CN107895136B - 一种煤矿区域识别方法及*** - Google Patents
一种煤矿区域识别方法及*** Download PDFInfo
- Publication number
- CN107895136B CN107895136B CN201710698775.4A CN201710698775A CN107895136B CN 107895136 B CN107895136 B CN 107895136B CN 201710698775 A CN201710698775 A CN 201710698775A CN 107895136 B CN107895136 B CN 107895136B
- Authority
- CN
- China
- Prior art keywords
- data
- image data
- remote sensing
- training
- sensing image
- 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.)
- Active
Links
Images
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种煤矿区域识别方法及***,用于识别煤矿区域,该方法包括:获取目标区域的遥感图像数据及目标区域中煤的实测光谱数据;通过对实测光谱数据进行筛选,获取实测光谱数据中与遥感图像数据所处波段一致的光谱数据,作为样本光谱数据,样本光谱数据包括训练数据和测试数据;利用包含煤和非煤光谱数据的网络训练集,采用预设的极限学习机对训练数据进行训练,获取针对训练数据分类识别率最优的最优ELM特征分类模型集合;利用最优ELM特征分类模型集合对遥感图像数据进行分类,获取遥感图像数据中被最优ELM特征分类模型集合分类识别为具有煤特征数据的遥感图像数据作为目标图像数据,目标图像数据对应的区域为煤矿区域。
Description
技术领域
本发明涉及煤矿检测技术领域,尤其涉及一种煤矿区域识别方法及***。
背景技术
煤炭作为传统能源被广泛应用于各个领域,随着人口数量不断增大,煤炭的消耗量与日俱增。因此,发现新的煤矿并对矿区内煤炭资源的合理规划及最大化开采成为解决煤炭需求量增加的重要手段。
现有技术中对于煤矿区域的识别主要以收集资料为基础,通过人工野外踏勘,或者实测的方式进行识别。上述方法在实践过程中不仅耗费大量的人力物力,对于地形特征复杂的煤矿区也无法保证识别准确性。
因此,亟需一种煤矿区域识别方法及***,能够有效准确的识别出煤矿区域。
发明内容
(一)要解决的技术问题
本发明公开了一种煤矿区域识别方法,以解决现有技术中通过搜集资料和野外勘探等方法发现煤矿需要耗费大量人力、物力,且准确性差的问题。
本发明公开了一种煤矿区域识别***,与上述煤矿区域识别方法配合使用。
(二)技术方案
为了达到上述目的,一方面,本发明采用以下技术方案:
一种煤矿区域识别方法,包括以下步骤:
获取目标区域的遥感图像数据及目标区域中煤的实测光谱数据;
通过对所述实测光谱数据进行筛选,获取所述实测光谱数据中与所述遥感图像数据所处波段一致的光谱数据,作为样本光谱数据,所述样本光谱数据包括训练数据和测试数据;
利用包含煤和非煤光谱数据的网络训练集,采用预设的极限学习机对所述训练数据进行训练,获取针对所述训练数据分类识别率最优的最优ELM特征分类模型集合;
利用所述最优ELM特征分类模型集合对所述遥感图像数据进行分类,获取所述遥感图像数据中被所述最优ELM特征分类模型集合分类识别为具有煤特征数据的遥感图像数据作为目标图像数据,所述目标图像数据对应的区域为煤矿区域。
进一步,采用预设的极限学习机对所述训练数据进行N轮训练,每轮训练中对所述训练数据进行T次训练,每次训练完成后,获得该次训练对应的分类识别率;
每轮训练完成后从T个所述分类识别率中选取最高的分类识别率作为最优分类识别率,将所述最优分类识别率对应的分类模型作为最优分类模型;
N轮训练完成后,将N个最优分类模型组成一个集合,作为所述最优ELM特征分类模型集合。
进一步,所述预设的极限学习机中的输入层和隐含层之间的激励函数为Ln函数;
所述Ln函数的公式为:
其中,x—输入数据;
ai—第i个神经元输入权值;
bi—第i个神经元偏差值。
进一步,所述训练数据进行训练的轮数N的取值范围为5至101,N为奇数。
进一步,利用所述最优ELM特征分类模型集合对所述遥感图像数据进行分类过程中,N个最优分类模型分别对所述遥感图像数据进行分类;
进一步,在获得所述遥感图像数据后,对所述遥感图像数据进行分类前,所述遥感图像数据要经过校正处理。
进一步,每轮训练中对所述训练数据进行T次训练,T的取值范围为100至1000。
为达到上述目的,另一方面,本发明采用以下技术方案:
一种煤矿区域识别***,与如上所述的煤矿区域识别方法相结合进行煤矿区域识别,包括:
获取单元,用于获取目标区域的遥感图像数据及目标区域中煤的实测光谱数据;
筛选单元,用于对所述实测光谱数据进行筛选,获取样本光谱数据;
训练单元,用于对所述样本光谱数据中的训练数据进行训练,获取最优ELM特征分类模型集合;
分类单元,用于对所述遥感图像数据进行分类,获取目标图像数据;
所述获取单元、筛选单元、训练单元和分类单元依次连接。
进一步,还包括纠偏单元,所述纠偏单元设置于所述获取单元与所述分类单元之间,用于对所述遥感图像数据进行纠偏;
所述纠偏单元包括辐射纠偏子单元和大气纠偏子单元。
进一步,所述获取单元包括遥感图像获取子单元和实测光谱获取子单元。
(三)有益效果
本发明公开的煤矿区域识别方法及***,通过获取目标区域的遥感图像数据及实测光谱数据,利用实测光谱数据进行训练获取最优ELM特征分类模型集合并使用该集合对遥感图像数据进行分类,以识别目标区域中的煤矿区域。使用本发明中的方法,不需要操作人员去地进行勘测,避免了人工勘探的局限性,节约了人力、财力和物力。同时,本发明中的方法能够有效提高煤矿区域识别准确率,高效快速识别出目标区域中是否有煤矿分布。
附图说明
图1为本发明实施例一公开的煤矿区域识别方法的流程图;
图2为本发明实施例二公开的煤矿区域识别***;
图3为本发明实施例三公开的煤矿区域识别方法的流程图;
图4为本发明实施例四公开的煤矿区域识别***。
【附图标记说明】
1、获取单元;11、遥感图像获取子单元;12、实测光谱获取子单元;
2、筛选单元;
3、训练单元;
4、分类单元;
5、纠偏单元;51、辐射纠偏子单元;52、大气纠偏子单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示,是本实施例公开的煤矿区域识别方法,使用该方法进行煤矿区域识别时具体包括以下步骤:
S10、获取目标区域的遥感图像数据及目标区域中煤的实测光谱数据。
该步骤中的目标区域可以是有记载的煤矿区,或是怀疑存在煤矿的区域,或是曾经发现过煤矿的区域,也可以是煤矿区与其他矿区重叠的区域。在确定好目标区域以后,需要获取该目标区域的遥感图像数据,优选获取高分辨率的遥感图像数据,例如通过使用Landsat 8OLI卫星生成的遥感图像数据,该遥感图像数据的空间分辨率优选为30米,也可以是更高或稍低一点的分辨率,对遥感图像数据的分辨率要求并没有过多的局限性。除了通过卫星生成获得遥感图像数据这种方法外,还可以从USGS遥感图像数据库中下载与该目标区域对应的遥感图像资料,从中获取目标区域的遥感图像数据。
现有技术中存在一些使用遥感图像数据进行煤矿区域识别的方法,虽然遥感图像数据种类不断增加,但是对其进行分析和处理的算法相对滞后,这就导致单纯地使用遥感图像数据对煤矿区域进行识别获得的结果的准确性较低。因此,本实施例中,同时获得目标区域的遥感图像数据和实测光谱数据,以供后续分析计算使用,提高识别的准确性。
在确定目标区域后,使用设备采集目标区域中煤的的光谱数据,优选通过光谱仪进行采集。例如使用SVC HR-1024对目标区域采集光谱数据,获得目标区域中煤的实测光谱数据。比如要判别沈阳是否有煤矿存在,那么需要对沈阳范围内已经存在的煤进行光谱数据采集,如果想要识别秦皇岛是否有煤矿存在,那么需要对秦皇岛范围内已经存在的煤进行光谱数据采集。
步骤S20、通过对实测光谱数据进行筛选,获取实测光谱数据中与遥感图像数据所处波段一致的光谱数据,作为样本光谱数据,并将样本光谱数据分为训练数据和测试数据。
由于使用光谱仪采集光谱数据,因此,实测光谱数据一共包括1024个波段,光谱数据的范围达到350nm—2500nm。实测光谱数据波段范围较广,但步骤S10中采集到的遥感图像数据的波段是7个,而各个波段之间的数据可能相互产生干扰,因此,需要对实测光谱数据进行筛选,以减小实测光谱数据的波段范围。根据遥感图像数据与实测光谱数据之间所处波段的对应关系,获得与遥感图像数据所处波段一致的光谱数据,作为样本光谱数据。
如表1所示,是本实施例公开的使用Landsat 8OLI采集的遥感图像数据和使用SVCHR-1024采集的实测光谱数据的波段位置对照表。通过表1所指示的实测光谱数据的波段和遥感图像数据的波段之间的对应关系,可以从实测光谱数据中筛选出与遥感图像数据所包括的7个波段一致的实测光谱数据。
经过筛选后,获得样本光谱数据,将样本光谱数据分为训练数据和测试数据,以备后续过程使用。
表1 Landsat 8OLI和SVC HR-1024波段位置对照表
步骤S30、利用包含煤和非煤光谱数据的网络训练集,采用预设的极限学习机对训练数据进行训练,获取针对训练数据分类识别率最优的最优ELM特征分类模型集合。
包含煤和非煤光谱数据的网络训练集可以从现有技术中已经获得的资料库中下载,可以认为包含煤和非煤数据的网络训练集中其实是包含了煤特征数据和非煤特征数据。该步骤的主要目的是,采用预设的极限学习机对样本光谱数据中的训练数据进行多次训练,在训练过程中建立起最优ELM特征分类模型集合。其实质是获得一种计算模型,能够快速准确的识别出数据中是否包含了记载在网络训练集中的煤特征数据和非煤特征数据。
由于在表1中的1至5波段范围内的遥感图像数据中的遥感黑体光谱数据来自地表上各种不同物质,与煤炭的实测光谱数据有很大区别。如果用眼睛进行分辨的话,很难区分出黑体和煤炭,所以若只使用遥感图像数据进行煤矿区域识采样会采样到很多错误数据,那么使用该数据进行分类,会导致结果不准确。因此,本实施例中建立的最优ELM特征分类模型集合是利用极限学习机训练筛选后的实测光谱数据获得的,以保证模型建立的准确性,提高煤矿区域识别的准确性。
在获得最优ELM分类模型集合后,需要使用测试数据对该集合中的每一个最优分类模型进行一下测试,获得每一个最优分类模型针对测试数据的分类识别率,以验证集合中的每一个最优分类模型是否是最优的。使用测试数据进行测试,起到验证和保险的作用,防止出现因错误或误差造成集合中包含了不是最优的分类模型。
步骤S40、利用获得的最优ELM特征分类模型集合对遥感图像数据进行分类,获取遥感图像数据中被最优ELM特征分类模型集合分类识别为具有煤特征数据的遥感图像数据作为目标图像数据,目标图像数据对应的区域为煤矿区域。
该步骤的实质是,利用最优ELM特征分类识别模型集合,对遥感图像数据进行判断,判断遥感图像数据中是否包含有煤特征数据,如果包含有煤特征数据,那么证明该遥感图像具有煤特征数据的区域有煤炭存在;如果遥感图像数据中包含有非煤特征数据,则证明该遥感图像上没有煤炭存在,从而完成识别煤矿区域这一目标。
实施例二
如图2所示,是本实施例公开的煤矿区域识别***,实施例一种记载的煤矿区域识别方法能够应用在本实施例中的识别***上,该***包含获取单元1、筛选单元2、训练单元3和分类单元4,上述获取单元1、筛选单元2、训练单元3和分类单元4依次连接。
其中,获取单元1用于配合实现实施例一中的步骤S10,分为遥感图像获取子单元11和实测光谱获取子单元12。遥感图像获取子单元11用于获取遥感图像数据,具体为能够获取目标区域遥感图像数据的任何设备。实测光谱获取子单元12用于获取目标区域的实测光谱数据,具体为任何能够获取目标区域实测光谱数据的设备。上述用于获取遥感图像数据和实测光谱数据的设备在此不再赘述,任何能够达到上述目的的设备都包含在获取单元1中。
筛选单元2用于配合实现步骤S20,使得筛选后的实测光谱数据的波段与遥感图像数据中所包括的波段相一致,以减小实测光谱数据的波段范围,避免波段之间相互干扰。
训练单元3用于配合实现步骤S30,训练单元3需要使用计算机,利用实测光谱数据中的训练数据采用极限学习机建立训练数据对应的最优ELM特征分类模型集合。
分类单元4用于配合实现步骤S40,分类单元4需要使用计算机,利用建立的最优ELM特征分类模型集合对遥感图像数据进行分类,识别出遥感图像数据中包含有煤特征数据的区域,该区域就是煤矿区域。
实施例三
如图3所示,是本实施例公开的煤矿区域识别方法的具体流程,具体包含以下步骤:
步骤S10、获取目标区域的遥感图像数据及目标区域中煤的实测光谱数据。
步骤S20、通过对实测光谱数据进行筛选,获取实测光谱数据中与遥感图像数据所处波段一致的光谱数据,作为样本光谱数据,样本光谱数据包括训练数据和测试数据。
步骤S30、对遥感图像数据进行校正处理。
由于在遥感图像数据获取过程中一般会受到大气和光照对地物反射的干扰,这会导致反射光谱数据失真,为了提高遥感图像数据的准确性,需要对遥感图像数据进行校正处理,以消除大气和光照等因素对地物反射的影响,获得更真实的地物反射率和辐射率,使得校正后的遥感图像数据能够更逼近了地面物的实际光谱特征。
具体的,本实施例中,对遥感图像数据进行校正处理包括辐射定标和大气校正,但并不限于上述两种校正处理,任何能够获得更优质的遥感图像数据的校正方法都能够应用到本***中,比如地面控制点几何纠偏。通过校正能够获得准确性更高的表征目标区域中所包括的物质的实际特征的遥感图像数据。
辐射定标是将传感器记录的电压或数字量化值(DN)转换成绝对辐射亮度值(辐射率)的过程。对需要校正的遥感图像数据可以通过满足一定阈值范围内参数进行选取,例如通过软件ENVI提供针对Landsat8卫星图像定标工具,输入要校正的遥感图像数据,并选择校正参数,得到的输出即是校正后的遥感图像数据。
辐射定标之后,可以进行大气校正,如通过FLAASH进行校正。因为在辐射定标时,已经将参数设置为符合大气校正所要求的参数。因此,可以根据MODTRAN模型的LandsatFLAASH方法进行大气校正,输入打开辐射定标的数据,根据该地区的相关参数进行设置大气校正,相关参数如卫星类型,影像获取日期等,输出的就是经过大气校正后的遥感图像数据。
步骤S40、利用包含煤和非煤光谱数据的网络训练集,采用预设的极限学习机对训练数据进行训练,获取针对训练数据分类识别率最优的最优ELM特征分类模型集合。
极限学习机,即ELM,是将传统神经网络参数优化用求解线性方程组替代迭代的算法。ELM与传统的学习算法相比,克服了参数的多次迭代,故ELM具有更快的学习速度和良好的泛化能力,下面从原理上对其进行讲解。
在极限学习机算法中,对于任意给定的A个不同的样本(xi,ti),xi=[xi1,xi2,…,xin]T∈Rn,ti=[ti1,ti2,…,tim]T∈Rm,则表示L个隐层节点的单隐层前馈神经网络如下所示:
其中,x∈R,ai∈Rn,βi∈Rm,表示第i个隐层节点与x的关系。
由g(x):R→R,得出:
G(ai,bi,x)=g(ai·x+bi),bi∈R
其中,ai=[ai1,ai2,…,ain]T∈Rn为输入层到第i个隐含层节点的输入权值向量;
bi表示第i个隐含层节点的阈值;
βi=[βi1,βi2,…βim]T表示第i个隐含层节点到输出层的输出权值向量;
ai,bi在模型的训练中是随机取值的。
选取B个样本(xi,ti)∈Rn×Rm,xi∈Rn,ti∈Rm,则可对公式(1)简化成:
Hβ=T
上式中,H是隐含层输出矩阵。
因此,极限学习机能够获得更优的算法,也正因为如此,本发明选用极限学习机建立算法模型,以对遥感图像数据进行分类。
步骤S40具体包含以下步骤:
步骤S41、采用预设的极限学习机对训练数据进行N轮训练,每轮训练中对训练数据进行T次训练,每次训练完成后,获得该次训练对应的分类识别率。
经筛选后的实测光谱数据作为样本光谱数据,对样本光谱数据中的训练数据进行训练,在训练之前,需要对极限学习机进行预设,预设时包含两个参数,分别是激活函数和隐含层节点数。
现有技术中的ELM的激活函数通常有以下几种:Sigmoid函数、ReLU函数、Softplus函数。Sigmoid函数是一个良好的阈值函数,在处理神经网络问题上有很大的优势,由于ReLU函数更接近生物学的激活模型,且形式简单,因此修正线性ReLU函数也被广泛应用,逐渐代替Sigmoid激活函数成为主流。由于没有用到幂运算和除法运算,因此ReLU运算速度更快,泛化性能好。Softplus激活函数比ReLU函数近似平滑的,比Sigmoid函数更加接近生物学的激活模型,Softplus函数比ReLU函数能使整个网络模型的平均性能更好,但Softplus函数用到幂运算。
在某些情况下需要处理大量的数据,且数据值很大,如果没有适当的对数据进行预处理,会导致算法在计算过程中达到无穷大的结果,使整个***崩溃。因此,选择一种优越的算法,即选择一种优越的函数,对于数据处理和识别具有至关重要的意义。
本实施例中,在对极限学习机进行预设时,选择输入层和隐含层之间的激励函数为Ln函数;
所述Ln函数的公式为:
其中,x—输入数据;
ai—第i个神经元输入权值;
bi—第i个神经元偏差值。
Ln函数是非线性的连续可微函数,它克服了Softplus激活函数的缺点,且该函数在大量实验中表现了良好的效果,因此,使用Ln函数能够获得更好的训练效果。
表2各种激活函数模型的准确率比较
表2是各种激励函数模型的准确率比较表,从表2的比较结果来看,本实施例选用的Ln函数的准确率达到了98.6012%,相比于其他函数高出了不少,因此,使用Ln函数进行遥感图像数据识别的效果更好,识别准确率更高。
隐含层节点数会对极限学习机的学习和信息处理能力产生较大的影响,隐含层节点数偏多会增加极限学习机网络的复杂程度,使得学习时间变长,容易发生过拟合现象。隐含层节点数偏少则会对极限学习机网络的学习和处理能力产生一定的限定。本发明实施例中,隐含层节点数在设置时在10至500范围内选取,该范围内的隐含层节点数使得学习时间较短,且不会发生过拟合现象,该范围通常采用经验公式获得,优选的,隐含层节点数为45,能够实现最好的训练效果。
传统的ELM算法模型对于遥感图像数据分类效果不明显,由于ELM输入权值和隐含层阈值随机赋值,ELM的输出不稳定,容易陷入局部极小值导致准确率不高。
因此,本实施例中对训练数据进行N轮训练,每轮训练中对训练数据进行T次训练,其中,N的取值范围为5至101,N为奇数,T的取值范围为100至1000,以获取多个最优分类模型。在本实施例的具体实施过程中,N为11,即进行11轮训练,T为200,即每轮中进行200次训练,能够使得输出结果更为准确。
步骤S42、每轮训练完成后从T个分类识别率中选取最高的分类识别率作为最优分类识别率,将最优分类识别率对应的分类模型作为最优分类模型。
根据步骤S41中的记载,在完成1轮训练后,会获得200个分类识别准确率,那么将这200个分类识别准确率中最高的作为最优分类识别准确率,其对应的分类模型就是最优分类模型,此处的最优分类模型其实质是该最优分类识别率获得过程中极限学习机中对应的隐含层之间的输入权值及隐含层阈值。
步骤S43、N轮训练完成后,将N个最优分类模型组成一个集合,作为最优ELM特征分类模型集合。
将上述步骤S42中每一轮获得的最优分类模型,最优模型中包含有最优输入权值和最优隐含层阈值等参数,将这些参数集中在一起,组成一个集合,就获得了最优ELM分类模型特征集合,在本实施例中最优ELM分类模型特征集合中共包含有11个最优分类模型。
本实施例中的最优ELM特征分类模型集合比传统的ELM有明显改进,每一个最优分类模型对应一组参数,对于同一个样本判别的结果可能会有差异,其稳定性不高。为了提高模型效果的稳定性,提出了最优ELM特征分类模型集合,可以进一步提高模型的预测精度。
步骤S50、利用最优ELM特征分类模型集合对遥感图像数据进行分类,获取遥感图像数据中被最优ELM特征分类模型集合分类识别为具有煤特征数据的遥感图像数据作为目标图像数据,目标图像数据所对应的区域为煤矿区域。
步骤S51、利用最优ELM特征分类模型集合对遥感图像数据进行分类过程中,N个最优分类模型分别对遥感图像数据进行分类。
该步骤中使用步骤S43中获得的包含有11个最优分类模型的最优ELM分类模型特征集合对遥感图像数据进行分类。在进行分类时,每一个单独的最优分类模型都要对遥感图像数据进行分类识别,由于每一个最优分类模型的参数不同,因此对于同一个遥感图像数据的分类识别结果有可能不同。在分类过程中可以这么理解整个分类过程,第一个最优分类模型对遥感图像数据进行一次分类识别,判定该遥感图像数据包含煤特征数据,那么认定该遥感图像数据为Ⅰ类;第二个最优分类模型对遥感图像数据进行一次分类识别,判定该遥感图像数据不包含煤特征数据,那么认定该遥感图像数据为Ⅱ。当11个最优分类模型分别对遥感图像数据进行分类后,每一次都会对遥感数据图像进行一个判别,并将其归类。
在完成步骤S51中的11次分类识别之后,当具有煤特征数据的判别次数大于等于6次时,则该遥感图像数据为目标图像数据,即该遥感图像数据所在位置为煤矿区域。比如,11次分类识别中,有6次判别为Ⅰ类,有5次判别为Ⅱ,那么该遥感图像数据为目标图像数据。再比如,11次分类识别中,有2次判别为Ⅰ类,有9次判别为Ⅱ,则该遥感图像数据不包含煤特征数据,不是目标图像数据。
本实施例中的煤矿区域识别方法对应的计算机程序指令可以被存储在光盘,硬盘,U盘等存储介质上。
实施例四
如图4所示,是本实施例公开的煤矿区域识别***,与实施例三中的煤矿区域识别方法配合使用。
本实施例与实施例二之间的区别在于,本实施例还包含纠偏单元5,纠偏单元5用于对遥感图像数据进行校正处理,包括辐射纠偏子单元51和大气纠偏子单元52。辐射纠偏子单元51用于获得遥感图像数据的更真实的地物反射率和辐射率。大气纠偏子单元52用于消除大气和光照等因素对地物反射的影响。
纠偏单元5可以设置在获取单元1与分类单元4之间的任何位置,只要是在对遥感图像数据进行分类识别之前完成对遥感图像数据进行校正纠偏处理就可以了。在本实施例中,具体的将纠偏单元5设置在获取单元1和训练单元3之间,纠偏单元5和筛选单元2分别对遥感图像数据和目标区域的煤的实测光谱数据进行处理。
本发明公开的煤矿区域识别方法及***,通过获取目标区域的遥感图像数据及实测光谱数据,利用实测光谱数据进行训练获取最优ELM特征分类模型集合并使用该集合对遥感图像数据进行分类,以识别目标区域中的煤矿区域。使用本发明中的方法,不需要操作人员去到实地进行勘测,避免了人工勘探的局限性,节约了人力、财力和物力。同时,本发明中的方法能够有效提高煤矿区域识别准确率,高效快速识别出目标区域中的是否有煤矿分布。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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。
所述集成的单元如果以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全部或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)或处理器(processor)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:通用串行总线闪存驱动器(Universal Serial Bus flash drive,USB flash drive)、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种煤矿区域识别方法,其特征在于,包括以下步骤:
获取目标区域的遥感图像数据及目标区域中煤的实测光谱数据,所述实测光谱数据通过光谱仪对目标区域中的煤采集而获得;
通过对所述实测光谱数据进行筛选,根据所述遥感图像数据与所述实测光谱数据之间所处波段的对应关系,获取所述实测光谱数据中与所述遥感图像数据所处波段一致的光谱数据,作为样本光谱数据,所述样本光谱数据包括训练数据和测试数据;
利用包含煤和非煤光谱数据的网络训练集,采用预设的极限学习机对所述训练数据进行训练,获取针对所述训练数据分类识别率最优的最优ELM特征分类模型集合;
利用所述最优ELM特征分类模型集合对所述遥感图像数据进行分类,获取所述遥感图像数据中被所述最优ELM特征分类模型集合分类识别为具有煤特征数据的遥感图像数据作为目标图像数据,所述目标图像数据对应的区域为煤矿区域。
2.如权利要求1所述的煤矿区域识别方法,其特征在于,
采用预设的极限学习机对所述训练数据进行N轮训练,每轮训练中对所述训练数据进行T次训练,每次训练完成后,获得该次训练对应的分类识别率;
每轮训练完成后从T个所述分类识别率中选取最高的分类识别率作为最优分类识别率,将所述最优分类识别率对应的分类模型作为最优分类模型;
N轮训练完成后,将N个最优分类模型组成一个集合,作为所述最优ELM特征分类模型集合。
4.如权利要求2所述的煤矿区域识别方法,其特征在于,所述训练数据进行训练的轮数N的取值范围为5至101,N为奇数。
6.如权利要求1至5任一项所述的煤矿区域识别方法,其特征在于,
在获得所述遥感图像数据后,对所述遥感图像数据进行分类前,所述遥感图像数据要经过校正处理。
7.如权利要求2所述的煤矿区域识别方法,其特征在于,每轮训练中对所述训练数据进行T次训练,T的取值范围为100至1000。
8.一种煤矿区域识别***,与权利要求1至7任一项所述的煤矿区域识别方法相结合进行煤矿区域识别,其特征在于,包括:
获取单元,用于获取目标区域的遥感图像数据及目标区域中煤的实测光谱数据,所述实测光谱数据通过光谱仪对目标区域中的煤采集而获得;
筛选单元,用于对所述实测光谱数据进行筛选,获取样本光谱数据;
训练单元,用于对所述样本光谱数据中的训练数据进行训练,获取最优ELM特征分类模型集合;
分类单元,用于对所述遥感图像数据进行分类,获取目标图像数据;
所述获取单元、筛选单元、训练单元和分类单元依次连接。
9.如权利要求8所述的煤矿区域识别***,其特征在于,还包括纠偏单元,所述纠偏单元设置于所述获取单元与所述分类单元之间,用于对所述遥感图像数据进行纠偏;
所述纠偏单元包括辐射纠偏子单元和大气纠偏子单元。
10.如权利要求8所述的煤矿区域识别***,其特征在于,所述获取单元包括遥感图像获取子单元和实测光谱获取子单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710698775.4A CN107895136B (zh) | 2017-08-15 | 2017-08-15 | 一种煤矿区域识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710698775.4A CN107895136B (zh) | 2017-08-15 | 2017-08-15 | 一种煤矿区域识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107895136A CN107895136A (zh) | 2018-04-10 |
CN107895136B true CN107895136B (zh) | 2020-09-15 |
Family
ID=61803193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710698775.4A Active CN107895136B (zh) | 2017-08-15 | 2017-08-15 | 一种煤矿区域识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895136B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108489912B (zh) * | 2018-05-11 | 2019-08-27 | 东北大学 | 一种基于煤炭光谱数据的煤炭成分分析方法 |
CN109034239B (zh) * | 2018-07-23 | 2021-01-26 | 北京金风科创风电设备有限公司 | 遥感影像分类方法、分布式风电场的选址方法和设备 |
CN109522788B (zh) * | 2018-09-30 | 2020-11-06 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
CN111595792B (zh) * | 2020-06-12 | 2023-07-25 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345707A (zh) * | 2013-06-04 | 2013-10-09 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的农作物成熟期遥感预测方法 |
CN103970996A (zh) * | 2014-05-04 | 2014-08-06 | 江苏优图空间信息科技有限公司 | 一种建立通用型植被指数模型的方法 |
CN106600589A (zh) * | 2016-12-09 | 2017-04-26 | 中国科学院合肥物质科学研究院 | 一种基于海岸线区域遥感图的星载光谱仪指向配准方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942749B (zh) * | 2014-02-24 | 2017-01-04 | 西安电子科技大学 | 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法 |
CN105279556B (zh) * | 2015-11-05 | 2017-11-07 | 国家卫星海洋应用中心 | 一种浒苔检测方法和装置 |
CN106228197A (zh) * | 2016-08-15 | 2016-12-14 | 南京信息工程大学 | 一种基于自适应极限学习机的卫星图像云量识别方法 |
CN106560695A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 联合三种检测方法的武夷岩茶产地鉴别方法 |
-
2017
- 2017-08-15 CN CN201710698775.4A patent/CN107895136B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345707A (zh) * | 2013-06-04 | 2013-10-09 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的农作物成熟期遥感预测方法 |
CN103970996A (zh) * | 2014-05-04 | 2014-08-06 | 江苏优图空间信息科技有限公司 | 一种建立通用型植被指数模型的方法 |
CN106600589A (zh) * | 2016-12-09 | 2017-04-26 | 中国科学院合肥物质科学研究院 | 一种基于海岸线区域遥感图的星载光谱仪指向配准方法 |
Non-Patent Citations (1)
Title |
---|
Research on Coal Exploration Technology Based on Satellite Remote Sensing;Dong Xiao 等;《Journal of Sensors》;20161231;第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107895136A (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895136B (zh) | 一种煤矿区域识别方法及*** | |
US20230316555A1 (en) | System and Method for Image-Based Remote Sensing of Crop Plants | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、***及存储介质 | |
Norman et al. | Spatio-statistical optimization of image segmentation process for building footprint extraction using very high-resolution WorldView 3 satellite data | |
Krishna et al. | Hyperspectral satellite data analysis for pure pixels extraction and evaluation of advanced classifier algorithms for LULC classification | |
Zhang et al. | Predicting soil moisture content over partially vegetation covered surfaces from hyperspectral data with deep learning | |
Chen et al. | Spectral unmixing using a sparse multiple-endmember spectral mixture model | |
CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN111582387A (zh) | 一种岩石光谱特征融合分类方法及*** | |
CN112668613A (zh) | 基于气象预报和机器学习的卫星红外成像效果预测方法 | |
Aymerich et al. | Detection of tephra layers in Antarctic sediment cores with hyperspectral imaging | |
CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和*** | |
Jadhav et al. | Segmentation analysis using particle swarm optimization-self organizing map algorithm and classification of remote sensing data for agriculture | |
CN109726679B (zh) | 一种遥感分类误差空间分布制图方法 | |
Rößle et al. | Efficient noninvasive FHB estimation using RGB images from a novel multiyear, multirater dataset | |
CN110807387A (zh) | 一种基于高光谱图像特征的对象分类方法及*** | |
CA3221595A1 (en) | A method and system for logging data for a mineral sample | |
Nidamanuri et al. | Existence of characteristic spectral signatures for agricultural crops–potential for automated crop mapping by hyperspectral imaging | |
Vikström | A comparison of different machine learning algorithms applied to hyperspectral data analysis | |
Saponaro et al. | LULC Classification Performance of Supervised and Unsupervised Algorithms on UAV-Orthomosaics | |
Devidhanshrii et al. | Multiobjective Convolution Neural Network Towards Soil Nutrients Classification For Crop Recommendation On Based On Spectral And Spatial Properties Using Landsat Hyperspectral Images | |
Chen et al. | Forest age estimation using UAV-LiDAR and Sentinel-2 data with machine learning algorithms-a case study of Masson pine (Pinus massoniana) | |
Kaya | COMPARATIVE ANALYSIS OF MULTIPLE MACHINE LEARNING ALGORITHMS FOR POST-EARTHQUAKE BUILDING DAMAGE ASSESSMENT IN HATAY CITY FOLLOWING THE 2023 EARTHQUAKE |
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 |