小样本矿物高光谱数据增强与丰度反演

朱玲; 李明; 秦凯

doi:10.37188/OPE.20233111.1684

您当前的位置：

首页 >

文章列表页 >

小样本矿物高光谱数据增强与丰度反演

信息科学 | 更新时间：2023-07-08

- 小样本矿物高光谱数据增强与丰度反演
- Small sample data augmentation and abundances inversion of minerals hyperspectral
- 光学精密工程 2023年31卷第11期页码：1684-1690
- 作者机构：
  
  核工业北京地质研究院遥感信息与图像分析技术国家级重点实验室，北京 100029
- 作者简介：
  
  [ "朱玲（1992-），女，硕士，工程师，2018年于中国矿业大学（北京）获得硕士学位，主要从事遥感地质及高光谱遥感信息智能提取的研究。E-mail： thal_zhu@163.com" ]
- 基金信息：
  
  国防基础科研项目(JCKY2022201CRS025)
- DOI：10.37188/OPE.20233111.1684
  中图分类号： TP751
- 收稿日期：2022-08-18，
  
  修回日期：2022-10-14，
  
  纸质出版日期：2023-06-10
- 稿件说明：
移动端阅览
朱玲,李明,秦凯.小样本矿物高光谱数据增强与丰度反演[J].光学精密工程,2023,31(11):1684-1690.

ZHU Ling,LI Ming,QIN Kai.Small sample data augmentation and abundances inversion of minerals hyperspectral[J].Optics and Precision Engineering,2023,31(11):1684-1690.
朱玲,李明,秦凯.小样本矿物高光谱数据增强与丰度反演[J].光学精密工程,2023,31(11):1684-1690. DOI： 10.37188/OPE.20233111.1684.

ZHU Ling,LI Ming,QIN Kai.Small sample data augmentation and abundances inversion of minerals hyperspectral[J].Optics and Precision Engineering,2023,31(11):1684-1690. DOI： 10.37188/OPE.20233111.1684.

摘要

为了解决基于深度学习的开展矿物高光谱丰度反演研究中标签数据不足的问题，提出一种基于添加填充系数的Hapke混合模型的小样本矿物高光谱数据增强方法，用于生成大量带标签的数据集。在实验室内选择5种常见矿物按照质量比例对矿物粉末进行多元混合，并对混合矿物开展光谱量测。基于线性混合模型、Hapke混合模型、填充系数分别为0.1，0.2和0.3的Hapke混合模型共5种模型，按照对应的质量比例生成模拟的混合矿物光谱，与实验室实测光谱进行比较。最后，基于Monte Carlo法随机生成多元“和为一”的丰度矩阵，利用5种混合模型开展数据增强，分别生成40 000条模拟光谱作为堆栈自编码网络的训练集，反演矿物高光谱数据的丰度信息。研究结果表明：Hapke模型以及添加填充系数后的光谱模拟精度均优于线性混合模型的模拟精度，当Hapke模型的填充系数为0.1和0.2时，光谱角距离误差均值分别为0.053 5和0.053 7，模拟的矿物光谱更接近实测光谱，且优于未添加填充系数时的光谱角距离误差0.074 8。利用填充系数为0.1和0.2的Hapke模型生成的模拟数据作为深度学习训练集，矿物高光谱丰度反演的均方根误差（RMSE）为0.124 8，优于其他4种模型的反演结果。基于添加填充系数后的Hapke混合模型生成的模拟数据更接近真实光谱，可为深度学习的小样本矿物丰度反演研究提供数据支撑。

Abstract

Using deep learning methods to retrieve mineral abundance requires numerous labeled hyperspectral data samples. Thus， a method based on the Hapke mixed model with filling factor is proposed for data augmentation of small mineral samples， to generate a large number of labeled datasets. First， five kinds of common mineral powders were mixed by multiple elements in the laboratory according to the weight mixing ratio， and the spectra of mixed minerals were measured. Subsequently， mixing spectra were simulated considering the corresponding weight proportion of the five mixing models， including the linear mixing model. The simulated spectra of the augmented data using the original Hapke and the Hapke mixing model with filling factors of 0.1， 0.2， and 0.3 were compared with the measured spectra. Finally， based on the sum to one abundance matrix randomly generated by the Monte Carlo method， forty thousand simulated spectra were generated using the five mixing models. The abundance information on real spectral data was obtained by treating the simulated spectra as the training dataset of the stack autoencoder network. The results showed that the simulation results obtained using the original Hapke model and the model with filling factors were better in accuracy than those of the linear mixed model. When the filling factors of the Hapke model were set to 0.1 and 0.2， the mean SAM error was 0.053 5 and 0.053 7， respectively， and the RMSE error of mineral abundance inversion of hyperspectral data was 0.124 8， demonstrating the superiority of the Hapke model with filling factors over the other four methods. The simulated mineral spectrum was closer to the measured spectrum and better than that without any filling factors with a simulation error of 0.074 8， and the spectra associated with the simulated data were closer to the real spectrum， thereby providing support for mineral abundance inversion research based on deep learning.

关键词

Keywords

references

丁文清，丁林 . 岩矿高光谱遥感及其在青藏高原的应用前景［J］. 地质科学， 2022 ， 57 （ 3 ）： 924 - 944 . doi: 10.12017/dzkx.2022.053 http://dx.doi.org/10.12017/dzkx.2022.053

DING W Q ， DING L . Hyperspectral remote sensing of rock and mineral and its application prospects on the Tibetan Plateau ［J］. Chinese Journal of Geology ， 2022 ， 57 （ 3 ）： 924 - 944 . （in Chinese） . doi: 10.12017/dzkx.2022.053 http://dx.doi.org/10.12017/dzkx.2022.053

张成业，秦其明，陈理，等 . 高光谱遥感岩矿识别的研究进展［J］. 光学精密工程， 2015 ， 23 （ 8 ）： 2407 - 2418 . doi: 10.3788/ope.20152308.2407 http://dx.doi.org/10.3788/ope.20152308.2407

ZHANG CH Y ， QIN Q M ， CHEN L ， et al . Research and development of mineral identification utilizing hyperspectral remote sensing ［J］. Opt. Precision Engi. ， 2015 ， 23 （ 8 ）： 2407 - 2418 . （in Chinese） . doi: 10.3788/ope.20152308.2407 http://dx.doi.org/10.3788/ope.20152308.2407

董新丰，甘甫平，李娜，等 . 高分五号高光谱影像矿物精细识别［J］. 遥感学报， 2020 ， 24 （ 4 ）： 454 - 464 .

DONG X F ， GAN F P ， LI N ， et al . Fine mineral identification of GF-5 hyperspectral image ［J］. Journal of Remote Sensing ， 2020 ， 24 （ 4 ）： 454 - 464 . （in Chinese）

叶珍，白璘，何明一 . 高光谱图像空谱特征提取综述［J］. 中国图象图形学报， 2021 ， 26 （ 8 ）： 1737 - 1763 . doi: 10.11834/jig.210198 http://dx.doi.org/10.11834/jig.210198

YE ZH ， BAI L ， HE M Y . Review of spatial-spectral feature extraction for hyperspectral image ［J］. Journal of Image and Graphics ， 2021 ， 26 （ 8 ）： 1737 - 1763 . （in Chinese） . doi: 10.11834/jig.210198 http://dx.doi.org/10.11834/jig.210198

OZKAN S ， KAYA B ， AKAR G B . EndNet： sparse AutoEncoder network for endmember extraction and hyperspectral unmixing ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2019 ， 57 （ 1 ）： 482 - 496 . doi: 10.1109/tgrs.2018.2856929 http://dx.doi.org/10.1109/tgrs.2018.2856929

ZHANG X R ， SUN Y J ， ZHANG J Y ， et al . Hyperspectral unmixing via deep convolutional neural networks ［J］. IEEE Geoscience and Remote Sensing Letters ， 2018 ， 15 （ 11 ）： 1755 - 1759 . doi: 10.1109/lgrs.2018.2857804 http://dx.doi.org/10.1109/lgrs.2018.2857804

SU Y C ， LI J ， PLAZA A ， et al . DAEN： deep autoencoder networks for hyperspectral unmixing ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2019 ， 57 （ 7 ）： 4309 - 4321 . doi: 10.1109/tgrs.2018.2890633 http://dx.doi.org/10.1109/tgrs.2018.2890633

韩竹，高连如，张兵，等 . 高分五号高光谱图像自编码网络非线性解混［J］. 遥感学报， 2020 ， 24 （ 4 ）： 388 - 400 . doi: 10.11834/jrs.20209188 http://dx.doi.org/10.11834/jrs.20209188

HAN ZH ， GAO L R ， ZHANG B ， et al . Nonlinear unmixing of hyperspectral image self-coding network with high score No.5 ［J］. National Remote Sensing Bulletin ， 2020 ， 24 （ 4 ）： 388 - 400 . （in Chinese） . doi: 10.11834/jrs.20209188 http://dx.doi.org/10.11834/jrs.20209188

慕晓冬，白坤，尤轩昂，等 . 基于对比学习方法的遥感影像特征提取与分类［J］. 光学精密工程， 2021 ， 29（ 9 ） 2222 - 2234 . doi: 10.37188/OPE.20212909.2222 http://dx.doi.org/10.37188/OPE.20212909.2222

MU X D ， BAI K ， YOU X A ， et al . Remote sensing image feature extraction and classification based on contrastive learning method ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 9 ）： 2222 - 2234 . doi: 10.37188/OPE.20212909.2222 http://dx.doi.org/10.37188/OPE.20212909.2222

王忠良，何密，叶珍，等 . 线性混合光谱模型高光谱压缩感知［J］. 遥感学报， 2020 ， 24 （ 3 ）： 277 - 289 .

WANG ZH L ， HE M ， YE ZH ， et al . For hyperspectral compressed sensing method on linear mixed spectrum model ［J］. Journal of Remote Sensing ， 2020 ， 24 （ 3 ）： 277 - 289 . （in Chinese）

王喆，赵哲，闫柏琨，等 . 基于Hapke模型混合岩矿粉末反射率光谱模拟［J］. 国土资源遥感， 2017 ， 29 （ 1 ）： 186 - 191 .

WANG ZH ， ZHAO ZH ， YAN B K ， et al . Simulation of bi-directional reflectance on mixed minerals based on Hapke photometric model ［J］. Remote Sensing for Land & Resources ， 2017 ， 29 （ 1 ）： 186 - 191 . （in Chinese）

QIN K ， GE F Y ， ZHAO Y J ， et al . Hapke data augmentation for deep learning-based hyperspectral data analysis with limited samples ［J］. IEEE Geoscience and Remote Sensing Letters ， 2021 ， 18 （ 5 ）： 886 - 890 . doi: 10.1109/lgrs.2020.2989796 http://dx.doi.org/10.1109/lgrs.2020.2989796

HAPKE B . Bidirectional reflectance spectroscopy ［J］. Icarus ， 2008 ， 195 （ 2 ）： 918 - 926 . doi: 10.1016/j.icarus.2008.01.003 http://dx.doi.org/10.1016/j.icarus.2008.01.003

WANG L ， LIU D ， WANG Q ， et al . Spectral unmixing model based on least squares support vector machine with unmixing residue constraints ［J］. Geoscience and Remote Sensing Letters ， 2013 ， 10 （ 6 ）： 1592 - 1596 . doi: 10.1109/lgrs.2013.2262371 http://dx.doi.org/10.1109/lgrs.2013.2262371

浏览量

605

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多分支残差注意力网络的水下图像增强

基于策略梯度和伪孪生网络的异源图像匹配

面向点云分类和分割的形状自适应特征聚合网络

基于机载的红外动态目标视频实时超分辨率重建

数据驱动的多模复合制导信息融合及其试验验证