【技術實現步驟摘要】
本申請涉及遙感圖像處理，尤其涉及一種高光譜影像火星地表蒙脫石識別方法。
技術介紹
1、火星緊湊型偵察成像光譜儀(compact?reconnaissance?imaging?spectrometerfor?mars，crism)，是一個高光譜成像光譜儀，安裝在火星偵察軌道器(marsreconnaissance?orbiter,mro)上，用于采集火星數據。基于crism獲得的數據，已被大量用于識別火星地表礦物的分布，主要包括碳酸鹽、硅酸鹽、硫酸鹽等。其中，鐵蒙脫石或鎂蒙脫石作為含水礦物，不僅對保存微生物的特征及指示火星地質環境的演變具有重要意義，還可為未來原位資源的利用提供指引。
2、目前，通過光譜匯總參數法，基于手動計算，識別火星地表礦物。
3、然而，光譜匯總參數法是基于手動計算的，自動化程度較低，且對噪聲十分敏感，因而礦物識別精度還有待提高。
技術實現思路
1、本申請實施例提供一種高光譜影像火星地表蒙脫石識別方法，能夠解決火星礦物識別精度低的技術問題。
2、為達到上述目的，本申請的實施例采用如下技術方案：
3、第一方面，本申請實施例提供一種高光譜影像火星地表蒙脫石識別方法，該高光譜影像火星地表蒙脫石識別方法包括：構建光譜數據集；對光譜數據集中的數據進行預處理，得到模型訓練數據；基于模型訓練數據，通過前向訓練和反向訓練，構建雙向訓練模型；基于損失函數，迭代訓練雙向訓練模型,得到識別模型。
4、基于上述對本申請實施例提供
5、在第一方面可行的實現方式中，執行基于模型訓練數據，通過前向訓練和反向訓練，構建雙向訓練模型的步驟時，雙向訓練模型包括雙向長短期記憶網絡模型，高光譜影像火星地表蒙脫石識別方法還包括：基于模型訓練數據，通過前向訓練，學習第一光譜特征序列關系；基于模型訓練數據，通過反向訓練，學習第二光譜特征序列關系；整合第一光譜特征序列關系和第二光譜特征序列關系。
6、在第一方面可行的實現方式中，雙向長短期記憶網絡模型包括第一長短期記憶層、第二長短期記憶層和全連接層。
7、在第一方面可行的實現方式中，第一長短期記憶層包括多個長短期記憶單元；長短期記憶單元的計算公式包括：
8、
9、其中，y(t)表示為y的第t維，即當前時刻的輸入；wf表示為遺忘門權重；bf表示為偏置；c(t-1)表示為上一時刻的單元狀態；h(t-1)表示為上一時刻的輸出值；y(t)表示為此前時刻網絡的輸入值；h表示為第一長短期記憶層的輸出；h(t)表示為當前時刻第一長短期記憶層的輸出值；c(t)表示為當前時刻的單元狀態；f(t)表示為遺忘門的輸出；表示為輸入門輸出；o(t)表示為輸出門輸出。
10、在第一方面可行的實現方式中，全連接層的計算公式包括：
11、a＝σ(f(h,w)+b)；
12、其中，h表示為第二長短期記憶層的輸出；f表示為全連接層；w表示為全連接層的權重；b表示為全連接層的偏置；σ表示為激活函數；a表示為全連接層的輸出,即當前預測結果。
13、在第一方面可行的實現方式中，損失函數的計算公式包括：
14、
15、其中，loss表示為交叉熵損失函數；c表示為類別標簽；n表示為類別數。
16、在第一方面可行的實現方式中，執行對光譜數據集中的數據進行預處理，得到模型訓練數據的步驟時，高光譜影像火星地表蒙脫石識別方法還包括：對光譜數據集中的數據進行波長一致性處理、光譜平滑、連續體去除和光譜標準化。
17、在第一方面可行的實現方式中，高光譜影像火星地表蒙脫石識別方法還包括：將待預測影像預處理，得到待輸入數據；將待輸入數據輸入識別模型。
18、第二方面，本申請實施例提供一種高光譜影像火星地表蒙脫石識別系統，該高光譜影像火星地表蒙脫石識別系統包括：至少一個處理器；與至少一個處理器通信連接的存儲器；其中，存儲器存儲有可被至少一個處理器執行的指令，指令被至少一個處理器執行，以使至少一個處理器能夠執行第一方面提供的方法。
19、高光譜影像火星地表蒙脫石識別系統通過執行第一方面提供的方法，構建光譜數據集，高光譜影像的有效數據均在該光譜數據集中。構建雙向訓練模型，充分考慮高光譜影像中隱藏的深層次礦物光譜特征和光譜波段之間存在的雙向依賴關系。基于損失函數迭代訓練，得到最佳的識別模型。這樣，待預測影像輸入識別模型，進行礦物識別，自動化的方式高效處理高光譜影像數據，同時考慮到降維后的光譜波段之間的雙向依賴關系，提高火星礦物識別精度。
20、第三方面，本申請實施例提供一種計算機可讀介質，其上存儲有計算機程序指令，計算機程序指令可被處理器執行以實現如第一方面提供的方法。
21、計算機可讀介質中的計算機程序指令通過實現第一方面提供的方法，構建光譜數據集，高光譜影像的有效數據均在該光譜數據集中。構建雙向訓練模型，充分考慮高光譜影像中隱藏的深層次礦物光譜特征和光譜波段之間存在的雙向依賴關系。基于損失函數迭代訓練，得到最佳的識別模型。這樣，待預測影像輸入識別模型，進行礦物識別，自動化的方式高效處理高光譜影像數據，同時考慮到降維后的光譜波段之間的雙向依賴關系，提高火星礦物識別精度。
本文檔來自技高網...【技術保護點】
1.一種高光譜影像火星地表蒙脫石識別方法，其特征在于，包括：
2.根據權利要求1所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，執行所述基于所述模型訓練數據，通過前向訓練和反向訓練，構建雙向訓練模型的步驟時，所述雙向訓練模型包括雙向長短期記憶網絡模型，所述高光譜影像火星地表蒙脫石識別方法還包括：
3.根據權利要求2所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，所述雙向長短期記憶網絡模型包括第一長短期記憶層、第二長短期記憶層和全連接層。
4.根據權利要求3所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，所述第一長短期記憶層包括多個長短期記憶單元；所述長短期記憶單元的計算公式包括：
5.根據權利要求4所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，所述全連接層的計算公式包括：
6.根據權利要求1或2所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，所述損失函數的計算公式包括：
7.根據權利要求1或2所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，執行所述對所述光譜數據集中的數據進行預處理，
8.根據權利要求1或2所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，所述高光譜影像火星地表蒙脫石識別方法還包括：
9.一種高光譜影像火星地表蒙脫石識別系統，其特征在于，包括：
10.一種計算機可讀介質，其上存儲有計算機程序指令，所述計算機程序指令可被處理器執行以實現如權利要求1至8中任一項所述的方法。
...【技術特征摘要】
1.一種高光譜影像火星地表蒙脫石識別方法，其特征在于，包括：
2.根據權利要求1所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，執行所述基于所述模型訓練數據，通過前向訓練和反向訓練，構建雙向訓練模型的步驟時，所述雙向訓練模型包括雙向長短期記憶網絡模型，所述高光譜影像火星地表蒙脫石識別方法還包括：
3.根據權利要求2所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，所述雙向長短期記憶網絡模型包括第一長短期記憶層、第二長短期記憶層和全連接層。
4.根據權利要求3所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，所述第一長短期記憶層包括多個長短期記憶單元；所述長短期記憶單元的計算公式包括：
5.根據權利要求4所述的高光譜影像火星地表蒙脫石識別方法，其特征在于，所述全連接層的計算公式包括...
【專利技術屬性】
技術研發人員：李超，周可法，王金林，張清，畢建濤，汪瑋，裘賀順，王彬彬，王瑞，孫慧中，
申請(專利權)人：中國科學院空間應用工程與技術中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。