一种高光谱遥感影像岩性样本集构建方法与流程

本发明属于地球科学，具体涉及一种高光谱遥感影像岩性样本集构建方法。

背景技术：

1、人工智能近年来发展迅猛，机器学习是人工智能的核心，是使计算机具有智能的根本途径。深度学习作为机器学习领域最火热的新技术，在语音识别、自然语言处理和计算机视觉等领域应用非常成功，其核心在于让计算机对样本的特征进行深度提取、抽象并加以学习，成为某领域的“专家”。目前，很多学者将深度学习应用于高光谱影像的地物分类中，并在精度方面优于支持向量机、随机森林等传统机器学习算法。深度学习的成功应用有赖于大量样本的学习过程，因此，构建样本数据集是深度学习的关键性基础工作。

2、在遥感地质领域，高光谱遥感矿物填图已经较为成熟，传统的光谱匹配方法就能够获得较高的精度，目前已经能够实现几十种矿物的识别，其中包括与成矿相关的许多种蚀变矿物类型。然而，对于遥感岩性分类，由于岩性是许多矿物组分的混合物，其光谱特征不确定性较大，且造岩矿物在常用的高光谱遥感波段(0.4-2.5μm)表现的光谱特征不显著，长期以来一直是高光谱遥感地质应用的难点。采用机器学习尤其是深度学习研究高光谱影像岩性分类填图，有望突破遥感岩性分类技术瓶颈。为了达到机器学习和深度学习的应用目的，构建高光谱遥感影像岩性样本数据集是一项关键技术。

3、传统的构建样本数据集的方式是参考确定性的目标直接进行标注。因此，对于遥感岩性分类一般参考地质图进行样本圈定。然而，地质图的精度具有很大的不确定性，不同比例尺的地质图差异较大，大比例尺地质图往往难以获得。

4、因此，亟待开发一种高光谱遥感影像岩性样本数据集的构建方法，以解决传统方法中存在的问题。

技术实现思路

1、本发明的目的在于提供一种高光谱遥感影像岩性样本集构建方法，该方法利用高光谱影像本身的特征，充分发挥高光谱影像同时包含空间信息与光谱信息的“图谱合一”特点，在地质图的辅助下，综合光谱分析和空间纹理分析进行特征选择，制作特征融合图，在此基础上结合地质图进行岩性样本圈定，进而实现高光谱影像中的岩性样本数据集的构建，有效提高高光谱遥感地质岩性分类的实用性和可靠性。

2、实现本发明目的的技术方案：

3、一种高光谱遥感影像岩性样本集构建方法，所述方法包括以下步骤：

4、步骤1，高光谱遥感影像预处理：对高光谱遥感影像进行预处理，获得反射率影像数据；

5、步骤2，岩性地质图与影像空间配准：以校正后的岩性地质图为基准，反射率影像数据进行空间配准，获得与岩性地质图配准后影像；

6、步骤3，光谱特征分析：基于与岩性地质图配准后影像，选取各类岩性的光谱，进行光谱特征分析，确定各类岩性的特征谱段范围；

7、步骤4，波段统计分析：对反射率影像数据进行统计，计算并分析各波段影像统计量，初步厘定波段范围；

8、步骤5，波段选择：在初步厘定波段范围内，结合统计量分析，选择空间纹理特征的备选波段；

9、步骤6，二阶概率统计滤波：对选择的空间纹理特征的备选波段，采用二阶概率统计滤波方法计算空间纹理特征，获得各波段的多种空间纹理特征影像图；

10、步骤7，纹理特征融合分析：计算各波段的多种空间纹理特征影像图的标准差，选择标准差相对较大的三种不同的空间纹理特征进行rgb彩色增强融合，生成增强后的融合影像；

11、步骤8，样本圈定与标注，构建高光谱遥感影像岩性样本集。

12、所述步骤1中的高光谱遥感影像预处理包括：辐射定标、大气校正、几何校正、地形校正。

13、所述步骤3中光谱特征分析包括：全波形光谱形态分析和局部光谱诊断性分析；全波形光谱形态分析为对选取的光谱进行整个波长范围的形态分析；局部光谱诊断性分析为对选取的光谱进行局部吸收峰的诊断性分析。

14、所述全波形光谱形态分析包括：曲线吸收峰个数、各部分的上升与下降趋势；局部光谱诊断性分析包括：吸收峰波长位置、深度、宽度、面积。

15、所述步骤3中确定各类岩性的特征谱段范围具体为：根据全波形光谱形态分析和局部光谱诊断性分析，判断同一类岩性内部的光谱是否有很大差异，不同类岩性之间的光谱是否存在相似性，确定各类岩性的特征谱段范围。

16、所述步骤4中统计量包括：最大值、最小值、均值、标准差、特征值、协方差、相关系数。

17、所述步骤4中初步厘定的波段范围为：标准差相对较大、且具有均值差异的波段。

18、所述步骤5具体为：在初步厘定波段范围内，结合相关系数分析，选择标准差相对较大、均值具有差异、波段间相关性相对较小的多个波段，作为空间纹理特征的备选波段。

19、所述步骤6中空间纹理特征包括：空间协同性特征、相异性特征、信息熵特征、二阶矩特征、相关性特征。

20、所述步骤8具体为：结合与岩性地质图配准后影像和纹理特征融合后影像，进行岩性样本圈定及标注，圈定样本的影像范围及范围内的光谱数据和空间纹理特征构成了高光谱遥感影像岩性样本集。

21、本发明的有益技术效果在于：

22、1、本发明提供的一种高光谱遥感影像岩性样本集构建方法，首先对高光谱遥感影像进行预处理，与岩性地质图进行空间配准，然后分别从光谱维和空间维两个角度进行特征分析和选择，选择光谱差异较大、图像信息量较大且波段间相关性较小的波段，采用基于灰度共生矩阵的二阶概率统计滤波提取各波段影像纹理特征，对纹理特征加权融合，在融合后的影像上圈定岩性的样本范围，最后抽样筛查岩性光谱样本，构建包含不同岩性的高光谱遥感样本数据集，可用于机器学习领域的各种监督分类，提高高光谱遥感地质岩性分类的实用性和可靠性。

23、2、本发明提供的一种高光谱遥感影像岩性样本集构建方法，在样本圈定过程中充分考虑高光谱影像的空间信息与光谱信息，实现空-谱信息的综合分析与融合，能够有效地改善受地质图精度影响的样本质量问题，提高后续基于机器学习的高光谱影像岩性分类精度。

24、3、本发明提供的一种高光谱遥感影像岩性样本集构建方法中建立的样本数据集既包括光谱信息，又包括空间纹理信息，可用作许多综合空间和光谱信息的深度学习方法样本。

技术特征：

1.一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述步骤1中的高光谱遥感影像预处理包括：辐射定标、大气校正、几何校正、地形校正。

3.根据权利要求1所述的一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述步骤3中光谱特征分析包括：全波形光谱形态分析和局部光谱诊断性分析；全波形光谱形态分析为对选取的光谱进行整个波长范围的形态分析；局部光谱诊断性分析为对选取的光谱进行局部吸收峰的诊断性分析。

4.根据权利要求3所述的一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述全波形光谱形态分析包括：曲线吸收峰个数、各部分的上升与下降趋势；局部光谱诊断性分析包括：吸收峰波长位置、深度、宽度、面积。

5.根据权利要求4所述的一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述步骤3中确定各类岩性的特征谱段范围具体为：根据全波形光谱形态分析和局部光谱诊断性分析，判断同一类岩性内部的光谱是否有很大差异，不同类岩性之间的光谱是否存在相似性，确定各类岩性的特征谱段范围。

6.根据权利要求1所述的一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述步骤4中统计量包括：最大值、最小值、均值、标准差、特征值、协方差、相关系数。

7.根据权利要求6所述的一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述步骤4中初步厘定的波段范围为：标准差相对较大、且具有均值差异的波段。

8.根据权利要求7所述的一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述步骤5具体为：在初步厘定波段范围内，结合相关系数分析，选择标准差相对较大、均值具有差异、波段间相关性相对较小的多个波段，作为空间纹理特征的备选波段。

9.根据权利要求1所述的一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述步骤6中空间纹理特征包括：空间协同性特征、相异性特征、信息熵特征、二阶矩特征、相关性特征。

10.根据权利要求1所述的一种高光谱遥感影像岩性样本集构建方法，其特征在于，所述步骤8具体为：结合与岩性地质图配准后影像和纹理特征融合后影像，进行岩性样本圈定及标注，圈定样本的影像范围及范围内的光谱数据和空间纹理特征构成了高光谱遥感影像岩性样本集。

技术总结
本发明属于地球科学技术领域，具体涉及一种高光谱遥感影像岩性样本集构建方法，包括：对高光谱遥感影像进行预处理，获得反射率影像数据；与岩性地质图进行空间配准，获得与岩性地质图配准后影像；进行光谱特征分析，确定各类岩性的特征谱段范围；计算并分析反射率影像数据各波段影像统计量，初步厘定波段范围；结合统计量分析，选择波段；采用二阶概率统计滤波方法计算空间纹理特征，获得各波段的多种空间纹理特征影像图；选择标准差相对较大的三种不同的空间纹理特征进行RGB彩色增强融合，生成增强后的融合影像；样本圈定与标注，构建高光谱遥感影像岩性样本集。本发明方法能够有效提高高光谱遥感地质岩性分类的实用性和可靠性。

技术研发人员：张川,叶发旺,伍炜超,李新春
受保护的技术使用者：核工业北京地质研究院
技术研发日：
技术公布日：2024/1/22