性层和上采样,得到所述相关性权重信息。
可选地,所述遥感影像信息还包括所述目标影像对应的目标位置、备选背景影像、备选位置和备选岩性类型标签;所述获取遥感影像信息,并基于所述遥感影像信息得到待解译的目标影像以及所述目标影像周围预设范围内至少一张已知岩性类型标签的背景影像,包括:
获取所述目标位置周围所述预设范围内的所述备选背景影像,并按照所述备选位置距离所述目标位置从近到远的顺序排列,得到备选背景影像序列;
按照从前到后的顺序从所述备选背景影像序列中选取至少一个所述备选背景影像作为所述背景影像,并将所述背景影像对应的所述备选岩性类型标签作为所述岩性类型标签。
本发明通过获取目标影像周围预设范围内的至少一张背景影像为目标影像的解译提供基础参考,由于相近的地质实体往往在地质属性和环境条件方面表现出更大的相似性,使得背景影像及其对应的岩性类型标签的能够为目标影像的解译提供更加可靠的参考依据;在此基础上将得到的目标影像、背景影像和对应的岩性类型标签输入到预设的解译模型中,即可得到对应的目标岩性类型。其中,解译模型的自我学习网络可以提取出目标影像对应的目标影像特征,为目标影像的解译提供准确可靠的特征基础;解译模型的背景学习网络可以基于背景影像和对应的岩性标签生成不同岩性类型对应的原型特征,也就得到了每种岩性类型最具代表性的影像特征;同时,背景学习网络通过提取目标影像特征和原型特征的相关性权重信息,挖掘目标影像和原型特征的关联,而由于原型特征兼具岩性类型和对应的影像特征的双重信息,因此基于目标影像特征和原型特征的相关性权重信息,就能间接掌握目标影像特征与不同岩性类型的相关性,进而得到较为准确的目标岩性类型。相较于传统技术通过图像增强等方式进行高植被覆盖率遥感图像解译的方式,本实施例充分结合了与目标影像对应区域的环境条件下地质属性相似较高的背景影像和已知的岩性类型标签,挖掘目标影像与背景影像的区别与联系,为目标影像的解译工作提供了可靠参考,保障了对高植被覆盖率区域进行岩性解译时,也能够得到准确、可靠的目标岩性类型。
本发明还提供一种地质岩性的解译装置,包括:
获取模块,其用于获取遥感影像信息,并基于所述遥感影像信息得到待解译的目标影像以及所述目标影像周围预设范围内至少一张已知岩性类型标签的背景影像;
解译模块,其用于将所述目标影像、所述背景影像及所述背景影像对应的所述岩性类型标签输入到预设的解译模型中,得到所述目标影像对应的目标岩性类型;
其中,所述解译模型包括自我学习网络和背景学习网络;
所述自我学习网络用于根据所述目标影像得到目标影像特征;
所述背景学习网络用于根据所述背景影像和所述岩性类型标签得到每种岩性类型对应的原型特征,提取所述目标影像特征与所述原型特征的相关性权重信息,并基于所述相关性权重信息得到所述目标岩性类型。
本发明提供的地质岩性的解译装置与所述地质岩性的解译方法相较于现有技术的优势基本相同,在此不再赘述。
本发明还提供一种地质岩性的解译装置,包括存储有计算机程序的计算机可读存储介质和处理器,当所述计算机程序被所述处理器读取并运行时,实现如上所述的地质岩性的解译方法。
本发明提供的地质岩性的解译装置与所述地质岩性的解译方法相较于现有技术的优势基本相同,在此不再赘述。
本发明还提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权上所述的地质岩性的解译方法。
本发明提供的计算机可读存储介质与所述地质岩性的解译方法相较于现有技术的优势基本相同,在此不再赘述。
附图说明
图1为本发明实施例的地质岩性的解译方法的流程图;
图2为本发明实施例的当背景影像数量为3时解译模型的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”;术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
如图1所示,本发明一实施例提供了一种地质岩性的解译方法,包括如下步骤:
S1:获取遥感影像信息,并基于遥感影像信息得到待解译的目标影像以及目标影像周围预设范围内至少一张已知岩性类型标签的背景影像。
具体地,本实施例所指遥感影像信息可以包括待解译的目标影像和目标影像周围预设范围内的已知岩性类型标签的背景影像。背景影像和目标影像可以为多光谱遥感影像,能够提供丰富的地表特征信息。本发明所指岩性类型标签可以从公开数据中获取,如MAPGIS数据文件,可以包含岩性类型属性和对应的形状、轮廓或纹理等特征数据。本发明所指预设范围可以根据区域所处地理气候类型划分,有利于保障背景影像与目标影像对应岩性类型的相似性,越靠近目标影像的背景影像越能为目标影像的解译提供可靠的参考。
本实施例通过获取目标影像周围预设范围内的至少一张背景影像为目标影像的解译提供基础参考,由于相近的地质实体往往在地质属性和环境条件方面表现出更大的相似性,使得背景影像及其对应的岩性类型标签的能够为目标影像的解译提供更加可靠的参考依据。
S2:将目标影像、背景影像及背景影像对应的岩性类型标签输入到预设的解译模型中,得到目标影像对应的目标岩性类型;
其中,解译模型包括自我学习网络和背景学习网络;
自我学习网络用于根据目标影像得到目标影像特征;
背景学习网络用于根据背景影像和岩性类型标签得到每种岩性类型对应的原型特征,提取目标影像特征与原型特征的相关性权重信息,并基于相关性权重信息得到目标岩性类型。
具体地,本发明所指目标影像特征可以包括目标影像的形状、轮廓、纹理等多种图像特征,可以通过卷积神经网络进行提取;本发明所指原型特征表示不同岩性类型对应的岩性单元的最具代表性的图像特征,可以通过背景影像及其对应的岩性类型标签获取,例如:岩性类型标签代表了背景影像对应的岩性类型,可以从背景影像中提取出不同岩性类型对应的岩性单元的影像特征,在此基础上背景学习网络可以采用分类器、回归模型等进行特征评估或通过函数获取最大特征值等方式,从中选取最具代表性的影像特征,即可得到每种岩性类型对应的原型特征;本发明所指相关性权重信息能够反映出目标影像和不同原型特征的相关性,而每种原型特征都对应着一种岩性类型,也就间接得到了每种岩性类型和目标影像特征的相关性权重信息,可以理解的是,若某种岩性类型与目标影像特征的相关性越高,就代表着目标影像越可能包含该种岩性类型,进而实现基于相关性权重信息对目标影像的解译。
可选地,在所述将目标影像、背景影像及背景影像对应的岩性类型标签输入到预设的解译模型中,得到目标影像对应的目标岩性类型之前,还包括:
获取历史遥感影像信息,所述历史遥感影像信息包括历史遥感影像对应的历史位置和历史岩性类型标签;
分别将每张历史遥感影像作为历史目标影像,并基于历史位置选取历史目标影像周围预设范围内的三张历史遥感影像作为历史背景影像;
将历史目标影像和对应的历史背景影像以及历史背景影像对应的历史岩性标签相关联,得到数据集;
使用数据集对初始解译模型进行训练,得到解译模型。
在本实施例中通过获取目标影像周围预设范围内的至少一张背景影像为目标影像的解译提供基础参考,由于相近的地质实体往往在地质属性和环境条件方面表现出更大的相似性,使得背景影像及其对应的岩性类型标签的能够为目标影像的解译提供更加可靠的参考依据;在此基础上将得到的目标影像、背景影像和对应的岩性类型标签输入到预先训练好的解译模型中,即可得到对应的目标岩性类型。其中,解译模型的自我学习网络可以提取出目标影像对应的目标影像特征,为目标影像的解译提供准确可靠的特征基础;解译模型的背景学习网络可以基于背景影像和对应的岩性标签生成不同岩性类型对应的原型特征,也就得到了每种岩性类型最具代表性的影像特征;同时,背景学习网络通过提取目标影像特征和原型特征的相关性权重信息,挖掘目标影像和原型特征的关联,而由于原型特征兼具岩性类型和对应的影像特征的双重信息,因此基于目标影像特征和原型特征的相关性权重信息,就能间接掌握目标影像特征与不同岩性类型的相关性,进而得到较为准确的目标岩性类型。相较于传统技术通过图像增强等方式进行高植被覆盖率遥感图像解译的方式,本实施例充分结合了与目标影像对应区域的环境条件下地质属性相似较高的背景影像和已知的岩性类型标签,挖掘目标影像与背景影像的区别与联系,为目标影像的解译工作提供了可靠参考,保障了对高植被覆盖率区域进行岩性解译时,也能够得到准确、可靠的目标岩性类型。
可选地,自我学习网络包括第一采样模块,第二采样模块和解码器;目标影像特征包括浅层目标影像特征和深层目标影像特征;自我学习网络具体用于:
通过第一采样模块对目标影像进行降采样,得到浅层目标影像特征;
通过第二采样模块对浅层影像特征进行降采样;
通过解码器对经第二采样模块进行降采样的浅层影像特征进行分辨率恢复,得到深层目标影像特征。
具体地,本实施例中的浅层目标影像特征表示经前期降采样得到的浅层语义特征,能够较好的表达图像的浅层特征(如边缘、纹理、颜色等),其包含的信息更加全面;本实施例中的深层目标影像特征表示经多层降采样后得到的深层语义特征,能够提取出更深层次的图像特征。
可选地,第一采样模块由一个卷积块与四个残差块组成,其中,卷积块由3×3卷积、BN层和Relu激活函数组成,四个残差块中的第一残差块、第二残差块和第四残差块由两部分构成,第一部分为3×3卷积、BN层、3×3卷积、BN层和Relu激活函数组成的卷积块,其最后一个卷积步长为1,用于提取深度特征;第二部分为输入加上卷积提取的深度特征后,再经过Relu激活函数。四个残差块中的第三残差块也由两部分构成,第一部分为3×3卷积、BN层、3×3卷积、BN层和Relu激活函数组成的卷积块,其最后一个卷积步长为2,使得深度特征尺寸下降一半,得到降采样后的深度特征。第二部分输入经过步长为2的1×1卷积以及BN层后,再与降采样后的深度特征相加,最后通过一个Relu激活函数得到浅层目标影像特征。其中,残差结构满足:
;
其中,y表示残差结构的输出,表示激活函数,/>表示卷积块操作,x表示残差结构的输入。
本实施例中的第一采样模块能够防止卷积神经网络性能的退化,防止卷积神经网络遗忘浅层小尺度特征,有利于提取到更丰富的浅层语义特征。
可选地,本实施例中的第二采样模块包括三个降采样快,每个降采样快由两部分构成,第一个部分包括3×3卷积、BN层和Relu激活函数;第二部分包括用于池化的2×2卷积,实现深层语义特征(即深层目标影像特征)的提取。
可选地,本实施例中的解码器由4个上采样模块与1×1卷积层组成,每个上采样模块包含反卷积层、跳跃连接和卷积块。其中,跳跃连接用于连接来自第一采样模块和第二采样模块构成的编码器的不同尺度的相同分辨率特征,减轻下采样造成的空间信息损失,使得到的深层目标影像特征恢复至目标影像的分辨率。卷积块为3×3卷积、BN层和Relu激活函数。在此基础上,1×1卷积层将浅层语义特征通道数量减少为与目标影像包含的岩性类别相同的数量,从而得到最终的深层目标影像特征。
在本实施例中,第一采样模块能够提取到丰富的影像特征,得到浅层目标影像特征,便于掌握丰富且细致的局部信息,避免遗忘浅层小尺度特征,为后续得到浅层目标影像特征和原型特征的相关性权重信息提供准确依据;通过第二采样模块对浅层影像特征进一步降采样,再通过解码器对经第二采样模块进行降采样的浅层影像特征进行分辨率恢复,得到深层目标影像特征,便于掌握目标影像的全局信息,有利于后续与相关性权重信息进行融合,提升解译模型的鲁棒性和泛化能力。
可选地,背景学习网络包括背景感知模块、原型特征生成模块、相关性感知模块和融合模块;背景学习网络具体用于:
通过背景感知模块根据背景影像和岩性类型标签,得到每种岩性类型对应的背景岩性特征;
通过原型特征生成模块对背景岩性特征进行关键特征提取,生成每种岩性类型对应的原型特征;
通过相关性感知模块根据原型特征和浅层目标影像特征,得到相关性权重信息;
通过融合模块对相关性权重信息和深层目标影像特征进行融合,得到目标岩性类型。
具体地,本实施例所指背景岩性特征表示背景影像的浅层岩性语义特征,通过背景感知模块可以根据背景影像和对应的岩性类型标签得到背景岩性特征,如将背景影像和对应的岩性类型标签进行点乘,学习背景影像中不同岩性类型对应的图像特征,进而建立背景影像与岩性类型标签之间的对应关系。在此基础上,通过原型特征生成模块从背景岩性特征中提取出每种岩性类型对应的关键特征,得到每种岩性类型对应的原型特征,原型特征是每种岩性类型对应的最具代表性的特征,有利于提高解译模型的准确性。通过相关性感知模块根据原型特征和浅层目标影像,得到相关性权重信息(如将二者进行数组维度转换后矩阵相乘),充分挖掘目标影像与背景影像的关联,有利于保障解译结果(即目标岩性类型)的可靠性。通过融合模块将相关性权重信息和深层目标影像特征进行融合,便于解译模型更好地理解目标影像,有利于提升解译模型的泛化能力和鲁棒性。
在本实施例中,通过背景学习网络的背景感知模块根据背景影像和对应的岩性类型标签得到背景岩性特征,学习背景影像中不同岩性类型对应的图像特征,进而建立背景影像与岩性类型标签之间的对应关系。在此基础上,通过原型特征生成模块从背景岩性特征中提取出每种岩性类型对应的关键特征,有利于提高解译模型的准确性。通过相关性感知模块根据原型特征和浅层目标影像得到相关性权重信息,充分挖掘目标影像与背景影像的关联,有利于保障解译模型生成结果(即目标岩性类型)的可靠性。最后,通过融合模块将相关性权重信息和深层目标影像特征进行融合,有利于解译模型更好地理解目标影像,提升解译模型的泛化能力和鲁棒性。
可选地,通过背景感知模块根据背景影像和岩性类型标签,得到每种岩性类型对应的背景岩性特征,包括:
对背景影像进行降采样,得到浅层背景影像特征;
根据岩性类型标签,得到具有预设通道数的标签特征,并对标签特征的特征值进行二值化处理,其中,每个通道对应一个岩性类型,存在特征值为1的通道对应标签特征包含的岩性类型;
将浅层背景影像特征和标签特征进行点乘,得到每种岩性类型对应的背景岩性特征。
具体地,可以通过背景感知模块中的下采样块A对背景影像进行降采样,提取背景影像的浅层语义特征(即浅层背景影像特征),优选地,可以采用和前述的第一采样模块结构相同的下采样块A快进行特征提取,下采样块A与第一采样模块可共享参数,有利于挖掘背景影像和目标影像的关联。在此基础上,对岩性类型标签进行处理,将其划分为具有预设通道数的标签特征,其中,通道数可以根据岩性类型的总种类数划分,每个通道对应一种岩性类型。优选地,本实施例中将岩性类型标签划分为具有20个通道的特征标签。将标签特征进行二值化处理,存在特征值为1的通道对应标签特征包含的岩性类型。将浅层背景影像特征和标签特征进行点乘,即可得到每种岩性类型对应的背景岩性特征。例如,某一张背景影像对应的岩性类型标签初始尺寸为1×64×64,再将其处理成20×64×64的标签特征,并进行二值化处理,每个通道由0和1的二进制值组成。其中,每个通道对应一个岩性类型,若这张背景影像仅包含第五类岩性,则第五个通道存在特征值为1的元素,其余通道特征值为0。在此基础上,对20×64×64的标签特征进行降采样,使其维度变为20×32×32,并将其划分为20层,每一层特征的维度为1×32×32。最后,将得到的浅层背景影像特征(维度为C×32×32,其中C表示特征通道数)与每层标签特征进行点乘,得到背景影像中每个岩性类型对应的背景岩性特征。
在本实施例中,通过背景感知模块对背景影像进行降采样,提取丰富的背景影像特征,得到浅层背景影像特征;在此基础上,将岩性类型标签划分为具有预设通道数的标签特征,每一个通道对应一种岩性类型,实现基于通道的层数对岩性类型的表达,便于后续将浅层背景影像特征和标签特征进行点乘时,能够快速、准确建立背景影像与岩性类型标签的关联;最后,将浅层背景影像特征和标签特征进行点乘,得到的背景岩性特征能够包含大量的细节,有利于提升解译模型的感知能力,进而提高解译结果的可靠性。
可选地,通过原型特征生成模块对背景岩性特征进行关键特征提取,生成每种岩性类型对应的原型特征,包括:
获取每个背景岩性特征中每个通道包含的最大特征值;
根据最大特征值,得到每种岩性类型对应的原型特征。
具体地,背景岩性特征中每个通道包含的最大特征值对应该通道中具有最大响应的特征,有利于提高不同岩性类别的区分度和特征表达能力,每个通道的最大值对应该类别的存在与否,从而使得不同岩性类型在影像特征中的表达更为明显,有利于提高解译模型的准确性。在得到每个背景岩性特征中每个通道包含的最大特征值后,可以再通过原型特征生成模块的线性层进一步学习,进而得到每个岩性类型对应的原型特征。例如,每个背景岩性特征的维度为C×32×32,其中C表示特征通道数,本实施例中选取C=64,假设岩性类型共有20类,则存在20个维度为64×32×32的背景岩性特征,获取每个背景岩性特征的每个通道包含的最大特征值,再经过线性层即可得到20个维度为64×1×1的原型特征。由此可知,原型特征满足:
;
;
其中,表示原型特征,/>表示线性层,T表示并联操作,/>表示某一岩性类型对应的最大值原型信息(对应背景岩性特征中每个通道包含的最大特征值),表示经过降采样,/>表示一张背景影像,/>表示经过降采样并拆分成20层后的标签特征中的一层,每一层代表一类岩性类型。
在本实施例中,通过原型特征生成模块获取每个背景岩性特征中每个通道包含的最大特征值,每个通道包含的最大特征值对应该通道中具有最大响应的特征,有利于提高不同岩性类别的区分度和特征表达能力,同时还有利于减少计算和存储的开销。基于此得到每种岩性类型对应的原型特征,有利于解译模型更好地捕捉到不同岩性类型的特征,提高解译模型的性能和解译效率。
可选地,通过相关性感知模块根据原型特征和浅层目标影像特征,得到相关性权重信息,包括:
分别对原型特征和浅层目标影像特征进行维度转换,得到原型特征矩阵和浅层目标影像特征矩阵;
将原型特征矩阵和浅层目标影像特征矩阵进行矩阵相乘,并依次经过线性层和上采样,得到相关性权重信息。
具体地,基于背景影像和岩性类型标签每种岩性类型对应的原型特征后,为了探索背景影像和目标影像的关联,可以对其进行矩阵相乘,得到目标影像特征和每种岩性类型对应原型特征的相关性权重信息。例如,将20个维度为64×1×1的原型特征进行数组维度转换,得到维度为20×64的原型特征矩阵,将维度为64×32×32浅层目标影像进行数组维度转换,得到维度为64×1024的浅层目标影像特征矩阵,将原型特征矩阵和浅层目标影像特征矩阵进行矩阵相乘,得到维度为20×1024的初始相关性权重信息,在此基础上,通过相关性感知模块的线性层进一步学习原型特征和浅层目标影像特征的关联,并经过上采样恢复至原图像大小,得到相关性权重信息。优选地,当背景影像的数量大于1时,将每张背景影像对应的原型特征矩阵与浅层目标影像特征矩阵生成的初始相关性权重信息进行相加,再经过线性层和上采样得到最终的相关性权重信息。
在本实施例中,通过相关性感知模块将原型特征和浅层影像特征进行维度转换后矩阵相乘,有利于挖掘背景影像和目标影像的关联,进而挖掘背景影像对应不同岩性类型的原型特征与目标影像的关联,有利于基于已知岩性类型的背景影像对目标影像的目标岩性类型进行感知,相较于传统技术在对高植被覆盖区域进行岩性解译时利用受植被干扰较小的数据源(如激光雷达获得的地形数据)、减轻植被噪声、利用植被间接分析岩性等方式,本实施例中通过背景学习网络的相关性感知模块挖掘已知岩性类型标签的背景影像与其临近的目标影像之间的深度关联,有利于保障解译结果的准确性和可靠性。
如图2所示,现以一具体实施例展示解译模型的解译过程,图2为背景影像的数量为3时解译模型的结构示意图,图2中A表示目标影像,B1、B2和B3表示三张背景影像,标签1、标签2和标签3分别表示背景影像B1、B2和B3对应的岩性类型标签,L表示线性层,a1表示浅层目标影像特征经过数组维度转化后得到的浅层目标影像特征矩阵,FMax表示原型特征矩阵和浅层目标影像特征矩阵a1进行矩阵相乘后的结果,a2表示经1×1卷积后的深层目标影像特征,q表示经线性层和上采样后的相关性权重信息,表示输出的目标影像的解译结果。
自我学习网络中的第一采样模块对目标影像A进行降采样,得到浅层目标影像信息,浅层目标影像信息经第二采用模块继续提取深层特征,再经过解码器进行分辨率恢复后得到深层目标影像特征。
将背景影像B1、B2和B3及其对应的岩性类型标签(即标签1、标签2和标签3)输入到背景学习网络中,通过背景感知模块的下采样块A对背景影像进行降采样,提取出浅层背景影像特征,将岩性类型标签处理成具有20通道数的标签特征,每个通道对应一种岩性类型。通过背景感知模块对标签特征进行二值化处理,每个通道由0和1的二进制值组成。如果标签特征中存在对应的岩性类型,则对应通道中的相应位置标记为1,其余为0。在此基础上,通过背景感知模块对标签特征进行降采样,将其划分为20层,将浅层背景影像特征与每层标签特征进行点乘,得到每种岩性类型对应的背景岩性特征。
通过原型特征生成模块获取背景岩性特征中每个通道中的最大特征值,得到每种岩性类型对应的原型特征,经过线性层进一步学习背景影像和岩性类型标签的关联。
通过相关性感知模块对原型特征和浅层目标影像特征分别进行数组维度转化,得到原型特征矩阵和浅层目标影像特征矩阵a1,将原型特征矩阵和浅层目标影像特征矩阵a1进行矩阵相乘,再将得到的结果(对应图2中的FMax)相加。在此基础上,经过相关性感知模块的线性层进一步学习原型特征和目标影像特征的区别和联系,再经过上采样恢复至原始图像大小,得到相关性权重信息q。
在得到相关性权重信息后,通过融合模块将相关性权重信息与经过1×1卷积的深层目标影像特征进行融合,再经过1×1卷积层,将通道数量减少为与岩性类型相同的数量(如20类),则存在特征值或特征值大于预设阈值的通道即对应目标影像包含的岩性类型,其中,解译模型的输出满足:
;
其中,表示解译模型的输出,Z表示浅层目标影像特征,/>表示第n个背景影像对应的原型特征,/>表示线性层,/>表示上采样模块(上采样模块的结构可以与自我学习网络中解码器的上采样模块结构相同),/>表示1×1卷积层。
可选地,遥感影像信息还包括目标影像对应的目标位置、备选背景影像、备选位置和备选岩性类型标签;获取遥感影像信息,并基于遥感影像信息得到待解译的目标影像以及目标影像周围预设范围内至少一张背景影像和对应的岩性类型标签,包括:
获取目标位置周围预设范围内的备选背景影像,并按照备选位置距离目标位置从近到远的顺序排列,得到备选背景影像序列;
按照从前到后的顺序从备选背景影像序列中选取至少一个备选背景影像作为背景影像,并将背景影像对应的备选岩性类型标签作为岩性类型标签。
在本实施例中,在对目标影像对应的背景影像选取时,考虑到相近的地质实体往往在地质属性和环境条件方面表现出更大的相似性,背景影像应当选取目标影像周围的已知备选岩性类型标签的备选背景影像。应当理解的是,本实施例中所指的“周围”并不仅限于与目标影像对应目标位置直接接壤或最邻近的区域,可以获取预设单位内的多个备选背景影像,并按照备选位置距离目标位置从近到远的顺序排列,得到备选背景影像序列,备选影像序列中位置越靠前的备选背景影像与目标影像的距离越近。优选地,选取备选影像序列中前三个备选背景影像作为背景影像,并将这三个背景影像对应的备选岩性类型标签作为岩性类型标签。本实施例获取目标影像周围至少一张已知岩性类型标签的背景影像,有利于提高对目标影像解译结果的可靠性。
本发明又一实施例提供一种地质岩性的解译装置,包括:
获取模块,其用于获取遥感影像信息,并基于遥感影像信息得到待解译的目标影像以及目标影像周围预设范围内至少一张已知岩性类型标签的背景影像;
解译模块,其用于将目标影像、背景影像及背景影像对应的岩性类型标签输入到预设的解译模型中,得到目标影像对应的目标岩性类型;
其中,解译模型包括自我学习网络和背景学习网络;
自我学习网络用于根据目标影像得到目标影像特征;
背景学习网络用于根据背景影像和岩性类型标签得到每种岩性类型对应的原型特征,提取目标影像特征与原型特征的相关性权重信息,并基于相关性权重信息得到目标岩性类型。
本实施例提供的地质岩性的解译装置与地质岩性的解译方法能够产生的有益效果基本相同,在此不再赘述。
本发明又一实施例提供一种地质岩性的解译装置,包括存储有计算机程序的计算机可读存储介质和处理器,当所述计算机程序被所述处理器读取并运行时,实现如上所述的地质岩性的解译方法。
本实施例提供的地质岩性的解译装置与地质岩性的解译方法能够产生的有益效果基本相同,在此不再赘述。
本发明又一实施例提供一种计算机可读存储介质,存储介质上存储有计算机程序,当计算机程序被处理器执行时,实现如上所述的地质岩性的解译方法。
本实施例提供的计算机可读存储介质与地质岩性的解译方法能够产生的有益效果基本相同,在此不再赘述。
现将描述可以作为本发明的服务器或客户端的电子设备,其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
电子设备包括计算单元,其可以根据存储在只读存储器(ROM)中的计算机程序或者从存储单元加载到随机访问存储器(RAM)中的计算机程序,来执行各种适当的动作和处理。在RAM中,还可存储设备操作所需的各种程序和数据。计算单元、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。在本申请中,所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种地质岩性的解译方法,其特征在于,包括如下步骤:
获取遥感影像信息,并基于所述遥感影像信息得到待解译的目标影像以及所述目标影像周围预设范围内至少一张已知岩性类型标签的背景影像;
将所述目标影像、所述背景影像及所述背景影像对应的所述岩性类型标签输入到预设的解译模型中,得到所述目标影像对应的目标岩性类型;
其中,所述解译模型包括自我学习网络和背景学习网络;
所述自我学习网络用于根据所述目标影像得到目标影像特征;
所述背景学习网络用于根据所述背景影像和所述岩性类型标签得到每种岩性类型对应的原型特征,提取所述目标影像特征与所述原型特征的相关性权重信息,并基于所述相关性权重信息得到所述目标岩性类型。
2.根据权利要求1所述的地质岩性的解译方法,其特征在于,所述自我学习网络包括第一采样模块,第二采样模块和解码器;所述目标影像特征包括浅层目标影像特征和深层目标影像特征;所述自我学习网络具体用于:
通过所述第一采样模块对所述目标影像进行降采样,得到所述浅层目标影像特征;
通过所述第二采样模块对所述浅层影像特征进行降采样;
通过所述解码器对经所述第二采样模块进行降采样的所述浅层影像特征进行分辨率恢复,得到所述深层目标影像特征。
3.根据权利要求2所述的地质岩性的解译方法,其特征在于,所述背景学习网络包括背景感知模块、原型特征生成模块、相关性感知模块和融合模块;所述背景学习网络具体用于:
通过所述背景感知模块根据所述背景影像和所述岩性类型标签,得到每种所述岩性类型对应的背景岩性特征;
通过所述原型特征生成模块对所述背景岩性特征进行关键特征提取,生成每种所述岩性类型对应的所述原型特征;
通过所述相关性感知模块根据所述原型特征和所述浅层目标影像特征,得到所述相关性权重信息;
通过所述融合模块对所述相关性权重信息和所述深层目标影像特征进行融合,得到所述目标岩性类型。
4.根据权利要求3所述的地质岩性的解译方法,其特征在于,所述通过所述背景感知模块根据所述背景影像和所述岩性类型标签,得到每种所述岩性类型对应的背景岩性特征,包括:
对所述背景影像进行降采样,得到浅层背景影像特征;
根据所述岩性类型标签,得到具有预设通道数的标签特征,并对所述标签特征的特征值进行二值化处理,其中,每个通道对应一个所述岩性类型,存在所述特征值为1的通道对应所述标签特征包含的所述岩性类型;
将所述浅层背景影像特征和所述标签特征进行点乘,得到每种所述岩性类型对应的所述背景岩性特征。
5.根据权利要求4所述的地质岩性的解译方法,其特征在于,所述通过所述原型特征生成模块对所述背景岩性特征进行关键特征提取,生成每种所述岩性类型对应的所述原型特征,包括:
获取每个所述背景岩性特征中每个通道包含的最大特征值;
根据所述最大特征值,得到每种所述岩性类型对应的所述原型特征。
6.根据权利要求5所述的地质岩性的解译方法,其特征在于,所述通过所述相关性感知模块根据所述原型特征和所述浅层目标影像特征,得到所述相关性权重信息,包括:
分别对所述原型特征和所述浅层目标影像特征进行维度转换,得到原型特征矩阵和浅层目标影像特征矩阵;
将所述原型特征矩阵和所述浅层目标影像特征矩阵进行矩阵相乘,并依次经过线性层和上采样,得到所述相关性权重信息。
7.根据权利要求1-6任一项所述的地质岩性的解译方法,其特征在于,所述遥感影像信息还包括所述目标影像对应的目标位置、备选背景影像、备选位置和备选岩性类型标签;所述获取遥感影像信息,并基于所述遥感影像信息得到待解译的目标影像以及所述目标影像周围预设范围内至少一张已知岩性类型标签的背景影像,包括:
获取所述目标位置周围所述预设范围内的所述备选背景影像,并按照所述备选位置距离所述目标位置从近到远的顺序排列,得到备选背景影像序列;
按照从前到后的顺序从所述备选背景影像序列中选取至少一个所述备选背景影像作为所述背景影像,并将所述背景影像对应的所述备选岩性类型标签作为所述岩性类型标签。
8.一种地质岩性的解译装置,其特征在于,包括:
获取模块,其用于获取遥感影像信息,并基于所述遥感影像信息得到待解译的目标影像以及所述目标影像周围预设范围内至少一张已知岩性类型标签的背景影像;
解译模块,其用于将所述目标影像、所述背景影像及所述背景影像对应的所述岩性类型标签输入到预设的解译模型中,得到所述目标影像对应的目标岩性类型;
其中,所述解译模型包括自我学习网络和背景学习网络;
所述自我学习网络用于根据所述目标影像得到目标影像特征;
所述背景学习网络用于根据所述背景影像和所述岩性类型标签得到每种岩性类型对应的原型特征,提取所述目标影像特征与所述原型特征的相关性权重信息,并基于所述相关性权重信息得到所述目标岩性类型。
9.一种地质岩性的解译装置,其特征在于,包括存储有计算机程序的计算机可读存储介质和处理器,当所述计算机程序被所述处理器读取并运行时,实现如权利要求1至7任一项所述的地质岩性的解译方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至7任一项所述的地质岩性的解译方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243118.2A CN116994155B (zh) | 2023-09-26 | 2023-09-26 | 一种地质岩性的解译方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243118.2A CN116994155B (zh) | 2023-09-26 | 2023-09-26 | 一种地质岩性的解译方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994155A true CN116994155A (zh) | 2023-11-03 |
CN116994155B CN116994155B (zh) | 2024-02-23 |
Family
ID=88523427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311243118.2A Active CN116994155B (zh) | 2023-09-26 | 2023-09-26 | 一种地质岩性的解译方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994155B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197471A (zh) * | 2023-11-07 | 2023-12-08 | 中国地质大学(武汉) | 一种岩性制图方法及计算机设备 |
CN117710758A (zh) * | 2024-02-05 | 2024-03-15 | 中国地质大学(武汉) | 一种遥感图像岩土解译方法、介质及设备 |
CN117710758B (zh) * | 2024-02-05 | 2024-05-10 | 中国地质大学(武汉) | 一种遥感图像岩土解译方法、介质及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068136A (zh) * | 2015-07-27 | 2015-11-18 | 中国地质调查局武汉地质调查中心 | 基于多源信息的中南半岛示范区铜金矿潜力定位评价方法 |
CN105844627A (zh) * | 2016-03-21 | 2016-08-10 | 华中科技大学 | 一种基于卷积神经网络的海面目标图像背景抑制方法 |
CN109613623A (zh) * | 2018-10-31 | 2019-04-12 | 中国石油大学(华东) | 一种基于残差网络的岩性预测方法 |
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 |
CN113344050A (zh) * | 2021-05-28 | 2021-09-03 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及系统 |
WO2021183518A1 (en) * | 2020-03-10 | 2021-09-16 | Schlumberger Technology Corporation | Uncertainty analysis for neural networks |
CN114118231A (zh) * | 2021-11-08 | 2022-03-01 | 长安大学 | 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 |
US20220383475A1 (en) * | 2021-05-25 | 2022-12-01 | Wuhan Center, China Geological Survey (Central South China Innovation Center For Geosciences) | Method for identifying potential landslide hazard of reservoir bank based on rock mass degradation feature |
CN115908890A (zh) * | 2022-09-28 | 2023-04-04 | 中法渤海地质服务有限公司 | 结合图像识别与光谱分析的含水岩石智能岩性识别方法 |
CN116051895A (zh) * | 2023-01-09 | 2023-05-02 | 中国地质大学(武汉) | 一种地质环境遥感解译方法、装置及相关组件 |
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 |
-
2023
- 2023-09-26 CN CN202311243118.2A patent/CN116994155B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068136A (zh) * | 2015-07-27 | 2015-11-18 | 中国地质调查局武汉地质调查中心 | 基于多源信息的中南半岛示范区铜金矿潜力定位评价方法 |
CN105844627A (zh) * | 2016-03-21 | 2016-08-10 | 华中科技大学 | 一种基于卷积神经网络的海面目标图像背景抑制方法 |
CN109613623A (zh) * | 2018-10-31 | 2019-04-12 | 中国石油大学(华东) | 一种基于残差网络的岩性预测方法 |
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 |
WO2021183518A1 (en) * | 2020-03-10 | 2021-09-16 | Schlumberger Technology Corporation | Uncertainty analysis for neural networks |
US20220383475A1 (en) * | 2021-05-25 | 2022-12-01 | Wuhan Center, China Geological Survey (Central South China Innovation Center For Geosciences) | Method for identifying potential landslide hazard of reservoir bank based on rock mass degradation feature |
CN113344050A (zh) * | 2021-05-28 | 2021-09-03 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及系统 |
CN114118231A (zh) * | 2021-11-08 | 2022-03-01 | 长安大学 | 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 |
CN115908890A (zh) * | 2022-09-28 | 2023-04-04 | 中法渤海地质服务有限公司 | 结合图像识别与光谱分析的含水岩石智能岩性识别方法 |
CN116051895A (zh) * | 2023-01-09 | 2023-05-02 | 中国地质大学(武汉) | 一种地质环境遥感解译方法、装置及相关组件 |
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 |
Non-Patent Citations (3)
Title |
---|
周家晶: "基于光谱色度差异增强岩性信息的方法研究", 世界核地质科学 * |
李雨柯 等: "基于深度学习的岩体遥感智能解译模型研究——以黑龙江省苇河镇、亚布力镇、绥阳镇地区为例", 地质与资源 * |
谭衢霖;: "SAR遥感数据用于岩性识别与分类的研究", 地质找矿论丛, no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197471A (zh) * | 2023-11-07 | 2023-12-08 | 中国地质大学(武汉) | 一种岩性制图方法及计算机设备 |
CN117197471B (zh) * | 2023-11-07 | 2024-02-09 | 中国地质大学(武汉) | 一种岩性制图方法及计算机设备 |
CN117710758A (zh) * | 2024-02-05 | 2024-03-15 | 中国地质大学(武汉) | 一种遥感图像岩土解译方法、介质及设备 |
CN117710758B (zh) * | 2024-02-05 | 2024-05-10 | 中国地质大学(武汉) | 一种遥感图像岩土解译方法、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116994155B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11227185B2 (en) | Identifying visually similar digital images utilizing deep learning | |
Li et al. | Automated terrain feature identification from remote sensing imagery: a deep learning approach | |
US10754851B2 (en) | Question answering for data visualizations | |
CN112084362B (zh) | 一种基于层次化特征互补的图像哈希检索方法 | |
US10417492B2 (en) | Conversion of static images into interactive maps | |
CN108734210B (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
US11875510B2 (en) | Generating refined segmentations masks via meticulous object segmentation | |
US11636570B2 (en) | Generating digital images utilizing high-resolution sparse attention and semantic layout manipulation neural networks | |
CN111353999A (zh) | 使用尺度多样化的分割神经网络标识目标对象 | |
CN116994155B (zh) | 一种地质岩性的解译方法、装置及存储介质 | |
Du et al. | Segmentation and sampling method for complex polyline generalization based on a generative adversarial network | |
CN109299303B (zh) | 基于可变形卷积与深度网络的手绘草图检索方法 | |
Zhao et al. | Multiscale object detection in high-resolution remote sensing images via rotation invariant deep features driven by channel attention | |
US20220398402A1 (en) | Detecting objects in a video using attention models | |
CN113869138A (zh) | 多尺度目标检测方法、装置及计算机可读存储介质 | |
JP2023527615A (ja) | 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム | |
Wu et al. | Leveraging uncertainty estimation and spatial pyramid pooling for extracting hydrological features from scanned historical topographic maps | |
Raveendra et al. | Hybrid ant colony optimization model for image retrieval using scale-invariant feature transform local descriptor | |
Luo et al. | Extraction of bridges over water from IKONOS panchromatic data | |
Chen et al. | BisDeNet: A New Lightweight Deep Learning-based Framework for Efficient Landslide Detection | |
Roberto et al. | Incremental structural modeling on sparse visual SLAM | |
CN115810152A (zh) | 基于图卷积的遥感图像变化检测方法、装置和计算机设备 | |
CN115222947A (zh) | 基于全局自注意力变换网络的岩石节理分割方法和装置 | |
CN114596442A (zh) | 一种图像识别方法、装置、设备及存储介质 | |
Zhao et al. | Height estimation from single aerial imagery using contrastive learning based multi-scale refinement network |
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 |