【技术实现步骤摘要】
一种岩石光谱特征融合分类方法及系统
本专利技术涉及岩石分类
,特别是涉及一种岩石光谱特征融合分类方法及系统。
技术介绍
在遥感地质领域,岩石光谱一直是热门研究方向之一,其主要包括成像光谱岩矿识别、岩石光谱特征分析、影响岩石光谱的因素以及岩石光谱分类。在岩石光谱分类方面,吴辉等人基于AVIRIS航空高光谱遥感数据,首先将预处理后的数据进行最小噪声分离,然后用PPI算法选择研究对象,最后用线性光谱混合分类模型进行岩性分类研究;张翠芬等人将岩石单元的图形纹理特征及光谱特征进行协同分类研究,用面对对象方法进行图谱指数分割,然后用光谱指数提取岩石信息,划分精度较好;徐清俊等人使用ASD光谱仪测量钻孔岩心数据,利用ViewSpecpro软件进行格式转换,输入到ENVI软件里建成光谱库,与美国USGS光谱库中典型矿物光谱曲线进行对比分析,进而识别岩性得出结论;周江将ASD光谱仪的光谱曲线与遥感影像通过ENVI软件相结合对岩石等地物进行分类,与用神经网络进行监督分类的结果相对比。总之,该领域目前的主要问题在于要么是将数据进行一系列复杂预处理后利用传统模型进行分类,使得分类效率低;要么因为岩石光谱的特殊性,没有统一的光谱曲线标准,使得分类结果不够准确。
技术实现思路
基于此,有必要提供一种岩石光谱特征融合分类方法及系统,以解决日常地质活动中对于部分岩石分类时存在的工作繁琐、误差大的问题,从而提高分类效率和分类的准确度。为实现上述目的,本专利技术提供了如下方案:一种岩石光谱特征融 ...
【技术保护点】
1.一种岩石光谱特征融合分类方法,其特征在于,包括:/n获取ADS便携式光谱仪测得的待测岩石光谱反射率;所述待测岩石光谱反射率为类别未知的岩石的光谱反射率数据;/n将所述待测岩石光谱反射率输入至训练好的融合分类模型中,得到类别未知的岩石的所属类别;所述训练好的融合分类模型是采用训练数据对融合分类模型进行训练得到的;所述融合分类模型是将支持向量机模型、K-最近邻模型和随机森林模型进行融合得到的;所述训练数据包括类别已知的岩石的光谱反射率数据和对应的类标签。/n
【技术特征摘要】 【专利技术属性】
1.一种岩石光谱特征融合分类方法,其特征在于,包括:
获取ADS便携式光谱仪测得的待测岩石光谱反射率;所述待测岩石光谱反射率为类别未知的岩石的光谱反射率数据;
将所述待测岩石光谱反射率输入至训练好的融合分类模型中,得到类别未知的岩石的所属类别;所述训练好的融合分类模型是采用训练数据对融合分类模型进行训练得到的;所述融合分类模型是将支持向量机模型、K-最近邻模型和随机森林模型进行融合得到的;所述训练数据包括类别已知的岩石的光谱反射率数据和对应的类标签。
2.根据权利要求1所述的一种岩石光谱特征融合分类方法,其特征在于,所述训练好的融合分类模型的确定方法为:
获取训练数据;
将所述训练数据按照设定比例划分为训练集和测试集;
分别构建支持向量机模型、K-最近邻模型和随机森林模型;
采用投票法将所述支持向量机模型、所述K-最近邻模型和所述随机森林模型融合,得到融合分类模型;
将所述训练集作为所述融合分类模型的输入,对所述融合分类模型进行训练,得到训练后的融合分类模型;
将所述测试集作为所述训练后的融合分类模型的输入,对所述训练后的融合分类模型进行调整,得到训练好的融合分类模型。
3.根据权利要求1所述的一种岩石光谱特征融合分类方法,其特征在于,所述融合分类模型为:
其中,H(x)表示融合分类模型的分类结果;表示第i种模型对样本x进行分类的分类结果为第j类的类标记;当第i种模型对样本x进行分类的分类结果为第j类时,取值为1,否则取值为0;i=1,2,3,j=1,2,3;第1种模型为支持向量机模型,第2种模型为K-最近邻模型,第3种模型为随机森林模型。
4.根据权利要求2所述的一种岩石光谱特征融合分类方法,其特征在于,所述获取训练数据,具体包括:
获取ADS便携式光谱仪测得的类别已知的岩石的光谱反射率数据;
将所述类别已知的岩石的光谱反射率数据和对应的类标签确定为训练数据。
5.根据权利要求4所述的一种岩石光谱特征融合分类方法,其特征在于,所述获取ADS便携式光谱仪测得的类别已知的岩石的光谱反射率数据,具体包括:
采用白板对ADS便携式光谱仪进行定标,得到定标后的ADS便携式光谱仪;
在设定测试时间段、设定天空云量和设定测试场地视场角下,采用所述定标后的ADS便携式光谱仪对各类别已知的岩石均进行多次光谱反射率的采集,得到各类别已知的岩石对应的多个光谱反射率;
对每个类别已知的岩石对应的多个光谱反射率求平均,得到每个类别已知的岩石的光谱反射率数据。
技术研发人员:贺金鑫,李文庆,陈圣波,任小玉,肖志强,
申请(专利权)人:吉林大学,
类型:发明
国别省市:吉林;22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。