[发明专利]一种基于光谱吸收指数的多层感知机高光谱矿物分类方法

说明书

一种基于光谱吸收指数的多层感知机高光谱矿物分类方法，包含以下步骤：(1)读入高光谱数据；(2)确定矿物种类及数目，并选择训练样本和测试样本；(3)根据矿物特征波段确定光谱吸收指数向量；(4)建立基于多层感知机的深度网络模型；(5)训练模型参数并且构建防止过拟合策略；(6)对高光谱图像进行分类，得到矿物分类图。该方法以多层感知机模型作为模型基础，以矿物光谱吸收指数向量作为输入，实现基于高光谱数据的矿物分类。

技术领域

本发明涉及一种基于光谱吸收指数的多层感知机高光谱矿物分类方法，属于高光谱数据处理方法与应用技术领域，适用于高光谱数据监督分类的理论方法和应用技术研究。

背景技术

岩矿光谱特征的产生主要是由于组成物质内部离子与基团的晶体场效应与基团振动的结果。由于各种矿物晶体结构各不相同,因此由晶格振动而产生的各种矿物光谱特性是不一样的。高光谱数据能够捕捉到这些光谱特征，故而可以对不同矿物进行分类。目前，高光谱矿物分类方法主要分为两类：第一种是基于特征谱带的矿物分类方法。通过计算特征波段的光谱吸收特征，如吸收波段的波长位置、深度、宽度、对称度、面积等，此类方法受环境因素和人为因素影响较大；第二种方法是基于完全波形特征的矿物分类方法。通过整个光谱曲线进行匹配，如相关系数匹配、光谱角匹配等方法。此类方法随着光谱波段数量的增加，计算量将增大；另外，此类方法不能反映矿物的本质特征。

多层感知机方法是深度学习中一种基于对数据进行表征学习的方法，为监督学习提供了一个强大的框架。给定足够大的模型和足够大的标注训练数据集，可以通过多层感知机将输入向量映射到输出向量，完成快速分类。将深度学习运用在高光谱矿物分类上，对于不同成像条件下的数据，只需要通过训练数据对模型参数进行微调即能适应。但现有的大多数神经网络模型将高光谱图像的所有波段作为输入，迭代时间过长，且不易找到全局最佳解。

发明内容

本发明的目的在于针对高光谱矿物分类问题，提供一种基于光谱吸收指数的多层感知机高光谱矿物分类方法。

本发明的技术解决方案为：一种以光谱吸收指数作为输入的多层感知机模型，该模型将能反映矿物本质的光谱吸收指数作为模型输入，降低了计算量，并且利用多层感知机模型作为分类模型，增加了模型自适应性，降低了人为因素的干扰。

本发明是基于光谱吸收指数的多层感知机高光谱矿物分类方法，其步骤如下：

(1)读入高光谱数据；

(2)确定矿物种类及数目，并选择训练样本和测试样本；

(3)根据矿物特征波段确定光谱吸收指数向量；

(4)建立基于多层感知机的深度网络模型；

(5)训练模型参数并且构建防止过拟合策略；

(6)获得矿物分类结果。

其中，步骤(1)中读入高光谱数据：读入待处理的高光谱数据，数据表示为，H＝[h₁，h₂，Λ，h_k]，k为像元数。

其中，步骤(2)中确定矿物种类及数目，并选择训练样本和测试样本：根据地面调查或者地质图件等确定待分类的矿物种类及数目，并且选取训练样本和测试样本，类别数目为J₁。

其中，步骤(3)中根据矿物特征波段确定光谱吸收指数向量：根据步骤(2) 地面调查或地质图件等得到的矿物种类进行分析并确定矿物的特征吸收波段，对特征吸收波段按波长排序，分别计算不同波段的光谱吸收指数，将按波长排序后的光谱吸收指数构建成光谱吸收指数向量，光谱吸收指数向量构成如下，