基于人工神经网络的矿山遥感影像分类方法研究.pdf

108109华北自然资源测绘测量2023.5总第116期052023年秦泽鹏，等：基于人工神经网络的矿山遥感影像分类方法研究2维数；为矿山遥感影像分类的逻辑矢量。在矿山遥感影像数据集 中，设既定的图像分类标签个数为，则1个图像分类的子区域只能与1个标签相对应，用公式表示如下：公式（2）中，为矿山遥感影像分类子区域的标签向量；为矿山遥感影像分类子区域的标签特征维数；为矿山遥感影像分类标签参数。在确定矿山遥感影像分类标签的基础上，确定矿山遥感影像分类特征。设矿山遥感影像分类特征为，则 的计算公式如下：公式（3）中，为矿山遥感影像中分类权重的参数。求得矿山遥感影像分类特征后，利用影像的特征维数进行分类，得到多个独立的区域影像。2.2 建立人工神经网络遥感影像分类矩阵在上述基础上，将多个独立的区域影像分类通过邻近之间信息传递，在人工智能神经网络中建立人工神经网络遥感影像分类矩阵。在人工神经网络中，建立矩阵的基础是求得多个独立的区域图像之间的相似度。假设多个独立的区域图像之间的相似度为，将 作为矿山遥感影像分类依据，其计算公式如下：公式（4）中，为区域影像之间的相似度；为标注的矿山遥感影像分类空间平滑系数；为标注的矿山遥感影像分类空间摩擦系数。得出多个独立的区域图像之间的相似度后，对人工神经网络遥感影像分类矩阵进行求解。设人工神经网络遥感影像分类矩阵为 ，则 的计算公式如下：公式（5）中，为矿山遥感影像分类标签与图像分类子区域标签的对应约束关系；为人工神经网络遥感影像分类矩阵的运算过程；为矿山遥感影像分类标签与影像分类子区域标签的对应函数关系。通过建立人工神经网络遥感影像分类矩阵，将确定的矿山遥感影像分类特征进行融合，同一类别的影像区域很容易被聚类到一起，进而实现基于人工神经网络的矿山遥感影像分类方法设计。3 实验分析 3.1 实验设计以某矿山遥感影像数据为实验对象，利用此次设计方法与传统方法对影像数据分类。数据来源为无人机遥感影像，数据大小为200 bit，无人机遥感平台空间分辨率为15.5 m，从遥感矿山影像中剪裁出影像大小为400600的区域，区域中包含植被、岩体、地表水、房屋建筑用地、水田、旱田6种地（2）（3）（4）（5）表1 遥感影像具体参数信息图像颜色空间尺寸/mm分类数目采样率/%来源植被RGB40060043.45Fersrin影像库岩体RGB40060044.26Fersrin影像库地表水RGB40060041.39Fersrin影像库房屋建筑用地RGB40060045.64Fersrin影像库水田RGB40060041.86Fersrin影像库旱田RGB40060044.26Fersrin影像库摘要：由于传统方法Kappa系数值较低，文章通过求取矿山遥感影像分类子区域的标签向量，确定矿山遥感影像分类特征；并利用人工神经网络遥感影像分类矩阵，将确定的矿山遥感影像分类特征进行融合及分类。实验证明，基于人工神经网络的矿山遥感影像分类方法Kappa系数值高于传统方法。关键词：人工神经网络；遥感影像；分类方法；Kappa系数；标签向量中图分类号：P237 文 献标识码:A文章编号：2096-7519（2023）05-108-3秦泽鹏，王 瑞（山西省地球物理化学勘查院有限公司，山西 运城 044000）作者简介：秦泽鹏（1992），男，工程师，本科，毕业于兰州交通大学，主要从事工程测量、地籍测绘、航空摄影测量与遥感方面的工作。基于人工神经网络的矿山遥感影像分类方法研究1 概述遥感技术是一种不用接触待测物体而从物体反射出来的电磁波中提取到所需要物体参数的技术，主要利用无人机与传感器采集待测物体有关数据，并运用独特的数据处理方法与特征提取方法，实现对物质的测量。遥感技术因其具有影像清晰度较高、测量精度高、影像数据采集效率快等优点，被广泛应用于多个领域，尤其是矿山地质勘查领域，利用遥感技术获取、处理、分析矿山地质影像数1据，能够获取高精度的矿山地质勘查结果。矿山遥感影像分类是遥感技术在矿山地质勘查应用中一个核心部分，由于遥感影像数据数量多、噪声大，致使矿山遥感影像分类具有一定难度。传统遥感影像分类方法在实际应用中经常出现“同物异谱和异物同谱”现象，Kappa系数值较低，为此提出基于人工神经网络的矿山遥感影像分类方法研究。人工神经网络本质上是一种“似脑机器”的思想，是一种通过机器进行学习、训练的技术。人工神经网络以其对数据以及图像出色的处理能力广泛应用于各个行业，并取得良好的应用效果。本文将人工神经网络应用到矿山遥感影像分类中，形成一种新的分类方法，为矿山遥感影像分类提供参考依据。2 基于人工神经网络的矿山遥感影像分类方法2.1 确定矿山遥感影像分类特征确定矿山遥感影像分类特征是基于人工神经网络的矿山遥感影像分类方法的首要步骤，准确确定矿山遥感影像分类特征，与整个方法的精度有直接关系。此次通过求取矿山遥感影像分类子区域的标签向量，确定矿山遥感影像分类特征，具体过程如下。首先从遥感影像库中调取矿山遥感影像作为分类数据，假设在遥感图像库中包含幅矿山遥感影像，则将幅图像称为一个数据集。为确定数据集的人工神经网络影像分类特征，将数据集设为x，可得矿山遥感影像数据集的计算公式如下：（1）公式（1）中，为矿山遥感影像数据集中影像分类的区域特征；为矿山遥感影像分类的区域特征108109华北自然资源测绘测量2023.5总第116期052023年秦泽鹏，等：基于人工神经网络的矿山遥感影像分类方法研究2维数；为矿山遥感影像分类的逻辑矢量。在矿山遥感影像数据集 中，设既定的图像分类标签个数为，则1个图像分类的子区域只能与1个标签相对应，用公式表示如下：公式（2）中，为矿山遥感影像分类子区域的标签向量；为矿山遥感影像分类子区域的标签特征维数；为矿山遥感影像分类标签参数。在确定矿山遥感影像分类标签的基础上，确定矿山遥感影像分类特征。设矿山遥感影像分类特征为，则 的计算公式如下：公式（3）中，为矿山遥感影像中分类权重的参数。求得矿山遥感影像分类特征后，利用影像的特征维数进行分类，得到多个独立的区域影像。2.2 建立人工神经网络遥感影像分类矩阵在上述基础上，将多个独立的区域影像分类通过邻近之间信息传递，在人工智能神经网络中建立人工神经网络遥感影像分类矩阵。在人工神经网络中，建立矩阵的基础是求得多个独立的区域图像之间的相似度。假设多个独立的区域图像之间的相似度为，将 作为矿山遥感影像分类依据，其计算公式如下：公式（4）中，为区域影像之间的相似度；为标注的矿山遥感影像分类空间平滑系数；为标注的矿山遥感影像分类空间摩擦系数。得出多个独立的区域图像之间的相似度后，对人工神经网络遥感影像分类矩阵进行求解。设人工神经网络遥感影像分类矩阵为 ，则 的计算公式如下：公式（5）中，为矿山遥感影像分类标签与图像分类子区域标签的对应约束关系；为人工神经网络遥感影像分类矩阵的运算过程；为矿山遥感影像分类标签与影像分类子区域标签的对应函数关系。通过建立人工神经网络遥感影像分类矩阵，将确定的矿山遥感影像分类特征进行融合，同一类别的影像区域很容易被聚类到一起，进而实现基于人工神经网络的矿山遥感影像分类方法设计。3 实验分析 3.1 实验设计以某矿山遥感影像数据为实验对象，利用此次设计方法与传统方法对影像数据分类。数据来源为无人机遥感影像，数据大小为200 bit，无人机遥感平台空间分辨率为15.5 m，从遥感矿山影像中剪裁出影像大小为400600的区域，区域中包含植被、岩体、地表水、房屋建筑用地、水田、旱田6种地（2）（3）（4）（5）表1 遥感影像具体参数信息图像颜色空间尺寸/mm分类数目采样率/%来源植被RGB40060043.45Fersrin影像库岩体RGB40060044.26Fersrin影像库地表水RGB40060041.39Fersrin影像库房屋建筑用地RGB40060045.64Fersrin影像库水田RGB40060041.86Fersrin影像库旱田RGB40060044.26Fersrin影像库摘要：由于传统方法Kappa系数值较低，文章通过求取矿山遥感影像分类子区域的标签向量，确定矿山遥感影像分类特征；并利用人工神经网络遥感影像分类矩阵，将确定的矿山遥感影像分类特征进行融合及分类。实验证明，基于人工神经网络的矿山遥感影像分类方法Kappa系数值高于传统方法。关键词：人工神经网络；遥感影像；分类方法；Kappa系数；标签向量中图分类号：P237 文 献标识码:A文章编号：2096-7519（2023）05-108-3秦泽鹏，王 瑞（山西省地球物理化学勘查院有限公司，山西 运城 044000）作者简介：秦泽鹏（1992），男，工程师，本科，毕业于兰州交通大学，主要从事工程测量、地籍测绘、航空摄影测量与遥感方面的工作。基于人工神经网络的矿山遥感影像分类方法研究1 概述遥感技术是一种不用接触待测物体而从物体反射出来的电磁波中提取到所需要物体参数的技术，主要利用无人机与传感器采集待测物体有关数据，并运用独特的数据处理方法与特征提取方法，实现对物质的测量。遥感技术因其具有影像清晰度较高、测量精度高、影像数据采集效率快等优点，被广泛应用于多个领域，尤其是矿山地质勘查领域，利用遥感技术获取、处理、分析矿山地质影像数1据，能够获取高精度的矿山地质勘查结果。矿山遥感影像分类是遥感技术在矿山地质勘查应用中一个核心部分，由于遥感影像数据数量多、噪声大，致使矿山遥感影像分类具有一定难度。传统遥感影像分类方法在实际应用中经常出现“同物异谱和异物同谱”现象，Kappa系数值较低，为此提出基于人工神经网络的矿山遥感影像分类方法研究。人工神经网络本质上是一种“似脑机器”的思想，是一种通过机器进行学习、训练的技术。人工神经网络以其对数据以及图像出色的处理能力广泛应用于各个行业，并取得良好的应用效果。本文将人工神经网络应用到矿山遥感影像分类中，形成一种新的分类方法，为矿山遥感影像分类提供参考依据。2 基于人工神经网络的矿山遥感影像分类方法2.1 确定矿山遥感影像分类特征确定矿山遥感影像分类特征是基于人工神经网络的矿山遥感影像分类方法的首要步骤，准确确定矿山遥感影像分类特征，与整个方法的精度有直接关系。此次通过求取矿山遥感影像分类子区域的标签向量，确定矿山遥感影像分类特征，具体过程如下。首先从遥感影像库中调取矿山遥感影像作为分类数据，假设在遥感图像库中包含幅矿山遥感影像，则将幅图像称为一个数据集。为确定数据集的人工神经网络影像分类特征，将数据集设为x，可得矿山遥感影像数据集的计算公式如下：（1）公式（1）中，为矿山遥感影像数据集中影像分类的区域特征；为矿山遥感影像分类的区域特征基于城市地形图测绘中无人机航空摄影技术以及DEM、DOM处理技术，采用不同航测方式和控制点布设方式对城市进行测绘。研究结果显示，采用空中加密技术并做好外业调绘能保证平面、高程、接边的精准性，利用数字化地形图编辑成图，能够保证数据真实，做好质量控制。1 无人机航空摄影测量进行无人机航空摄影测量前，要根据拍摄需求选择适合的无人机类型，并做好数据收集，调试好无人机后再根据测绘条件规划航线，以最大限度地降低测量影像。在航线设计阶段，需要先进行现场核查，确保无人机调试结果满足现场条件后，再选择合适且精简的线路以降低消耗成本，然后投入摄影过程。根据像控点分布进行数据处理，最后利用DEM、DOM技术处理图像，获取结果，具体流程如图1所示。无人机航测对降落条件没有硬性要求，起降方便，飞行范围广，获取的影像分辨率高，能够随时供人参考。综合来看，无人机航空摄影测量具有快速性、安全性、时效性等优势。2 城市地形图测绘中无人机航空摄影测量系统2.1 飞行控制系统为保证城市地形图测绘中航空摄影测量工作顺利进行，需先满足无人机的飞行安全，因此一般添110华北自然资源测绘测量2023.5111总第116期052023年摘要：文章采用项目分析法、文献调查法以及对比分析法对航空摄影测量技术应用进行分析，并结合实际应用介绍了航空摄影测量技术在城市地形图测绘工作中的运用细节和技术要点。结果表明，无人机航空摄影在城市地形图测绘中的应用成效显著，不仅能够降低测绘误差，而且操作简单安全系数高。关键词：地形图测绘；航空摄影测量；无人机中图分类号：P231 文 献标识码：A文章编号：2096-7519（2023）05-111-4王立妮，张 弘，范 璐（河南省地质局矿产资源勘查中心，河南 郑州 450000）作者简介：王立妮（1987），女，工程师，本科，毕业于河南理工大学，研究方向：测绘工程。城市地形图测绘中航空摄影测量技术的应用策略图1 无人机航拍流程物类型，6种地物影像具体参数信息见表1。使用Matlab平台人工神经网络工具箱构建人工神经网络，根据地物特征选取3组人工神经网络训练样本。样本一：选取10块植被样本，12块岩体样本，10块地表水用地样本，15块房屋建筑用地样本，18块水田样本以及16块旱田样本。样本二：选取15块植被样本，10块块岩体样本，15地表水用地样本，15块房屋建筑用地样本，10块水田样本以及12块旱田样本。样本三：选取20块植被样本，13块岩体样本，11地表水用地样本，10块房屋建筑用地样本，15块水田样本以及10块旱田样本。根据训练样本数据提取的各地光谱特征以及其他信息，对数据进行人工神经网络训练提取分类特征，最终得到分类结果。根据两种方法得到分类结果，利用Kappa分析软件对分类结果Kappa系数值计算。Kappa系数是用来评价分类结果与实际值的一致性，如果Kappa系数值超过0.8，则表示矿山遥感影像分类结果的一致性较大，分类精度较高；如果Kappa系数计算值在0.40.8范围内，则表示矿山遥感影像分类结果一致性一般，分类精度一般；如果Kappa系数计算值低于0.4，则表示矿山遥感影像分类结果一致性较差，分类精度较低。以Kappa系数值作为实验结果，对两种方法进行对比。3.2 实验结果根据Kappa分析软件计算的Kappa系数值绘制实验结果图，并对此次设计方法与传统方法进行对比分析，实验结果如图1所示。从图1可以看出，此次设计方法Kappa系数值平均可达0.8以上，平均值为0.91，最高可达0.97；而传统方法Kappa系数值平均为0.38，最高仅为0.42。这些数据可以证明基于人工神经网络的矿山遥感影像分类方法具有较高的分类精度，相比传统方法具有很好的适应性和稳定性，可以满足矿山遥感影像分类精度需求。4 结束语本文结合矿山遥感影像分类需求和现状，对基于人工神经网络的矿山遥感影像分类方法进行了研究，该方法利用人工神经网络分类矩阵，对矿山遥感影像数据训练分析，提取到与分类目标相符的地物信息，并通过实验论证表明，该方法具有良好的适用性，提高了矿山遥感影像分类精度。此次研究对于人工神经网络的构建以及人工神经网络对遥感影像数据的训练没有过多分析探讨，今后会进行进一步研究，为矿山遥感影像分类提供指导。参考文献：1 李冠东,张春菊,高飞,等.双卷积池化结构的3D-CNN高光谱遥感影像分类方法J.中国图象图形 学报,2019,24(04):639-654.2 冯国政,徐金东,范宝德,等.基于半监督模糊C 均值算法的遥感影像分类J.计算机应用,2019,39(11):3227-3232.3 莫建麟,王玉晶.面向嵌入式的卷积神经网络图 像分类算法J.黑龙江工业学院学报(综合版),2020,20(10):56-59.图1 两种分类方法Kappa系数值对比图航线设计空域申请外业布设像控点补飞计划航飞实施相片预处理相片质量检查外业像控测量航线设计生成DEM和DOM DLG制作成果评定是否符合条件Kappa系数值王立妮，等：城市地形图测绘中航空摄影测量技术的应用策略