基于深度置信网络的CRISM影像火星表面矿物识别方法

发布时间：2021-10-23 09:38

　　鉴于传统的光谱特征参数方法存在不能综合考虑光谱在整个波长范围内的谱形、对于单一吸收带相似的不同矿物难以区分等问题,研究采用深度置信网络方法对火星专用小型侦察影像频谱仪（CRISM）高光谱影像中的火星表面矿物进行自动识别,该算法具体包括:①预训练阶段。利用非监督算法逐层训练受限玻尔兹曼机,自动学习模型参数,提取光谱特征。②调优阶段。将自动学习的光谱特征输入分类器,采用反向传播算法对模型进行监督微调,识别矿物在CRISM影像中的分布。在算法的研究中,采用光谱比值方法降低火星表面灰尘等噪声对矿物光谱的影响,并探讨样本数量、隐含层节点数、网络深度等对算法识别精度的影响,试图构建适宜于CRISM影像火星表面矿物识别的深度置信网络模型。以火星表面镁铁蒙脱石和氯盐为例进行测试,实验结果表明:该方法能够对火星表面矿物进行自动识别,准确率达到85%以上,与光谱参数法的识别结果基本叠合,并能够探测光谱参数法未能识别的部分矿物分布。 

【文章来源】：地质科技通报. 2020,39(04)北大核心CSCD

【文章页数】：12 页

【部分图文】：

RBM网络结构图

实验以镁铁蒙脱石和氯盐为例,基于CRISM影像进行识别,采用的分类识别模型由多层RBM堆叠组成DBN,并在顶层增加Softmax分类器构成。首先,利用表1的光谱特征参数方法检测镁铁蒙脱石和氯盐在两幅影像中的大致分布,并从中随机抽取一定数量的像元作为光谱候选样本,然后基于人工判读,将候选样本的光谱与CRISM标准光谱库中的镁铁蒙脱石和氯盐的光谱进行比对识别,筛选出正确的镁铁蒙脱石以及氯盐光谱的像元作为训练样本。训练样本选取完成后,将CRISM像元光谱输入DBN模型,自动提取镁铁蒙脱石和氯盐的光谱特征,结合Softmatx分类器,进行分类识别网络模型监督训练;然后采用训练好的DBN网络模型与分类器自动识别镁铁蒙脱石与氯盐在上述影像中的空间分布。具体过程如图2所示。图3 CRISM影像镁铁蒙脱石与氯盐光谱曲线示例

CRISM影像镁铁蒙脱石与氯盐光谱曲线示例

【参考文献】：
期刊论文
[1]“好奇”号火星探测器火星表面取样钻探近况[J]. 赵斌魁,孙平贺,张绍和,曹函.  地质科技情报. 2018(06)
[2]基于支持向量机回归的岩体变形模量预测[J]. 刘超,唐锡彬,邓冬梅,孙自豪,姜耀飞,邓姗.  地质科技情报. 2018(05)
[3]基于遥感分类的深度信念网络模型研究[J]. 李玮,吴亮,陈冠宇.  地质科技情报. 2018(02)
[4]基于深度信念网络的遥感影像识别与分类[J]. 徐丽坤,刘晓东,向小翠.  地质科技情报. 2017(04)
[5]利用CRISM数据探测火星表面含水矿物及其演化[J]. 杨懿,金双根,薛岩松.  深空探测学报. 2016(02)
[6]探索火星环境和生命[J]. 林杨挺.  自然杂志. 2016(01)
[7]面向高光谱矿物填图的多特征结合降维方法研究[J]. 苏余斌,詹云军,黄解军,叶发旺,张川.  地质科技情报. 2015(05)
[8]火星快车OMEGA高光谱探测矿物组成的新进展[J]. 祝民强,周万蓬,胡全一.  地球科学进展. 2010(07)



本文编号：3452955