[发明专利]一种基于非监督特征提取的岩性识别方法、装置及介质

说明书

本发明公开了一种基于非监督特征提取的岩性识别方法、装置及介质，涉及高光谱技术领域。该方法包括：对原始高光谱数据进行预处理，获得第一反射率数据，基于专家知识并结合MNF变换后假彩色影像选取地质体端元，构建岩性特征提取网络模型，通过样本训练集数据对模型进行训练获得训练后的岩性特征提取网络模型，利用训练后的模型的编码器对反射率数据进行非监督的岩性特征提取，获得与原始高光谱数据相同分辨率和相同空间范围的预测识别结果数据，通过构建岩性特征提取网络模型对岩性识别相关的空谱特征进行非监督提取，增强了岩性空间关联信息的获取能力，提升了光谱维度有效特征的筛选能力，从而改善了岩性特征的提取精度。

技术领域

本发明涉及高光谱技术领域，尤其涉及一种基于非监督特征提取的岩性识别方法、装置及介质。

背景技术

高光谱数据具有空谱合一的特点，在地质领域应用十分广泛。传统基于高光谱开展地质填图的方法大体可以总结为三类：图像增强法，光谱特征识别法，面向对象识别法。图形增强法如最小噪声分离（MNF）、主成分分析（PCA）、波段比值等方法简单高效，但以提取目标特征为主，需辅助其他手段实现分类；光谱特征识别方法可细分为光谱特征提取和光谱匹配两种方法，前者物理意义明确但需要较多的专家知识引导，且在复杂场景下应用阈值的设定难以把握，后者实现相对简单但精度有限；面向对象方法，虽然相对于基于象元计算类方法能够避免“椒盐效应”但其精度受限于初始的超像素分割的精度，且对大场景下的应用能力不足，对于小目标识别十分不友好。

随着人工智能技术在遥感领域的快速发展，有学者尝试采用支持向量机、随机森林等传统机器学习方法应用于岩性识别，深度学习的兴起更是进一步推动了卷积神经网络在岩性识别方面的应用。然而，上述方法均以监督学习为主，在非监督特征提取方面的研究相对较少，而岩石由于受矿物组成、结构、风化条件、构造环境、蚀变特征等多方面影响，呈现出变化各异的光谱形态，因而很难通过采集足够的样本利用监督学习的方式完成大范围的应用。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于非监督特征提取的岩性识别方法、装置及介质。

本发明解决上述技术问题的技术方案如下：

一种基于非监督岩性特征提取的岩性识别方法，包括：

S1，对原始高光谱数据进行预处理，获得第一反射率数据；

S2，通过提取出岩性特征的训练数据进行训练后，获得的岩性特征提取网络模型，通过训练后的岩性特征提取网络模型的编码器对所述第一反射率数据进行非监督的岩性特征提取，获得与原始高光谱数据相同分辨率和相同空间范围的预测识别结果数据。

本发明的有益效果是：本方案通过训练后的岩性特征提取网络模型的编码器对所述第一反射率数据进行非监督的岩性特征提取，获得与原始高光谱数据相同分辨率和相同空间范围的预测识别结果数据，通过构建岩性特征提取网络模型对岩性识别相关的空谱特征进行非监督提取，增强了岩性空间关联信息的获取能力，提升了光谱维度有效特征的筛选能力，从而改善了岩性特征的提取精度。本方案在小样本条件下依然具有较好的鲁棒性，为实现基于卫星高光谱数据开展大区域岩性填图应用提供了技术基础。

进一步地，在S2之前还包括：

对试验区高光谱数据进行预处理获得第二反射率数据；

对所述第二反射率数据进行MNF变换，对变换后的数据提取前三个波段生成假彩色图像；

参考所述假彩色图像，提取多个端元光谱数据，作为训练目标；

通过预设方法对所述第二反射率数据进行切片处理获得训练数据；

将所述训练数据和所述训练目标作为输入，对所述岩性特征提取网络模型进行训练，训练通过则获得训练后的岩性特征提取网络模型。