CN112784806A - 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 - Google Patents
一种基于全卷积神经网络的含锂伟晶岩脉提取方法 Download PDFInfo
- Publication number
- CN112784806A CN112784806A CN202110153052.2A CN202110153052A CN112784806A CN 112784806 A CN112784806 A CN 112784806A CN 202110153052 A CN202110153052 A CN 202110153052A CN 112784806 A CN112784806 A CN 112784806A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- remote sensing
- convolution neural
- full convolution
- 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
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 40
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 39
- 210000003462 vein Anatomy 0.000 title claims abstract description 33
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- CNLWCVNCHLKFHK-UHFFFAOYSA-N aluminum;lithium;dioxido(oxo)silane Chemical compound [Li+].[Al+3].[O-][Si]([O-])=O.[O-][Si]([O-])=O CNLWCVNCHLKFHK-UHFFFAOYSA-N 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 229910052642 spodumene Inorganic materials 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
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)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明的一个实施例公开了一种基于全卷积神经网络的含锂伟晶岩脉提取方法，该方法包括：获取含锂伟晶岩脉区域的遥感影像，并对所述遥感影像进行处理；构建全卷积神经网络模型，并利用经处理的遥感影像进行模型训练以及参数调整，其中，所述全卷积神经网络设置损失函数，将经处理的遥感影像输入至训练完成的全卷积神经网络模型中，对经处理的图像进行含锂伟晶岩脉标注，得到全卷积神经网络模型的输出结果；对所述全卷积神经网络模型的输出结果进行拼接，得到含锂岩脉在所述区域的提取结果图像。
Description
技术领域
本发明涉及矿产资源提取领域。更具体地，涉及一种基于全卷积神经网络的含锂伟晶岩脉提取方法。
背景技术
金属锂是战略价值极高的金属资源，其在原子能、特种合金、特种玻璃和新能源电池等领域有广泛应用，当前社会生产对于锂有着极大的需求，受自然及开采条件限制，我国的锂矿多产出于硬岩型锂辉石矿床。该类型矿床所处位置多为较偏远地区，人烟罕至，地形复杂，环境恶劣，区域地质调查研究和找矿工作较为难以开展。
对于硬岩型锂辉石矿床，含锂辉石的伟晶岩脉是锂矿找矿的重要目标体，而在各种矿产勘查手段中，利用遥感影像是寻找与发现花岗岩与伟晶岩的有效方法。目前，遥感影像中的含锂伟晶岩脉的识别还是主要基本依靠人工解译来完成，面对包含巨量复杂地表信息的遥感影像，人工解译在很多时候越来越显得捉襟见肘，虽然基于传统方法的遥感影像提取技术的研究起步较早，但是由于遥感影像的解译受复杂的地理环境的影响，传统方法对影像信息的利用不足，多是基于影像的底层特征如光谱特征、纹理特征、几何特征等，特征选择相对单一，容易存在“同物异谱、异物同谱”现象，因此提取结果有时无法达到预期。
发明内容
有鉴于此，本发明的一个实施例提供一种基于全卷积神经网络的含锂伟晶岩脉提取方法，包括：
获取含锂伟晶岩脉区域的遥感影像，并对所述遥感影像进行处理；
构建全卷积神经网络模型，并利用经处理的遥感影像进行模型训练以及参数调整，其中，
所述全卷积神经网络设置损失函数，为
y′代表激活函数的输出，y是结果标签；
将经处理的遥感影像输入至训练完成的全卷积神经网络模型中，对经处理图像的进行含锂伟晶岩脉标注，得到全卷积神经网络模型的输出结果；
对所述全卷积神经网络模型的输出结果进行拼接，得到含锂伟晶岩脉在所述区域的提取结果图像。
在一个具体实施例中，对所述图像进行处理包括：
对所述含锂伟晶岩脉区域的遥感影像进行预处理及波段合成；
对预处理后的遥感影像进行标注，标注出其中的含锂伟晶岩脉，得到标注影像；
对所述遥感影和标注影像进行切割和图像增强，得到语义分割样本库，作为训练集和测试集样本。
在一个具体实施例中，对所述遥感影像进行预处理包括：
对所述含锂伟晶岩脉区域的遥感影像进行辐射定标和大气校正后，对影像进行GS融合；
将进行GS融合后的遥感影像中对应波段的灰度图像分别作为RGB图像中的B通道图像、G通道图像和R通道图像，从而合成为真彩色影像。
在一个具体实施例中，进一步包括，对所述真彩色影像进行标注，并对标注后的影像进行灰度处理，将得到的栅格标签作为训练时用的结果标签。
在一个具体实施例中，
将所述真彩色影像和所述结果标签根据分割方法进行网格切片，其中所述分割方法为：
将真彩色影像或结果标签长边补零到输入图块边长m的最小整数倍，对原图宽边补零到输入图块边长的最小整数倍，补零后按(m，m)的矩阵对所述真彩色影像和所述结果标签进行取样并保存为图像块的数量序列。
在一个具体实施例中，所述全卷积神经网络包括：卷积层、激励层和池化层，
经处理后的图像进行五层池化层处理，得到特征图像，其中，
每进行一次池化层处理前，进行两次卷积层处理，而且每进行一次卷积层处理后，进行一次激励层处理，所述激励层利用激活函数对图像进行处理。
将特征图像与第四层池化层处理后的图像叠加后进行上采样，得到第一次上采样图像，
将第三层池化层处理后的图像与第一次上采样图像叠加后进行上采样，得到第二次上采样图像，
将第二次上采样图像进行卷积，得到输出结果。
在一个具体实施例中，其特征在于，
所述激活函数为：
其中，x为卷积层的输出结果。
在一个具体实施例中，训练全卷积神经网络时，分批选取切割好的真彩色图块与标注图像中对应位置m×m大小的灰度图块作为一组样本输入至全卷积神经网络模型中，多组样本逐个输入学习，完成模型训练任务。
在一个具体实施例中，训练完成后，将所有切片后大小为m×m的真彩色图块输入训练完成后的全卷积神经网络模型中，得出所述全卷积神经网络模型的输出结果。
在一个具体实施例中，所述全卷积神经网络模型的输出结果为m×m大小的单通道灰度图像，m为输出结果的边长；
按照进行所述网格切片时所保存的图像块的数量序列，对所述输出结果图像依次拼接，则得到完整的遥感影像的提取结果图像。
本发明的有益效果如下：
本发明克服了传统寻找含锂伟晶岩脉时使用人工解译方法的弊端，提高了含锂伟晶岩脉识别的准确率，同时实现遥感影像的自动提取，并通过分析锂矿的成矿规律，结合地质信息，建立相应的遥感自动找矿模型，并以此为依据预测研究区内锂矿的分布，缩小找矿靶区，为锂矿的找矿调查提供快捷有效的技术支撑，为其它矿物的找矿调查提供技术启示。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出根据本发明一个实施例的基于全卷积神经网络的遥感影像信息提取方法***架构图
图2示出本发明的一个实施例的基于全卷积神经网络的遥感影像信息提取方法流程图。
图3示出本发明的一个实施例的真彩色影像和结果标签网格切片图。
图4示出本发明的一个实施例的全卷积神经网络模型架构图。
图5示出本发明的一个实施例的遥感影像图。
图6示出本发明的一个实施例的经过神经网络模型识别后的结果图。
具体实施方式
为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，为能实现本发明的一个实施例的基于全卷积神经网络的遥感影像信息提取方法***架构图，***架构可以包括遥感图像集合101和服务器103，其中，遥感图像集合101可以分为完成人工标注的遥感图像集合和未完成人工标注的遥感图像集合，服务器103为提供各种服务的服务器，例如为训练全卷积神经网络模型或使用训练完毕的全卷积神经网络模型提供支持的后台服务器等。
如图2所示，一种基于全卷积神经网络的遥感影像信息提取方法，包括：
获取目标区域的遥感影像，并对所述遥感影像进行处理；
在一个具体实施例中，对所述图像进行处理包括：
对所述遥感影像进行预处理及波段合成；
数据集中样本数据的质量与数量直接影响神经网络训练结果的质量，样本数量可通过数据增强来满足，但样本的质量则完全依赖于人工标注，不可避免地增加了人为因素的干扰，无疑会对最终的结果产生负面影响；为了尽可能降低这种人工标注造成的负面影响，需要对遥感影像进行预处理，使其更容易准确地进行标注。更具体的，
对所述遥感影像进行预处理包括：
对所述遥感影像进行辐射定标和大气校正后，在一个具体示例中，可以采用ENVI软件，对感影像原始数据进行辐射定标和大气校正，消除由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程，之后需要让分辨率较低的多光谱影像和分辨率较高的全色影像进行GS融合(Gram-schmidt Pan Sharpening)，提高多光谱影像的空间分辨率。
将进行GS融合后的遥感影像中对应波段的灰度图像分别作为RGB图像中的B通道图像、G通道图像和R通道图像，从而合成为真彩色影像。在一个具体示例中，对于Worldview-3影像三个通道(R通道图像、G通道图像和B通道)的对应波段分别为5波段、2波段和3波段。
对GS融合后的遥感影像进行RGB组合处理，可以增强锂矿化信息及其对比度。
对预处理后的遥感影像进行人工标注，标注出其中的伟晶岩脉，得到标注影像；
在一个具体的示例中，将所述真彩色影像进行人工标注，标注出图像中的伟晶岩脉，并以shapefile文件形式保存伟晶岩脉信息，对标注后的影像进行灰度处理，即将shapefile文件图框中的部分像素设置为255对应伟晶岩脉，图框之外像素设置为0代表影像中非伟晶岩脉的部分作为背景，灰度处理后得到shapefile格式的矢量标签。
利用工具箱里的转换工具将得到的矢量标签转成jpg格式的栅格标签，作为训练用的结果标签。
对所述遥感影和标注影像进行切割和图像增强，得到语义分割样本库，作为训练集和测试集样本。
将所述真彩色影像和所述结果标签根据分割方法进行网格切片，得到如图3所示的真彩色影像(图3左)和所述结果标签(图3右)的切片图像，其中所述分割方法为：
将真彩色影像或结果标签长边补零到输出图块边长m的最小整数倍，对原图宽边补零到输出图块边长m的最小整数倍，补零后按(m，m)的矩阵对所述真彩色影像和所述结果标签进行取样并保存为图像块的数量序列。在一个具体示例中，m取为256。
将切片后的真彩色影像或结果标签经过随机gamma变换，旋转90°，180°，270°，模糊处理，加入白噪声，左右翻转，上下翻转等数据增强操作，制作出可供深度神经网络训练的数据集，最后将分块得到的数据集随机划分为训练集和验证集，根据实际情况划分训练集和验证集的比例，例如划分为比例为9:1。
构建全卷积神经网络模型，并利用经处理的遥感影像进行训练模型以及进行参数调整，例如调整训练集和测试集的比例，图像分辨率，图像通道个数和图像灰度值等；
训练全卷积神经网络时，分批选取切割好的真彩色图块与标注图像中对应位置的灰度图，在一个具体示例中，其大小为256像素×256像素。作为一组样本输入至全卷积神经网络模型中，多组样本逐个输入学习即可完成模型训练任务。
如图4所示所述全卷积神经网络包括：卷积层、激励层和池化层，
原始图像进行五层池化层处理，得到特征图像，在一个具体示例中，池化层窗口大小均为2×2，且步长为2，5个池化层(Pool1-Pool5)均采用最大池化法。
其中，
每进行一次池化层处理前，进行两次卷积层处理，而且每进行一次卷积层处理后，进行一次激励层处理，所述激励层利用激活函数对图像进行处理。
在一个具体示例中，卷积层为3×3的卷积层，所述激活函数为：
X为卷积层的输出结果。
在经过第5层池化层处理之后，对得到的特征影像要进行两次上采样处理，使其恢复至输入影像大小，又因为随着网络层次加深，获取的特征更加抽象，而浅层网络获得的信息较丰富，因此将不同层次上的结果进行融合即可以获取更多特征信息。
将特征图像与第四层池化层处理后的图像叠加后进行上采样，得到第一次上采样图像，
将第三层池化层处理后的图像与第一次上采样图像叠加后进行上采样，得到第二次上采样图像，使得此时图像已经恢复到原始图像尺寸。
将第二次上采样图像进行解卷积，得到输出图像。
当以伟晶岩脉为提取目标，作为唯一的正样本，其在影像中所占像元数相较于其他负样本较少，因而在进行以伟晶岩脉为目标的全卷积神经网络构建时，必须考虑到这一情况所造成的影响，所以
所述全卷积神经网络还包括设置损失函数，为
y′代表经过激活函数的输出，在0-1之间，对于正样本而言，输出概率越大损失越小。对于负样本而言，输出概率越小则损失越小。此时的损失函数在大量简单样本的迭代过程中比较缓慢且可能无法优化至最优。
y是结果标签，y＝1表示图像中有伟晶岩脉，y＝0表示图像中无伟晶岩脉。
γ(γ＞0)和α为两个因子，可根据实际情况所设置。本发明中，α设置为0.2，γ设置为2，使得本申请中信息提取的准确率达到最高，训练集分类精度最优值为99.38％，损失值最小为0.0013，验证集分类精度最优值为98.37％，损失值最小为0.0019，准确率提高了10％。
其中γ因子可减少易分类样本的损失，使得模型更关注于困难的、易错分的正样本，这样减少了简单负样本的影响，加入平衡因子α，则是用来平衡正负样本本身的比例不均。
训练完成后，将所有切片后大小为256×256的真彩色图块输入训练完成后的全卷积神经网络模型中，得出所述全卷积神经网络模型的输出结果，所述全卷积神经网络模型的输出结果为256×256大小的单通道灰度图像，256为输出结果的边长，单位都为像素；
按照进行所述网格切片时所保存的图像块的数量序列，对所述输出结果图像依次拼接，则得到完整的遥感影像的提取结果图像。
在一个具体示例中，所述全卷积神经网络模型输入如图5所示的大小为256×256的彩色图像，其中，全卷积神经网络模型结构如下所示，
如下表表2所示，在输入训练集进行模型训练过程中，平均每步训练时长为160s，100个EPOCH总耗时为88.9个小时，训练集分类精度最优值为99.38％，损失值最小为0.0013，验证集分类精度最优值为98.37％，损失值最小为0.0019。
最终全卷积神经网络模型的输出结果为m×m大小的单通道灰度图像；将所述输出结果图像按照进行所述网格切片时，所保存的图像块的数量序列进行拼接，则得到完整的如图6所示的含锂伟晶岩脉的提取结果图像，根据含锂伟晶岩脉在遥感影像中的位置，可以得到含锂岩脉的实际地理位置。
表2网络模型训练指标值
综上，本发明的基于全卷积神经网络的含锂伟晶岩脉信息提取方法，克服了传统寻找含锂岩脉时使用人工解译方法的弊端，提高了含锂岩脉识别的准确率，同时实现遥感影像的自动提取，并通过分析锂矿的成矿规律，结合地质信息，建立相应的遥感自动找矿模型，并以此为依据预测研究区内锂矿的分布，缩小找矿靶区，为锂矿的找矿调查提供快捷有效的技术支撑，为其它矿物的找矿调查提供技术启示。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种基于全卷积神经网络的含锂伟晶岩脉提取方法，其特征在于，包括：
获取含锂伟晶岩脉区域的遥感影像，并对所述遥感影像进行处理；
构建全卷积神经网络模型，并利用经处理的遥感影像进行模型训练以及参数调整，其中，
所述全卷积神经网络设置损失函数，为
y′代表激活函数的输出，y是结果标签；
将经处理的遥感影像输入至训练完成的全卷积神经网络模型中，对经处理图像的进行含锂伟晶岩脉标注，得到全卷积神经网络模型的输出结果；
对所述全卷积神经网络模型的输出结果进行拼接，得到含锂伟晶岩脉在所述区域的提取结果图像。
2.根据权利要求1所述的提取方法，其特征在于，对所述图像进行处理包括：
对所述含锂伟晶岩脉区域的遥感影像进行预处理及波段合成；
对预处理后的遥感影像进行标注，标注出其中的含锂伟晶岩脉，得到标注影像；
对所述遥感影和标注影像进行切割和图像增强，得到语义分割样本库，作为训练集和测试集样本。
3.根据权利要求2所述的提取方法，其特征在于，对所述遥感影像进行预处理包括：
对所述含锂伟晶岩脉区域的遥感影像进行辐射定标和大气校正后，对影像进行GS融合；
将进行GS融合后的遥感影像中对应波段的灰度图像分别作为RGB图像中的B通道图像、G通道图像和R通道图像，从而合成为真彩色影像。
4.根据权利要求3所述的提取方法，其特征在于，进一步包括，对所述真彩色影像进行标注，并对标注后的影像进行灰度处理，将得到的栅格标签作为训练时用的结果标签。
5.根据权利要求4所述的提取方法，其特征在于，
将所述真彩色影像和所述结果标签根据分割方法进行网格切片，其中所述分割方法为：
将真彩色影像或结果标签长边补零到输入图块边长m的最小整数倍，对原图宽边也补零到输入图块边长m的最小整数倍，补零后按(m，m)的矩阵对所述真彩色影像和所述结果标签进行取样并保存为图像块的数量序列。
6.根据权利要求1所述的提取方法，其特征在于，所述全卷积神经网络包括：卷积层、激励层和池化层，
经处理后的图像进行五层池化层处理，得到特征图像，其中，
每进行一次池化层处理前，进行两次卷积层处理，而且每进行一次卷积层处理后，进行一次激励层处理，所述激励层利用激活函数对图像进行处理。
将特征图像与第四层池化层处理后的图像叠加后进行上采样，得到第一次上采样图像，
将第三层池化层处理后的图像与第一次上采样图像叠加后进行上采样，得到第二次上采样图像，
将第二次上采样图像进行卷积，得到输出结果。
7.根据权利要求1-6中任一项所述的提取方法，其特征在于，
所述激活函数为：
其中，x为卷积层的输出结果。
8.根据权利要求7所述的提取方法，其特征在于，训练全卷积神经网络时，分批选取切割好的真彩色图块与标注图像中对应位置m×m大小的灰度图块作为一组样本输入至全卷积神经网络模型中，多组样本逐个输入学习，完成模型训练任务。
9.根据权利要求8所述的提取方法，其特征在于，
训练完成后，将所有切片后大小为m×m的真彩色图块输入训练完成后的全卷积神经网络模型中，得出所述全卷积神经网络模型的输出结果。
10.根据权利要求9所述的提取方法，其特征在于，所述全卷积神经网络模型的输出结果为m×m大小的单通道灰度图像，m为输出结果的边长；
按照进行所述网格切片时所保存的图像块的数量序列，对所述输出结果图像依次拼接，则得到完整的遥感影像的提取结果图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110153052.2A CN112784806A (zh) | 2021-02-04 | 2021-02-04 | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110153052.2A CN112784806A (zh) | 2021-02-04 | 2021-02-04 | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112784806A true CN112784806A (zh) | 2021-05-11 |
Family
ID=75760832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110153052.2A Pending CN112784806A (zh) | 2021-02-04 | 2021-02-04 | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784806A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860975A (zh) * | 2023-02-15 | 2023-03-28 | 南京航天宏图信息技术有限公司 | 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 |
| CN116168302A (zh) * | 2023-04-25 | 2023-05-26 | 耕宇牧星(北京)空间科技有限公司 | 一种基于多尺度残差融合网络的遥感图像岩脉提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN109685801A (zh) * | 2018-12-10 | 2019-04-26 | 杭州帝视科技有限公司 | 结合纹理特征和深度神经网络信息的皮肤镜图像处理方法 |
| CN110097554A (zh) * | 2019-04-16 | 2019-08-06 | 东南大学 | 基于密集卷积和深度可分离卷积的视网膜血管分割方法 |
| CN111047569A (zh) * | 2019-12-09 | 2020-04-21 | 北京联合大学 | 图像处理方法及装置 |
-
2021
- 2021-02-04 CN CN202110153052.2A patent/CN112784806A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
| CN109685801A (zh) * | 2018-12-10 | 2019-04-26 | 杭州帝视科技有限公司 | 结合纹理特征和深度神经网络信息的皮肤镜图像处理方法 |
| CN110097554A (zh) * | 2019-04-16 | 2019-08-06 | 东南大学 | 基于密集卷积和深度可分离卷积的视网膜血管分割方法 |
| CN111047569A (zh) * | 2019-12-09 | 2020-04-21 | 北京联合大学 | 图像处理方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860975A (zh) * | 2023-02-15 | 2023-03-28 | 南京航天宏图信息技术有限公司 | 一种基于卫星遥感的盐湖锂矿项目产能监测方法与装置 |
| CN116168302A (zh) * | 2023-04-25 | 2023-05-26 | 耕宇牧星(北京)空间科技有限公司 | 一种基于多尺度残差融合网络的遥感图像岩脉提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及*** | |
| CN110728197B (zh) | 基于深度学习的单木级树种识别方法 | |
| CN116091497B (zh) | 遥感变化检测方法、装置、电子设备和存储介质 | |
| CN111626947A (zh) | 基于生成对抗网络的地图矢量化样本增强方法及*** | |
| CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
| CN112784806A (zh) | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 | |
| CN111008664A (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
| CN112836614B (zh) | 一种基于残差网络和迁移学习的高分遥感图像分类方法 | |
| CN113239736A (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及*** | |
| CN114897781A (zh) | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 | |
| CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN117011614A (zh) | 基于深度学习的野山参艼芦体检测和品质等级分类方法及*** | |
| CN116863217A (zh) | 一种野外露头岩石图像岩性识别方法 | |
| CN112381730B (zh) | 一种遥感影像数据扩增方法 | |
| CN117727046A (zh) | 新型山洪前端仪器仪表读数自动识别方法及*** | |
| CN113298042A (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 | |
| CN110796716B (zh) | 一种基于多重残差网络和正则化迁移学习的图像着色方法 | |
| CN110533118B (zh) | 基于多核学习的遥感图像稀疏表达分类方法 | |
| CN115410074B (zh) | 遥感影像云检测方法及装置 | |
| CN114663654B (zh) | 一种改进YOLOv4网络模型及小目标检测方法 | |
| CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
| CN112580504B (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 | |
| CN112966774B (zh) | 一种基于图片Bert的组织病理图片分类方法 | |
| CN113012167A (zh) | 一种细胞核与细胞质的联合分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |
|
| RJ01 | Rejection of invention patent application after publication |