基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

基于Hyperion高光谱数据和随机森林方法的岩性分类与分析

探索利用高光谱数据的岩性填图新方法是遥感地质应用领域的重要需求之一。本文运用随机森林方法和EO-1Hyperion高光谱数据,对新疆塔里木西北部柯坪地区的局部区域进行岩性分类,并对相关问题进行分析。分别利用光谱特征以及加入光谱一阶导数特征进行岩性分类,并对不同特征对岩性分类的重要性进行分析,同时与现有的基于光谱角制图方法(SAM)进行比较。结果表明,与SAM方法相比,随机森林方法得到了更高精度的岩性分类结果,是一种有效可行的岩性分类方法。根据特征重要性的排序,蓝绿光波段、短波红外波段以及相应的一阶导数特征对研究区Hyperion数据的沉积岩岩性分类贡献更大。     

面向矿产资源信息的空间关联性分析

关联性分析是综合多源、多类数据,发现和挖掘数据中潜在的相关关系,提取和挖掘数据之间的关联性。该方法对于充分利用地质大数据、发现地质要素之间的共生组合规律具有重要的意义。本文首先基于数据的空间位置,将不同类型的地质空间数据建立联系,形成空间属性数据库;其次应用统计方法,对不同来源数据中的属性特征进行分析,发现热液型金矿的形成与火山作用存在明显相关性;最后基于Apriori算法提取热液型金矿的伴生矿与侵入岩的频繁项集,发现伴生矿与侵入岩酸碱性二者密切相关。因此,在今后的工作中,有望应用空间关联性的方法对地球物理、地球化学、遥感等多源地质数据开展深入的研究分析。     

区域和形状特征的兵马俑碎片分类方法

针对传统方法对兵马俑碎片分类准确率较低情况,提出一种基于区域和形状特征的碎片分类方法。首先提取碎片的显著性区域特征,采用地球移动距离EMD(Earth Mover’s Distance)方法对区域特征进行匹配并初步分类;其次对表面特征不明显的碎片进行预处理,获取二维图像信息,利用Hu不变矩提取形状特征;最后采用支持向量机SVM(Support Vector Machine)分类器对表面特征不明显的碎片进行进一步分类,实现兵马俑碎片的最终精确分类。通过对30个兵马俑模型的508个碎片进行分类,实验结果表明,基于区域特征的碎片分类方法可以实现兵马俑碎片的快速、精确分类,是一种有效的兵马俑碎片分类方法。     

一种道路网三维建模方法

针对道路网三维建模中成本高、周期长等问题,该文介绍了一种基于规则的道路网三维建模方法。在规则文件驱动下,该方法充分考虑道路网的结构化特征和地理环境,利用抽象化的道路网实体数据和属性信息,实现批量化道路网建模,并在云平台上发布,进而实现道路网三维景观的浏览、查询和分析。采用上述方法实现了一段包含立体交叉在内的道路网的三维模型的快速搭建。结果表明,该方法的规则复用性强、建模效率高、模型调整速度快,为在三维GIS环境下构建道路网模型提供了高效的技术手段。     

地理本体驱动的遥感影像面向对象分析方法

针对遥感影像面向对象分析技术存在的“分类过程中专家分析不同带来的分类结果不一致”问题,提出地理本体驱动的“地理实体描述-模型构建-影像对象分类”解译框架。首先,利用地理本体建立影像对象客观特征与地理专家知识的联系,实现对地理实体的描述与表达;其次,利用知识工程方法以及计算机可操作的形式化本体语言构建影像对象特征、分类器的本体模型,形成语义网络模型;最后,联合语义网络模型与专家规则实现影像对象的语义分类。地表覆盖分类实验结果表明,该方法不仅能够得到反映真实地理对象的遥感影像分类结果,而且能够掌握地理实体的语义信息,实现地表覆盖分类知识的共享与语义网络模型的复用,为遥感影像面向对象分析提供了一种全局性的解译分析框架及其方法。     

适用于遥感分类的多邻域粗糙集加权特征提取方法

邻域粗糙集是一种有效的影像特征提取方法,邻域粗糙集模型存在稳定性不高和邻域半径需要反复调整的不足,难以实现地物特征的自动化提取。提出一种多邻域粗糙集加权特征提取方法用于高分辨率遥感影像特征提取。该方法首先利用不同半径的邻域粗糙集对影像的光谱和纹理特征进行提取,求得不同邻域半径下的有效特征子集;然后统计所有邻域半径下各个特征出现的概率,将概率作为权重与特征进行加权得到最终地物特征。QucikBird影像上分类试验表明本文算法优于传统邻域粗糙集特征提取方法,分类总精度平均提高3.88%,Kappa系数平均提高5.16%。在GeoEye-1影像上的分类试验同样证明了本文方法的有效性。     

顾及制图规则的地图多要素协同移位方法

在地图自动编制中,有时多类地图要素多个空间目标之间同时发生空间冲突,在移位过程中会影响到邻近区域的地图目标,这就需要对地图要素移位进行协同处理。在自动识别邻近空间冲突区的条件下,提出了一种顾及地图制图规则的解决地图目标群空间冲突的协同处理方法,并用参数表方法形式化表达了地形图上地图要素移位的常用制图规则。首先利用约束性Delaunay三角网识别出可能的空间冲突区域,并建立移位操作区;然后,建立移位传播关联线网,依据制图规则在关联线网上以能量最小化Beam移位模型为基础,对整个空间冲突区的地图目标群进行协同移位;最后,用实验验证了所提方法的有效性和适用性。     

基于2D-3D语义传递的室内三维点云模型语义分割

针对现有三维点云模型重建对象化和结构化信息缺失的问题,提出一种基于图模型的二维图像语义到三维点云语义传递的算法。该算法利用扩展全卷积神经网络提取2D图像的室内空间布局和对象语义,基于以2D图像超像素和3D点云为结点构建融合图像间一致性和图像内一致性的图模型,实现2D语义到3D语义的传递。基于点云分类实验的结果表明,该方法能够得到精度较高的室内三维点云语义分类结果,点云分类的精度可达到73.875 2%,且分类效果较好。     

利用点云检测室内导航元素的方法综述

随着大型公共设施的普及和人们室内活动的增多,人们对构建室内精细化导航模型的需求日渐迫切。近年来飞速发展的三维激光扫描、摄影测量、计算机视觉等技术,能够快速高效地获取高精度室内点云数据,为室内精细化导航提供丰富的数据源。如何从海量杂乱的点云中提取出可用于室内导航路径规划的室内导航元素如房间、门窗、楼梯、走廊等,成为了研究的热点和难点。因此,从基于点云的室内导航元素提取所面临的问题出发,综述和评价了近年来各种导航元素提取的相关理论和算法,并针对其各自优缺点,提出利用几何方法与统计方法相结合实现室内导航元素检测和导航网络构建的新思路。