一、神经网络技术在成像光谱数据的岩石矿物识别中的应用（论文文献综述）
王建刚[1]（2020）在《基于机器学习的航空高光谱遥感岩性识别技术研究》文中提出航空高光谱遥感在地质勘查领域应用广泛。鉴于地质调查领域对岩性地质填图的各种需求,遥感岩性识别逐渐发展为遥感地质领域一个重要的研究方向。但遥感岩性识别仍存在信息处理表现不佳、对工作人员的先验知识要求高、数据量大存储处理难等诸多问题,因而急需寻求适用于航空高光谱遥感数据的岩性识别处理分析方法。近些年,机器学习方法,尤其是以神经网络深度学习为代表的数据处理方法,在分类、识别等领域表现效果优秀。在核地质系统对新技术方法研究的大力支持的情况下,本次研究将遥感岩性识别问题与机器学习中的神经网络方法相结合,以甘肃龙首山地区为研究区,开展了基于机器学习的航空高光谱遥感岩性识别研究。基于机器学习的航空高光谱遥感岩性识别,主要进行了以下三个方面研究:（1）基于机器学习的航空高光谱遥感岩性识别流程设计。设计了适用于遥感地质领域的航空高光谱遥感岩性识别流程方法;（2）基于自编码神经网络的航空高光谱遥感数据降维特征提取。使用自编码神经网络方法,对多波段维度的航空高光谱遥感数据进行降维与特征提取,并进行实验验证;（3）基于深度神经网络方法的航空高光谱遥感岩性识别。将深度神经网络方法应用在岩性分类问题上,进行基于深度神经网络方法的地表岩性识别,并进行实验验证。实验结果表明:（1）基于机器学习的航空高光谱遥感岩性识别流程能够满足遥感岩性识别研究的需求,根据流程能够较好的进行遥感岩性识别,足以为后续研究提供参考;（2）在测试数据上,计算得出基于自编码网络的误差为0.0000334,方法效果较好,具有可行性;（3）在测试数据上的,计算得出识别结果精度为87.1%;在实际分类实验中,将分类结果与地质图进行对比,发现从分类结果图与实际地质图有一定相似性,从整体上看,Q、Pt2d3、∈1三种地层岩性识别上效果较好,Pt1t、N1、O33-2γβ类别上效果较差。总体来说,该方法具有一定可行性。
陈影[2]（2020）在《地物波谱数据库支持的深度学习方法高光谱矿物类型识别》文中认为高光谱遥感技术可以在矿物填图中发挥重要作用,高光谱矿物类型识别是实现矿物填图的重要环节,而由于矿物类型及其环境背景的复杂性,导致识别方法的精度不高,难以满足矿物填图的应用需求。而近年来兴起的深度学习技术能够从样本集中学习数据本质特征,被越来越多应用到高光谱数据的分析中。而利用深度学习的神经网络实现高光谱矿物分类,依赖从标签样本数据提取的矿物光谱特征,因而样本数据一定程度上影响着分类精度。目前从高光谱遥感数据中采集样本点,制作标签样本数据集,耗时长效率低,且难以提供足够数量;另一方面,人工选择像素点的主观性影响样本数据的质量,且遥感数据质量和预处理精度等因素一定程度上也影响数据的质量。因此,样本数据数量不足和质量不高的问题,使深度学习对高光谱数据的学习能力和分类效果受到限制。针对以上问题,本文利用现有的地物波谱库光谱数据模拟高光谱样本数据,作为深度学习网络结构的有效输入样本,提出地物波谱数据库支持的深度学习高光谱矿物类型识别方法。本文的主要内容包括:（1）基于USGS波谱数据库的深度学习高光谱样本数据的制作。选择现有地物波谱库作为样本数据源,模拟高光谱数据的光谱信息,为深度学习算法提供。USGS波谱数据库中的矿物光谱数据种类繁多,数量充足,满足深度学习样本的数量要求;同时波谱库采用多种测量方法,数据信息准确度高,能够更真实地反映矿物的光谱特征,满足深度学习样本的质量要求。使用USGS波谱数据库,基于模拟的手段制作提供深度学习矿物类型识别需要的大量的标签样本,为深度学习残差网络的输入层提供有效的高光谱数据集。（2）深度学习网络的构建与高光谱矿物类型识别。针对矿物类型的光谱差异相对较小,干扰信息较为显着的特点,本文选择残差网络模型来实现矿物类型的识别,残差网络作为优化的卷积神经网络,网络结构简单、参数量少,具有很强的泛化性。基于Keras深度学习框架平台,构建用于高光谱数据矿物类型识别的残差网络,将USGS波谱数据库模拟得到的高光谱样本数据输入网络,利用残差网络的深层结构提取矿物光谱特征,训练学习得到高光谱矿物识别规则。将AVIRIS高光谱数据作为待识别数据,利用训练得到的矿物识别规则进行填图实验,得到研究区的矿物填图结果。（3）矿物填图结果的真实性验证及对比矿物填图实验。以地表调查与遥感图像结合的矿物填图结果为依据,通过与深度学习的矿物填图结果对比分析,对本文提出的矿物类型识别算法进行验证,矿物识别算法的整体精度达到76.41%,矿物类型的识别效果较好。证明了地物波谱数据库模拟高光谱样本数据的深度学习方法进行矿物分类的可行性和有效性。基于选择高光谱像素点为样本数据,进行深度学习矿物类型识别方法的对比实验,并与基于地物波谱库的矿物填图结果进行对比,分析基于地物波谱库矿物识别的优势。（4）矿物类型识别方法在植被区域的适用性分析。在植被覆盖区域,植被是影响高光谱遥感矿物类型识别的准确度的最重要因素。为了验证本文的矿物类型识别方法在植被覆盖区域的适用程度,以线性光谱混合模型进行植被-矿物光谱混合模拟,并对模拟的植被覆盖高光谱数据进行矿物填图实验。对不同植被覆盖度的矿物填图结果进行精度验证,证明了地物波谱数据库作为样本数据的深度学习方法,具有较高的适用性和稳定性。
张雨维[3]（2020）在《基于多源数据协同的集宁浅覆盖区玄武岩提取方法研究》文中进行了进一步梳理玄武岩作为探测地球深部的“探针”和“窗口”,其空间分布对构造背景、岩石圈深部的动力学背景和地质找矿潜力等研究具有重要意义。由于大面积的第四系沉积物的覆盖,集宁玄武岩的岩性特征、边界不甚清晰,使其岩性识别成为一大难题。近年来,物化探、遥感技术作为人类研究地表的重要技术手段已广泛应用于覆盖区岩性识别中。然而,由于光学遥感数据只能获取地表信息、物化探数据存在采样不连续、比例尺小等缺陷,覆盖区岩性填图精度较低。为了提高覆盖区的玄武岩识别精度,本研究以内蒙古自治区乌兰察布市集宁区的兴和——鄂卜坪浅覆盖区为实验区,深入、全面地探讨如何协同利用遥感、地球化学、地质等多源数据对覆盖区玄武岩进行自动分类识别,明确覆盖区内玄武岩的空间分布。本研究的主要内容和成果如下:（1）通过多种多光谱遥感图像数据的岩性目视解译、岩性信息增强和机器学习分类比较,寻找适合多源数据协同识别覆盖区岩性的最佳数据组合和最优算法。实验证实:多源遥感数据组合的岩性分类能力显着优于单一遥感数据;而支持向量机（Supporting Vector Machine,SVM）在利用多源遥感数据进行覆盖区岩性识别中具有很大优势;（2）基于区域内水系沉积物地球化学数据进行插值分析,以探索其与玄武岩的对应关系。研究发现:最能代表区内玄武岩分布的元素组合为:Cd、Co、Cr、Cu、Mo、Ni、Zn和Pb;（3）结合能够有效反映研究区玄武岩分布的化探数据和遥感数据,利用SVM进行玄武岩分类研究。实验结果证明:化探数据和遥感数据的组合是覆盖区岩性识别的有效组合,从中可以得到更为准确的覆盖区玄武岩空间分布。综上所述,本研究中提出的多源地学信息协同处理的框架和技术可充分发挥不同地学数据的优势,提高覆盖区岩性填图精度和效率,将为覆盖区岩性识别提供技术参考,具有重要的学术意义。
王子烨[4]（2020）在《基于测度学习的喜马拉雅淡色花岗岩岩体识别》文中认为西藏喜马拉雅造山带是特提斯构造域的重要组成部分,蕴藏着丰富的矿产资源。作为喜马拉雅地区分布广泛的一种高铝高硅碱酸性侵入岩,喜马拉雅淡色花岗岩已被证实具有良好的稀有金属成矿潜力,如铍、铷、铯、铌、钽、锂等。这些稀有金属在国防、航空航天、新能源和先进制造业等领域占有日益重要的地位,是支撑战略性新兴产业发展不可或缺的原材料,已成为当前矿产勘查的重要目标。喜马拉雅淡色花岗岩带有望成为我国重要的稀有金属成矿带,因此如何掌握喜马拉雅造山带淡色花岗岩的分布情况对该地区稀有多金属矿产资源勘查工作具有重要的意义。喜马拉雅造山带自然环境恶劣,地质勘查工作程度相对较低,使得以往圈定的淡色花岗岩的空间分布范围具有较大的不确定性。该区域空气稀薄、植被覆盖较少,为遥感技术的应用提供了有利条件。论文的研究目的是在前人的研究基础上,收集研究区地质、地球化学和遥感数据,根据淡色花岗岩与围岩在地球化学元素分布模式和遥感影像光谱特征方面的差异,建立岩体识别模型来高效地圈定淡色花岗岩的空间分布范围,为喜马拉雅地区稀有金属找矿工作提供技术支撑。岩体识别的关键是对地学空间数据进行集成融合与分析,而制约喜马拉雅淡色花岗岩识别的因素除了识别方法外,数据挖掘不充分也是其中重要的原因之一,具体可以概括为两点:（1）数据层面。研究区研究程度较低,区域地球化学数据比例尺较小,大部分地区为1:50万,小部分为1:20万。单一类型的遥感数据受传感器的限制,光谱分辨率和空间分辨率相互制约,因此无法全面反映研究区岩石矿物的光谱特征;（2）方法层面。非监督分类方法常常需要数据满足特定的统计假设,而监督的分类方法在训练样本有限的情况下,难以建立准确的预测模型来高效地识别高度相似的淡色花岗岩与围岩。为了解决以上问题,论文分别从数据处理和识别方法两个层面开展研究工作。首先采用多源数据融合技术实现多种类型地学数据的有机结合,为岩体识别提供更加丰富的信息;其次引入测度学习,在喜马拉雅造山带选择区域和矿区两个尺度的研究区建立淡色花岗岩岩体识别模型,从而高效地识别和圈定淡色花岗岩的空间分布范围。论文主要的研究工作及成果如下:（1）建立淡色花岗岩的识别框架论文根据淡色花岗岩与围岩在地球化学主量元素和遥感影像光谱特征上的差异,建立了淡色花岗岩的识别流程。首先采用区域地球化学数据,在区域尺度上圈定淡色花岗岩的高潜力区域;然后选择重点研究区,基于融合数据,开展大比例尺岩性填图,通过岩性填图的方式来圈定淡色花岗岩的分布区域。（2）多源数据融合多源数据融合技术通过结合同一目标的不同特征信息,可以吸收各种数据源的优点,从而从不同角度为地物识别提供丰富的信息。论文首先引入一种多变量分析融合技术,将Sentinel-2A中高分辨率的全色波段与低分辨率的ASTER多光谱波段融合,融合后的遥感影像兼具了高光谱分辨率和空间分辨率的优势。由于矿物光谱特征是对矿物化学组分的响应,二者之间存在密切的关系,论文根据地球化学元素浓度信息与遥感影像各波段之间的相关性,将1:20万比例尺的地球化学数据与30m分辨率的ASTER影像进行有机结合。融合后的数据不仅保留了原始地球化学元素含量分布信息,而且具有遥感影像中丰富的空间纹理细节。多源数据融合实现了不同类型数据源的优势互补,为岩体识别提供了更加丰富的诊断信息。（3）基于测度学习的岩体识别模型岩体识别的本质可以描述为通过学习待分类数据和类别已知的数据间距离的规律来对样本的类别进行判定,即通过距离的度量来衡量数据间的相似性。机器学习领域中的测度学习可以利用有限的样本中的特征间的统计信息,从样本和标记信息中学习到一种更适合评价样本间相似度的距离测度,将原始数据转换到区分性更好的测度空间,对于改进分类算法的性能具有重要的作用。论文基于喜马拉雅地区地球化学数据,引入局域加权测度学习岩体识别模型,实现了区域尺度研究区淡色花岗岩的圈定。为了进一步提高岩体边界的识别率,论文选择喜马拉雅造山带研究程度较高的错那洞穹隆作为典型研究区,基于多种类型遥感影像和地球化学融合数据,引入最大边缘测度学习和随机森林测度学习岩体识别模型,通过大比例尺岩性填图的方式来圈定淡色花岗岩的空间分布区域。识别的岩性单元与地质图吻合程度较好,淡色花岗岩的识别率达到87.8%,表明基于测度学习方法的岩体识别模型具有潜在的应用价值。论文的主要贡献包括数据处理和识别方法两个方面。论文充分利用研究区现有的地学数据,采用多源数据融合技术实现了不同数据源的有机结合,解决了因研究区地质研究程度低而缺少足够的数据建立预测模型的问题。另外,面对高度相似的地球化学样本和数据融合带来的数据冗余问题,论文引入测度学习方法,建立了适应多尺度研究区的岩体识别模型,并从目视角度和定量指标角度对岩体识别结果进行评价,表明测度学习可以有效降低数据冗余和复杂度,提高淡色花岗岩的识别精度。论文的研究工作希望为喜马拉雅地区稀有金属矿床的勘探工作提供技术支撑,并为在恶劣的自然环境下如何进行地质勘查提供新的思路。
高文博[5]（2020）在《基于Hyperion数据的新疆东天山地区长石含量反演》文中进行了进一步梳理经济的高速发展会带动对矿产资源的需求量,目前我国乃至全世界矿产资源的稀缺,导致国家需要投入大量的人力物力对矿产资源进行有效的探测。尤其是位于高原地区,路途艰险,不易到达,为了既能节约人力物力,又能在此基础上保证探测的精准性,利用遥感技术手段来预测矿产的研究就具有明显的经济效益。遥感技术手段利用对遥感影像上的信息进行目视解译,发现地质异常并进行有效提取,既可以识别矿物所在的位置以及矿物层的含量,又可以对有针对的部署野外的调查工作。随着遥感技术的发展,高光谱遥感光谱范围广,记录地物的空间信息和光谱信息并使其一一对应,在众遥感技术探测手段中脱颖而出。长石是地表岩石的主要造岩矿物,大约占据整个地表的60%左右,分析长石在高光谱遥感范围内的诊断性光谱与其含量的相关关系,并结合Hyperion遥感影像数据加以应用,能更加精确的对地表各类岩石命名,从而为寻找矿产资源提供间接或直接的技术手段。本研究使用的光谱数据来自于USGS光谱库中23种岩石的光谱数据以及其所含有的长石的含量数据。基于以上数据,对原始光谱反射率,去包络线处理光谱反射率,微分处理后的光谱反射率以及经过小波分解后得到的各层分解高低频的光谱反射率分别与岩石中长石的含量进行相关性分析,总结在可见光-短波红外的光谱数据范围内的诊断性光谱。基于此,通过多元逐步回归分析以及偏最小二乘回归建模方法,提出以岩石的光谱反射率与长石的含量相关性作为指标的半定量分析方法,构建不同长石含量的遥感信息识别方法,并应用于星上数据的矿物类型划分。本文主要取得以下研究成果:（1）引入小波分析进行岩石光谱数据细小成分的提取长石的纯净物在地壳中并不多见,多数是以混合物的形式存在。但长石的含量对于地表岩石的命名以及成分的划分具有不可估量的作用和意义。探寻不同含量下长石的特征光谱的变化对于研究岩石的命名以及成矿机理具有十分重要的意义。随着长石含量的变化,岩石的光谱反射率也随之发生着变化,因此研究岩石的电磁辐射特征与长石含量的关系,成为一种新的技术手段。基于波谱响应机理,针对长石的各类物质成分研究可以得出:实测的长石的光谱分辨率中,捕获的在可见光范围内的微小吸收是由于Fe2+和Fe3+所引起的;在1002nm2000nm范围内,1400nm,1900nm出的吸收是由OH-的振动引起的吸收谷,在2000nm-2500nm范围内,是属于火成岩的特征吸收谱带。同时在原始光谱分析的基础之上,引入去包络线,微分波谱分析以及小波分解等方法,获得在907nm,1346nm,1437nm,2204nm,2305nm,2325nm处的光谱吸收较之原始数据更为明显。（2）岩石的光谱特征与长石含量的相关关系,总结长石的特征吸收参数与含量的关系在岩石的光谱特征与长石含量的相关性研究中,经过去包络线处理后的特征光谱比原始光谱数据处理后的特征光谱更为明显,一阶微分与二阶微分的处理能更加突出细小的光谱变化。其中处理效果最好的为原始数据经小波分解后的特征光谱以及去包络线后经小波分解后的特征光谱。（3）通过特征光谱与长石的含量的相关关系选择最佳波段构建长石含量的反演模型,并应用与星上数据基于岩石的光谱反射率与长石含量的相关关系,结合遥感影像数据的波段参数信息,提出了长石的特征吸收波段,主要集中与b15,b29,b38,b81,b115,b157,b181,b215,b223等,在这些波段处,岩石的吸收波段与长石的含量相关性最大。据此,建立长石的特征光谱与含量的反演模型。结果表明,经过一阶小波分解处理的去包络线后的多元逐步回归分析模型与偏最小二乘回归模型具有最好的模型精度,应用于星上数据后,其反演模型最优。
向阳[6]（2020）在《近红外光谱煤岩识别环境适应性研究》文中认为煤岩识别是实现井下无人化的关键技术。构成煤岩的不同分子团使其近红外光谱曲线产生不同的吸收特征,近红外光谱煤岩识别正是根据煤岩光谱差异性进行煤岩识别。井下的复杂环境对近红外光谱技术的适用性提出了更高的要求。本文通过对搭山煤矿8222工作面的环境因素进行现场测试以及对其他工作面环境特征进行调研,获得井下粉尘、水雾和机械振动的环境特征;在密闭实验箱内模拟8222工作面粉尘、水雾振动环境;对光谱仪的可聚光集成探头进行设计加工装配,该探头在探测距离2m时光源辐照度达到1400W/m2,照度达到20000Lux以上,光源的中心热点的照射面积为61cm2,准直镜收光范围为6.37cm2;采用密闭试验箱+探头搭建环境光谱实验平台;选择典型煤岩试样作为实验样本,采集典型煤岩试样在不同粉尘环境不同水雾环境不同探测距离下的近红外光谱;采集样本表面1000-2500nm无环境因素影响下的煤岩的反射光谱作为实验标准数据库,采用卷积平滑以及SNV对实验光谱以及标准数据库进行预处理,通过皮尔逊相关系数评价预处理前后实验光谱与标准数据库的相似程度;采用无监督识别算法夹角余弦与皮尔逊相关系数对预处理后的不同环境条件下实验样本进行煤岩识别;采用振动平台模拟井下采煤机振动对煤岩识别产生的影响,并对煤岩分界线上的探测精度进行分析。结果表明:（1）粉尘和水雾的加入导致波长10001200nm与24002500nm的光谱曲线出现异常波动,其产生的原因为光源光谱强度呈现负二次分布,实验光源峰值处于1600nm,光源强度低,粉尘水雾的消光作用使光谱信号强度进一步降低,最终导致光谱曲线失真;（2）在较低浓度（600 mg/m3、1000 mg/m3、1500 mg/m3）时光谱反射率随浓度增加而增加;但光谱曲线处于高浓度（3000mg/m3）时,粉尘对光的吸收作用增大,导致光谱在整个波段反射率下降特征吸收谷减弱;（3）粉尘环境下,光谱数据经SG+SNV预处理后的样本数据库与实验样本数据匹配度显着提升,除褐煤外,所有实验样本光谱与标准光谱库的相关系数平均提升0.13;（4）粉尘环境下光谱角度匹配SAM的聚类识别准确率P为100%,识别时间为8ms,皮尔逊相关系数的聚类识别准确率P为87.5%,识别时间为852ms。（5）煤样本光谱反射率随水雾浓度的增加而增加;在低水雾浓度条件下,所有样本的特征光谱吸收谷均未消失;在高水雾浓度情况下,采集距离为0.3m时所有样本的特征光谱吸收谷均未消失;但在采集距离为0.7m时,光谱曲线反射率升高,光谱曲线斜率为负数,光谱曲线均有吸附水1900nm的特征吸收谷。（6）水雾实验样本数据经SG+SNV预处理后,与标准光谱库数据匹配度得到有效的提升,相关系数平均提升0.25。（7）水雾环境下光谱角度匹配SAM模型煤岩识别准确率为83.3%、皮尔逊相关系数为80%;（8）振动频率20Hz、40Hz条件下对煤岩光谱识别无明显影响;（9）煤岩分界线上样本识别为岩的临界条件为煤岩面积比为0:1;（10）随着振动的进行,光谱曲线呈现由煤到岩渐变的光谱曲线,特征吸收谷随着反射率的增加逐渐显现;岩-煤探测情况煤岩识别精度为66.6%;近红外光谱煤岩识别的结果受振动的影响在煤岩分界线附近呈现周期性变化。该论文有图71幅,表16个,参考文献115篇。
胡滨[7]（2020）在《基于多源遥感数据的西藏多龙地区热液蚀变矿物提取方法研究》文中进行了进一步梳理多龙地区已发现多个与中酸性侵入岩有关的斑岩铜矿床,成矿潜力巨大。受限于自然环境恶劣和交通条件落后,该地区难以开展常规地质调查。斑岩铜矿通常具有热液蚀变区域。热液蚀变矿物在可见光近红外-短波红外区间有诊断性光谱吸收特征。因而,将遥感数据用于矿产勘探具有不可替代的优势。在本次研究中,Sentinel-2A MSI,ASTER,Hyperion和AHSI数据被联合用于热液蚀变矿物填图。采用主成分分析法和异常叠加选择法从三景时相的Sentinel-2A MSI影像中提取羟基蚀变信息与铁染蚀变信息。结果被用于评价Sentinel-2A数据在地质领域的潜力。采用随机森林、投票极限学习机和核极限学习机处理ASTER短波红外数据、ASTER短波红外-热红外数据、Hyperion短波红外数据和AHSI短波红外数据。高岭石与绢云母在ASTER影像中会混淆,但可以被Hyperion和AHSI区分开来。主要结果和结论如下:（1）采用Sentinel-2A MSI和ASTER影像来获取蚀变矿物的空间分布范围。使用主成分分析法和异常叠加选择法获取的结果可以去除由干扰引起的假异常。Sentinel-2A MSI数据提取的羟基蚀变矿物对应ASTER数据提取的铝羟基蚀变矿物。Sentinel-2A MSI数据可以被用于矿物填图。采用三种机器学习算法处理ASTER短波红外数据时,采用投票极限学习机的分类结果可以取得最高的总体精度（98.33%）,其次是核极限学习机（98.22%）和随机森林（95.18%）对应的结果。与基于ASTER短波红外数据的分类结果相比,基于ASTER短波红外-热红外数据的分类可以取得更高的总体精度（99.01%）。ASTER热红外波段能够识别镁羟基蚀变矿物,但不能识别铝羟基蚀变矿物。（2）采用Hyperion和AHSI数据对绢云母、高岭石和绿帘石三种矿物进行填图。三种机器学习算法被用于分析Hyperion短波红外数据。采用投票极限学习机算法的分类结果可以取得最高的分类精度（OA=97.31%）,其次是核极限学习机（96.48%）和随机森林（95.52%）对应的结果。Hyperion数据提取的绢云母跟高岭石对应ASTER数据提取的铝羟基蚀变矿物。三种机器学习算法还被用于分析AHSI短波红外数据。采用核极限学习机的分类结果可以取得最高的总体精度（90.60%）,其次是投票极限学习机（89.55%）和随机森林（82.26%）对应的结果。AHSI数据的结果与Hyperion数据的结果具有一致性。（3）遥感影像获取的热液蚀变范围与实地调查确定的蚀变范围相吻合。野外调查和光谱反射率测量证实了遥感图像处理结果。结果表明已经的铜矿床都可被这些方法识别。根据遥感图像处理的结果发现了三个与中酸性侵入岩有关的成矿远景区。
凌强[8]（2019）在《高光谱遥感图像小目标检测与识别技术研究》文中认为高光谱图像数据在获得对地图像信息的同时,也获得了丰富的光谱特征信息,记录了不同物质精细的光谱特征。由于不同物质具有不同的光谱特征,因而能够建立更加有效的空间—光谱联合模型,实现更加精确的目标检测和识别。在军事小目标高光谱探测系统中,目标检测与识别技术是准确发现目标和判别敌情的关键,是信息处理技术的重点和难点,具有重要的研究价值。本文围绕高光谱图像小目标检测与识别技术展开研究,取得了如下研究成果。（1）针对图像仿真随机性大的问题,建立了一个高光谱目标检测性能理论分析模型和一个目标识别性能理论分析模型。该模型基于马氏距离的统计分布特性,进行了严格的数学理论推导,明确了各影响因素与检测识别性能的关系。该模型显着提升了不同条件下目标可探测性和可识别性分析的便捷性。（2）针对亚像元级密集小目标异常检测问题,提出了一种基于约束稀疏表示的高光谱异常检测方法。该方法通过给权重向量加入“和为一”约束和非负约束,确保了模型具有物理意义;通过删除稀疏度上限约束,更好地重构了测试像元,避免了稀疏度的设置;通过剔除局部背景中的异常像元,构建了一个纯净的背景字典。该方法显着提升了局部背景受到目标信号污染时的异常检测性能。（3）针对亚像元级密集小目标匹配检测问题,提出了一种基于二元假设约束稀疏表示的高光谱匹配检测方法。该方法通过给权重向量加入非负约束,确保了模型具有物理意义;通过给权重向量加入上限约束,抑制了局部背景中的目标信号。该方法综合利用了两个假设的重构残差差异信息和权重向量差异信息,显着提升了局部背景受到目标信号污染时的匹配检测性能,并对光谱辐射强度变化具有很强的鲁棒性。（4）针对亚像元级小样本目标识别问题,提出了一种基于多尺度胶囊网络的高光谱目标识别方法。该方法通过一个多尺度特征提取网络有效提取了目标的多尺度空间—光谱特征;通过部分恢复原始图像简化了解码器网络,减少了网络的参数量;通过在损失函数中给每类样本加入权重,防止了样本数量多的类别对训练过程的主导。该方法显着提升了不同成像条件下不均衡小样本的目标识别性能。
杨恩[9]（2019）在《煤岩反射光谱特征及识别方法研究》文中提出无人化工作面、智能化开采是世界范围内煤矿实现安全、高效、绿色目标的急切需求和有效途径,制约井下煤矿智能化开采的关键基础问题是开采环境的智能精准感知和开采装备的自主协同控制。煤岩识别是实现无人工作面和智能化开采的关键技术之一,也是实现开采环境智能精准感知的核心技术。然而,煤岩识别一直是煤矿无人化、智能化开采研究和应用中尚未解决的重大难题。地物物质成分的差异,使得其反射光谱特征不同,这一基本性质是地物高光谱遥感探测识别的基本原理,同时反射光谱技术已应用在煤矿、岩矿遥感领域。受地物遥感探测的启发,本论文旨在研究煤炭和顶底板煤系岩石可见-近红外波段反射光谱特征及其差异性,探寻基于反射光谱技术识别煤岩的方法,主要工作和成果如下:（1）收集了我国典型矿区煤和煤系岩石75种,对每种煤岩进行了2种块状和9种粉末制样,采集了每种制样近距离可见-近红外反射光谱,设计了煤岩反射光谱测量球坐标装置,采集了各制样探测几何近红外反射光谱,分析了每种煤岩的组成成分。基于75种煤岩类型11种制样的光谱反射率数据、物质成分等信息,建立了煤和煤系岩石的反射光谱数据库,设计了基于MATLAB GUI模块的煤和煤系岩石反射光谱数据库查询系统软件,为煤岩反射光谱特征、识别方法、光源探头传感装置等研究奠定了基础。（2）分析了典型煤种的可见-近红外波段反射光谱特征及其物质成分机理,发现煤阶降低时近红外波段反射光谱曲线整体正向倾斜程度增大,反射率增加,吸收谷特征增多。对煤的反射光谱曲线进行了光谱斜率、吸收谷深度和两类参数化处理,获得了两类参数与煤阶、相关物质成分的关系:煤阶较高和较低时,光谱斜率分别随煤阶降低呈线性和指数函数增加;煤空气干燥基水分、主要矿物元素含量、挥发分分别与各自吸收谷深度和呈强、中、弱线性相关。分析了典型煤系岩石的可见-近红外波段反射光谱特征及其物质成分机理,得到煤系岩石较明显吸收谷主要分布在1400 nm、1900 nm、2200 nm、2350 nm 4个波长点附近。分析了4个代表性煤矿典型煤岩反射光谱曲线的差异性,发现煤岩最具普适性的差异吸收谷主要分布在2200 nm、2350 nm两个波长点附近。通过模拟实验研究了碳质物质含量对碳质泥岩反射光谱特征的影响规律:当碳质物质含量大于约35%时,碳质泥岩反射光谱波形由凸变凹,主要吸收谷开始变得不明显。（3）选取无烟煤一号、贫煤、气煤、褐煤二号、碳质泥岩、粉砂岩、泥质灰岩为代表煤岩,通过光谱数据库结果分析了此7种煤岩各种探测方位角和反射角、最小入射反射光线夹角、不同探测距离、不同粒度和表面粗糙度等状态下的近红外波段反射光谱曲线及其特征参数变化规律。结果表明:随煤阶降低,煤后向反射增强,双向反射特征越来越明显,岩均具有较明显的后向反射特征,并选择最强前向和后向反射角范围为煤岩最佳光谱探测角度;随最小入射反射夹角时的反射角度增加以及随探测距离增加,煤岩反射光谱曲线、光谱斜率、较明显吸收谷深度均呈现下降规律;随粒度的减小,煤岩反射光谱曲线呈上升规律,粗糙表面反射率小于光滑表面。通过实验对此7种代表性煤岩不同表面水分含量下的近红外波段反射光谱曲线及其特征参数变化规律的研究表明,不同煤岩呈现出了不同的规律特征。建立了特征波长点处反射率与各主要影响因素探测条件的拟合方程,其决定系数均大于0.8,可用于预测及修正不同探测条件下特征波长点附近波长区间的光谱反射率。（4）对7种代表性煤岩反射光谱经5种方法预处理后的光谱曲线进行了分析,并优先选取了连续统去除作为煤岩反射光谱预处理算法。对于吸收谷差异性明显煤岩,研究了全波段光谱RBF神经网络分类、差异性波段吸收谷特征参数RBF神经网络分类、差异性波段光谱向量夹角余弦匹配、差异性波段光谱坡向指数阈值分类4种基于光谱数据库波形匹配的基础识别算法。对于光谱波形相似的烟煤和碳质泥岩,基于8个与煤岩物质成分相关的特征波段连续统去除光谱建立了PCA-SVM、GRB-KPCA-SVM两种主元提取分类识别算法。所建立的煤岩反射光谱特征匹配及特征提取识别算法对测试煤岩试样预测精度均达到了90%以上,且实时性较好。（5）以兴隆庄煤矿、马兰煤矿的典型原位块状煤岩试样为例,分别进行了不同背向反射角、远距离近红外反射光谱探测实验,建立了两类原位煤岩探测几何反射光谱识别模型。对于兴隆庄煤矿中光谱波形差异性明显的气煤-泥岩、气煤-粉砂岩、气煤-泥质灰岩3种煤岩试样组合,获得了此4种煤岩0°--75°各角度背向反射光谱波形差异性最大的波段,其范围为2150-2400 nm。建立了原位煤岩不同探测角度反射光谱的3种无监督自适应识别模型,其中以余弦距离为聚类距离的CFCM聚类为优先选取模型,其对3个煤岩组合识别的最优加权指数分别为2.0、2.0、1.1,识别率分别为93%、98%、100%,识别总耗时均小于0.1 s。对于马兰煤矿中光谱波形较为相似的烟煤和碳质泥岩,研究了其原位煤岩远距离反射光谱与灰分产率的相关性,其最大相关系数为0.777,出现在1698 nm波长点处,由连续统去除预处理方法得到。基于1698 nm波长点附近11个波长点的远距离连续统去除光谱,建立了灰分产率SVR和煤岩类型SVC两种原位煤岩预测识别模型,两种模型对同一煤矿原位煤岩远距离识别率均达到90%以上,对每个测试煤岩试样预测的耗时均小于0.1 s。该论文有图147幅,表18个,参考文献195篇。
魏丽[10]（2018）在《沉积岩岩性的遥感解译及应用 ——以新疆吉木萨尔地区为例》文中研究说明遥感作为一种重要的调查手段,在地质领域得到了广泛的应用,其研究涉及了构造、断裂、地灾、岩浆岩和变质岩等方面,尤其是在大比例尺的地质调查工作中表现突出,其显着的提高了野外工作的效率和勘察研究的精度。然而,沉积岩组成矿物复杂多变,且不同岩性间结构、构造的相似程度高,导致对沉积岩的解译一直难以深入开展。大龙口地区位于盆山（准噶尔盆地东南部和天山构造带西北缘）构造带的结合部位,区内沉积岩广泛发育,其地层出露好,植被覆盖少,地层界线清晰,时代划分明确,是二叠-三叠系的典型地质剖面之一,前人在该区内开展了大量的地质勘查工作,研究成果详实,且地区研究成熟度高;该区World View-2遥感影像数据分辨率高,地质信息丰富,适宜作为解译底图使用。本文选择大龙口地区为研究对象,依托于“大龙口二叠系-三叠系石油地质剖面建设”项目,尝试进行沉积岩遥感解译方面的研究。遥感岩性解译在沉积岩地区的应用,是基于岩石光谱的理论,利用对不同遥感影像的处理,加强岩性光谱信息的特征,提取目标岩性信息。本文是通过在研究区进行剖面实测工作,对不同层位岩性的岩石进行取样,对现场采集的样品的进行光谱测试,把获得的岩样波谱利用View Specpro专业软件进行了重采样、平滑处理等数据处理,并利用ENVI软件对Landsat-8和World View-2图像进行不同的预处理,综合两类光谱数据的共同特征,分析不同岩性光谱曲线特征,并结合USGS典型矿物光谱库,综合多方面信息进行比对判辨,建立研究区的典型岩性光谱库,将影像中的光谱和研究区典型岩性光谱库进行光谱角匹配,针对匹配岩性分类结果进行精度评价,同时对Landsat-8影像采用监督分类的方法也进行岩性识别,比较两类方法的优劣。最终综合野外实测剖面、前人研究成果、室内薄片鉴定和解译岩性分类图四方面的信息,得到大龙口地区的岩性-地层界线图。本文基于不同影像数据的特征,采用不同的预处理方法,研究出一套适合Landsat-8和World View-2影像的预处理流程;基于室内实测岩石波谱数据,划分出研究区的9种岩性,建立了研究区沉积岩典型波谱库,能够用于其他地区解译工作的借鉴;基于分类方法的不同,对Landsat-8影像采用监督分类方法,对World View-2影像采用光谱角匹配的方法,分析得出,两种方法的综合应用能够较准确划分岩性界线;基于研究区解译结果的精度分析评价,并在相似地区进行验证,表明研究方法具有一定实用价值;基于野外实测剖面和遥感岩性解译图等方面综合分析,获取岩性-地层解译图,体现出综合多种信息进行研究的必要性。
二、神经网络技术在成像光谱数据的岩石矿物识别中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、神经网络技术在成像光谱数据的岩石矿物识别中的应用（论文提纲范文）
（1）基于机器学习的航空高光谱遥感岩性识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与问题 |
| 1.2.1 遥感岩性识别国内外研究现状 |
| 1.2.2 神经网络高光谱分类国内外研究现状 |
| 1.2.3 存在的问题 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文组织架构 |
| 1.5 文章创新点 |
| 2 遥感岩性识别原理及机器学习方法概述 |
| 2.1 遥感岩性识别原理 |
| 2.1.1 地物光谱反射理论 |
| 2.1.2 矿物反射光谱特征 |
| 2.1.3 岩石反射规律 |
| 2.2 机器学习概述 |
| 2.2.1 机器学习定义 |
| 2.2.2 机器学习类型及常用算法 |
| 2.2.3 机器学习相关术语 |
| 2.3 神经网络概述 |
| 2.3.1 神经元结构 |
| 2.3.2 神经网络相关术语 |
| 2.3.3 自编码神经网络模型 |
| 2.3.4 深度神经网络模型 |
| 3 实验流程设计及程序开发设计 |
| 3.1 实验流程设计 |
| 3.1.1 影像数据获取与预处理 |
| 3.1.2 研究区光谱分析 |
| 3.1.3 样本挑选与制作 |
| 3.1.4 数据格式转换 |
| 3.1.5 航空高光谱遥感数据降维特征提取 |
| 3.1.6 航空高光谱遥感数据识别分类 |
| 3.1.7 结果输出与制图 |
| 3.1.8 总结分析与评价 |
| 3.2 程序开发设计 |
| 3.2.1 实验环境基础 |
| 3.2.2 神经网络分类器程序设计 |
| 4 地质概况与数据准备 |
| 4.1 研究区地质概况与实验区选择 |
| 4.1.1 研究区地质概况 |
| 4.1.2 实验区选择 |
| 4.2 数据获取与预处理 |
| 4.2.1 数据获取 |
| 4.2.2 数据预处理 |
| 4.3 样本制作 |
| 4.3.1 地层矿物组分分析 |
| 4.3.2 样本选择 |
| 4.3.3 样本光谱分析 |
| 4.3.4 样本质量评价 |
| 4.3.5 样本划分及乱序 |
| 4.4 数据格式预处理 |
| 4.4.1 向量化 |
| 4.4.2 标准化 |
| 4.4.3 处理缺失值 |
| 4.4.4 特征提取 |
| 5 基于自编码网络的特征提取与降维 |
| 5.1 网络设计与搭建 |
| 5.2 网络编程实现 |
| 5.3 学习调参 |
| 5.4 参数选择与处理 |
| 6 基于深度神经网络的岩性分类 |
| 6.1 网络设计与搭建 |
| 6.2 网络编程实现 |
| 6.3 学习调参 |
| 6.4 制图输出与分析 |
| 6.5 影响因素分析 |
| 6.5.1 主观实验设计分析 |
| 6.5.2 客观影响因素分析 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间研究成果 |
（2）地物波谱数据库支持的深度学习方法高光谱矿物类型识别（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究意义与背景 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与技术路线 |
| 1.4 论文组织结构 |
| 2 数据源与预处理 |
| 2.1 研究区介绍 |
| 2.2 AVIRIS数据及处理 |
| 2.3 USGS波谱数据库 |
| 2.4 用于验证的矿物填图数据 |
| 3 样本数据集的制作 |
| 3.1 地物波谱库的分析 |
| 3.2 样本数据的制作 |
| 4 基于深度学习的矿物类型识别 |
| 4.1 深度学习理论 |
| 4.2 残差网络模型 |
| 4.3 网络模型优化 |
| 4.4 矿物填图结果与分析 |
| 5 矿物类型识别方法在植被覆盖区域的适用性 |
| 5.1 植被覆盖区域的数据模拟 |
| 5.2 植被覆盖区域的矿物类型识别 |
| 6 结论与讨论 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（3）基于多源数据协同的集宁浅覆盖区玄武岩提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 岩性识别常用数据源 |
| 1.2.2 遥感岩性识别技术 |
| 1.2.3 物化探岩性识别技术 |
| 1.2.4 多源图像数协同方法 |
| 1.2.5 存在问题 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 创新点 |
| 1.4 论文组织结构 |
| 2 研究区概况和数据 |
| 2.1 内蒙古集宁区域概况 |
| 2.1.1 自然地理条件 |
| 2.1.2 区域地质概况 |
| 2.2 实验数据介绍及预处理 |
| 2.2.1 遥感和化探实验数据 |
| 2.2.2 遥感数据预处理 |
| 2.2.3 化探数据预处理 |
| 3 遥感岩性识别方法 |
| 3.1 主成分分析信息增强 |
| 3.2 机器学习方法 |
| 3.2.1 最大似然分类 |
| 3.2.2 人工神经网络 |
| 3.2.3 随机森林分类 |
| 3.2.4 支持向量机 |
| 4 基于遥感技术的岩性分类 |
| 4.1 基于遥感影像的岩性目视解译 |
| 4.2 遥感岩性信息增强 |
| 4.3 基于机器学习的岩性提取 |
| 4.3.1 数据准备 |
| 4.3.2 遥感数据岩性分类结果 |
| 5 化探和遥感数据协同识别玄武岩 |
| 5.1 覆盖区多源数据协同方法 |
| 5.2 覆盖区玄武岩的地球化学特征 |
| 5.3 地化元素组合识别玄武岩 |
| 5.4 基于SVM的多源数据协同识别玄武岩 |
| 5.5 野外验证及误差分析 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 不足和展望 |
| 致谢 |
| 参考文献 |
| 附录 (作者简介) |
（4）基于测度学习的喜马拉雅淡色花岗岩岩体识别（论文提纲范文）
| 作者简历 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状和存在的问题 |
| 1.2.1 喜马拉雅淡色花岗岩 |
| 1.2.2 基于地球化学特征的岩体识别 |
| 1.2.3 基于遥感影像光谱特征的岩体识别 |
| 1.2.4 多源数据融合 |
| 1.2.5 测度学习 |
| 1.2.6 存在的主要问题 |
| 1.3 研究目的和内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 第二章 研究区地质概况 |
| 2.1 喜马拉雅地区地质概况 |
| 2.1.1 区域地质背景 |
| 2.1.2 矿产分布 |
| 2.2 喜马拉雅淡色花岗岩 |
| 2.2.1 岩相学特征 |
| 2.2.2 地球化学特征 |
| 2.2.3 成因与成岩时代特征 |
| 2.3 错那洞穹隆地质概况 |
| 2.3.1 地质背景 |
| 2.3.2 地球化学特征 |
| 2.3.3 年代及成因 |
| 2.3.4 矿产特征 |
| 2.4 小结 |
| 第三章 测度学习理论与方法 |
| 3.1 测度学习理论 |
| 3.1.1 距离度量方式 |
| 3.1.2 测度学习 |
| 3.2 最大边缘测度学习 |
| 3.3 随机森林测度学习 |
| 3.4 局域加权测度学习 |
| 3.5 小结 |
| 第四章 数据源及数据融合 |
| 4.1 地球化学数据及预处理 |
| 4.2 遥感数据及预处理 |
| 4.2.1 ASTER |
| 4.2.2 Sentinel-2 |
| 4.2.3 PALSAR DEM |
| 4.2.4 遥感数据预处理 |
| 4.3 遥感影像融合 |
| 4.3.1 多变量分析融合技术 |
| 4.3.2 Sentinel-2A遥感影像融合 |
| 4.3.3 Sentinel-2A与 ASTER遥感影像融合 |
| 4.4 地球化学数据与遥感数据融合 |
| 4.4.1 遥感影像与地球化学数据融合技术 |
| 4.4.2 地球化学数据与ASTER遥感影像融合 |
| 4.5 小结 |
| 第五章 基于局域加权测度学习的淡色花岗岩岩体识别 |
| 5.1 技术框架 |
| 5.1.1 技术框架 |
| 5.1.2 参数优化 |
| 5.2 主要结果及对比 |
| 5.3 小结 |
| 第六章 基于最大边缘测度学习的淡色花岗岩岩体识别 |
| 6.1 岩性单元及特征 |
| 6.2 技术框架 |
| 6.2.1 技术框架 |
| 6.2.2 参数优化 |
| 6.3 主要结果及对比 |
| 6.4 小结 |
| 第七章 基于随机森林测度学习的淡色花岗岩岩体识别 |
| 7.1 技术框架 |
| 7.1.1 技术框架 |
| 7.1.2 参数优化 |
| 7.2 主要结果及对比 |
| 7.3 基于测度学习岩体识别模型的综合应用 |
| 7.4 小结 |
| 第八章 结论与展望 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 致谢 |
| 参考文献 |
（5）基于Hyperion数据的新疆东天山地区长石含量反演（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题依据及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与技术路线 |
| 第2章 长石矿物含量高光谱遥感反演机理 |
| 2.1 长石矿物光谱反射特征 |
| 2.2 长石矿物光谱特征参数提取方法 |
| 2.3 长石矿物含量高光谱遥感建模方法 |
| 2.3.1 多元逐步回归原理 |
| 2.3.2 偏最小二乘回归原理 |
| 第3章 长石矿物含量高光谱遥感模型构建 |
| 3.1 光谱库中岩石样本选择 |
| 3.2 长石矿物光谱特征参数提取 |
| 3.3 长石矿物含量高光谱遥感反演模型建立 |
| 第4章 东天山地区长石含量高光谱遥感反演 |
| 4.1 研究区与高光谱卫星影像数据 |
| 4.2 遥感影像特征参数的获取 |
| 4.3 长石矿物含量高光谱遥感反演 |
| 4.4 高光谱遥感反演结果讨论 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（6）近红外光谱煤岩识别环境适应性研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题研究来源、背景和意义 |
| 1.2 煤岩识别技术研究现状 |
| 1.3 高光谱技术研究现状 |
| 1.4 基于高光谱的矿物识别现状 |
| 1.5 存在的问题 |
| 1.6 主要研究内容 |
| 2 井下环境特征与近红外光谱采集试验平台 |
| 2.1 煤矿井下环境特征 |
| 2.2 试验平台设计 |
| 2.3 试验平台探头设计 |
| 2.4 环境实验台的搭建 |
| 2.5 本章小结 |
| 3 粉尘中煤岩近红外光谱特征研究 |
| 3.1 煤岩样本 |
| 3.2 实验方法 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 水雾中煤岩近红外光谱特征研究 |
| 4.1 水雾的设置 |
| 4.2 实验结果及分析 |
| 4.3 本章小结 |
| 5 振动下煤岩近红外光谱特征研究 |
| 5.1 机械振动环境下的近红外光谱煤岩识别 |
| 5.2 机械振动对煤岩分界线的探测精度研究 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）基于多源遥感数据的西藏多龙地区热液蚀变矿物提取方法研究（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题依据与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 波段比值法和主成分分析法国内外研究现状 |
| 1.2.2 混合像元分解算法国内外研究现状 |
| 1.2.3 机器学习算法国内外研究现状 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 论文的结构安排 |
| 第二章 遥感蚀变信息提取的地质理论基础与方法 |
| 2.1 遥感蚀变信息提取的地质理论基础 |
| 2.2 蚀变信息提取所用方法 |
| 2.2.1 随机森林算法 |
| 2.2.2 投票极限学习机算法 |
| 2.2.3 核极限学习机算法 |
| 2.2.4 匹配滤波算法 |
| 2.3 本章小结 |
| 第三章 研究区地质概况与数据源 |
| 3.1 区域地质背景 |
| 3.2 多龙地区地层岩性 |
| 3.3 多龙地区区域构造 |
| 3.4 多龙地区岩浆岩 |
| 3.5 多龙地区典型矿区 |
| 3.5.1 多不杂矿区 |
| 3.5.2 波龙矿区 |
| 3.5.3 拿若矿区 |
| 3.5.4 铁格隆南矿区 |
| 3.5.5 赛角矿区 |
| 3.6 遥感数据源 |
| 3.6.1 Sentinel-2A MSI数据 |
| 3.6.2 EO-1 Hyperion数据 |
| 3.6.3 ASTER数据 |
| 3.6.4 高分五号AHSI数据 |
| 3.7 本章小结 |
| 第四章 多光谱遥感数据矿化蚀变信息提取 |
| 4.1 基于Sentinel-2A MSI数据的矿化蚀变信息提取 |
| 4.1.1 Sentinel-2A MSI数据预处理 |
| 4.1.2 羟基类蚀变矿物信息提取 |
| 4.1.3 铁染类蚀变矿物信息提取 |
| 4.1.4 Sentinel-2A MSI影像提取蚀变信息分析 |
| 4.2 基于ASTER数据的矿化蚀变信息提取 |
| 4.2.1 ASTER数据预处理 |
| 4.2.2 ASTER SWIR数据处理 |
| 4.2.3 ASTER TIR数据处理 |
| 4.2.4 ASTER SWIR-TIR数据处理 |
| 4.2.5 ASTER SWIR-TIR影像提取蚀变信息分析 |
| 4.3 本章小结 |
| 第五章 高光谱遥感数据矿化蚀变信息提取 |
| 5.1 基于Hyperion数据的矿化蚀变信息提取 |
| 5.1.1 Hyperion数据预处理 |
| 5.1.2 Hyperion SWIR数据处理 |
| 5.1.3 Hyperion SWIR影像提取蚀变信息分析 |
| 5.2 基于高分五号AHSI数据的矿化蚀变信息提取 |
| 5.2.1 高分五号AHSI数据预处理 |
| 5.2.2 高分五号AHSI SWIR数据处理 |
| 5.2.3 高分五号AHSI SWIR影像提取蚀变信息分析 |
| 5.3 本章小结 |
| 第六章 成矿预测 |
| 6.1 不同遥感数据所得结果的对比分析 |
| 6.2 实地验证 |
| 6.3 基于多源遥感信息的成矿预测 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
（8）高光谱遥感图像小目标检测与识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 高光谱遥感概述 |
| 1.2.1 成像光谱仪介绍 |
| 1.2.2 高光谱图像数据的特点与挑战 |
| 1.3 相关技术研究现状 |
| 1.3.1 高光谱异常检测技术研究现状 |
| 1.3.2 高光谱匹配检测技术研究现状 |
| 1.3.3 高光谱目标识别技术研究现状 |
| 1.4 本文的主要工作与章节安排 |
| 第二章 小目标的可探测性和可识别性分析与评价方法 |
| 2.1 引言 |
| 2.2 目标与背景的光谱特性分析 |
| 2.2.1 目标与背景的光谱曲线 |
| 2.2.2 特性分析评价指标 |
| 2.2.3 目标与背景的光谱差异性分析 |
| 2.2.4 不同类型目标之间的光谱差异性分析 |
| 2.3 目标检测性能理论分析与评价 |
| 2.3.1 检测性能评价指标 |
| 2.3.2 目标检测性能理论分析模型 |
| 2.3.3 偏心系数对检测性能的影响分析 |
| 2.3.4 不同影响因素下的检测性能 |
| 2.4 目标识别性能理论分析与评价 |
| 2.4.1 识别性能评价指标 |
| 2.4.2 目标识别性能理论分析模型 |
| 2.4.3 偏心系数对识别性能的影响分析 |
| 2.4.4 不同影响因素下的识别性能 |
| 2.5 本章小结 |
| 第三章 基于约束稀疏表示的小目标异常检测技术 |
| 3.1 引言 |
| 3.2 问题描述与分析 |
| 3.3 传统高光谱异常检测算法 |
| 3.3.1 RX异常检测模型 |
| 3.3.2 支持向量数据描述异常检测模型 |
| 3.3.3 稀疏表示异常检测模型 |
| 3.4 基于约束稀疏表示的异常检测算法 |
| 3.4.1 约束稀疏表示模型 |
| 3.4.2 核约束稀疏表示模型 |
| 3.4.3 污染水平参数的特性 |
| 3.5 实验结果与分析 |
| 3.5.1 数据集与预处理 |
| 3.5.2 污染水平参数的特性分析 |
| 3.5.3 对不同目标污染程度的鲁棒性分析 |
| 3.5.4 不同算法的检测性能比较 |
| 3.5.5 计算复杂度分析 |
| 3.6 本章小结 |
| 第四章 基于二元假设约束稀疏表示的小目标匹配检测技术 |
| 4.1 引言 |
| 4.2 问题描述与分析 |
| 4.3 传统高光谱匹配检测算法 |
| 4.3.1 匹配子空间匹配检测模型 |
| 4.3.2 支持向量机匹配检测模型 |
| 4.3.3 二元假设稀疏表示匹配检测模型 |
| 4.4 基于二元假设约束稀疏表示的匹配检测算法 |
| 4.4.1 二元假设约束稀疏表示模型 |
| 4.4.2 上限约束向量估计 |
| 4.4.3 模型简化及加速 |
| 4.5 实验结果与分析 |
| 4.5.1 数据集与参数设置 |
| 4.5.2 算法的表示能力分析 |
| 4.5.3 对不同光谱辐射强度的鲁棒性分析 |
| 4.5.4 对不同目标污染程度的鲁棒性分析 |
| 4.5.5 污染水平参数的影响分析 |
| 4.5.6 不同算法的检测性能比较 |
| 4.5.7 计算复杂度分析 |
| 4.6 本章小结 |
| 第五章 基于多尺度胶囊网络的小目标识别技术 |
| 5.1 引言 |
| 5.2 问题描述与分析 |
| 5.3 卷积神经网络的局限性 |
| 5.4 胶囊网络概述 |
| 5.4.1 基本原理 |
| 5.4.2 一致协议路由 |
| 5.4.3 损失函数 |
| 5.4.4 高光谱图像分类的经典胶囊网络 |
| 5.5 基于多尺度胶囊网络的目标识别算法 |
| 5.5.1 多尺度特征提取层 |
| 5.5.2 胶囊层 |
| 5.5.3 解码器层 |
| 5.5.4 训练算法 |
| 5.6 实验结果与分析 |
| 5.6.1 数据集与预处理 |
| 5.6.2 参数量分析 |
| 5.6.3 不同空间尺寸下的识别性能分析 |
| 5.6.4 不同算法的识别性能比较 |
| 5.6.5 跨像元情况下的亚像元目标识别性能分析 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（9）煤岩反射光谱特征及识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 背景及意义 |
| 1.3 煤岩识别及反射光谱概述 |
| 1.4 国内外研究现状 |
| 1.5 论文研究内容 |
| 2 煤岩反射光谱数据库建立 |
| 2.1 煤岩试样 |
| 2.2 实验方法 |
| 2.3 煤岩反射光谱数据库 |
| 2.4 本章小结 |
| 3 典型煤岩反射光谱特征及差异性分析 |
| 3.1 煤的反射光谱特征 |
| 3.2 煤的反射光谱特征物质成分机理 |
| 3.3 煤系岩石的反射光谱特征 |
| 3.4 煤系岩石的反射光谱特征物质成分机理 |
| 3.5 煤岩反射光谱差异性分析 |
| 3.6 碳质泥岩与煤反射光谱相似性分析实验 |
| 3.7 本章小结 |
| 4 探测几何及表面状态对煤岩反射光谱影响研究 |
| 4.1 辐射物理量及相关理论 |
| 4.2 探测角度对煤岩反射光谱的影响 |
| 4.3 探测距离对煤岩反射光谱的影响 |
| 4.4 粒度和表面粗糙度对煤岩反射光谱的影响 |
| 4.5 煤岩反射光谱表面水分含量影响实验 |
| 4.6 本章小结 |
| 5 煤岩反射光谱匹配及特征提取识别算法研究 |
| 5.1 煤岩反射光谱预处理算法 |
| 5.2 煤岩反射光谱曲线波形匹配算法 |
| 5.3 煤岩特征波段反射光谱主元提取分类识别算法 |
| 5.4 本章小结 |
| 6 井下煤岩探测几何反射光谱识别模型研究 |
| 6.1 煤岩反射光谱无监督自适应识别模型 |
| 6.2 煤岩反射光谱-灰分产率相关性识别模型 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 结论 |
| 7.2 论文主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（10）沉积岩岩性的遥感解译及应用 ——以新疆吉木萨尔地区为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的与研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 岩石光谱的研究现状 |
| 1.2.2 遥感识别岩性方法的研究现状 |
| 1.3 研究思路、方法和内容 |
| 1.4 完成工作量 |
| 第二章 区域地质概况 |
| 2.1 研究区构造背景及演化 |
| 2.1.1 大龙口基本构造单元划分 |
| 2.1.2 研究区构造演化 |
| 2.2 区域地层 |
| 2.3 区域沉积相 |
| 第三章 岩矿光谱特征与实验 |
| 3.1 矿物光谱成因机理 |
| 3.1.1 电子跃迁 |
| 3.1.2 振动 |
| 3.2 岩石矿物波谱特征 |
| 3.2.1 矿物的不同光谱特性 |
| 3.2.2 岩石光谱特征 |
| 3.3 岩石样品室内光谱测试 |
| 3.3.1 光谱仪器 |
| 3.3.2 测试方法 |
| 第四章 研究区沉积岩岩性遥感识别与提取 |
| 4.1 研究区遥感图像及样品光谱数据的预处理流程 |
| 4.1.1 遥感数据源的选取 |
| 4.1.2 图像预处理 |
| 4.1.3 样品光谱数据预处理 |
| 4.1.4 岩石光谱的影响因素 |
| 4.2 光谱分析 |
| 4.2.1 陆源碎屑岩类 |
| 4.2.2 粘土岩类 |
| 4.2.3 火山碎屑岩类 |
| 4.2.4 化学及生物化学岩类 |
| 4.3 研究区遥感岩性提取方法及解译成果 |
| 4.3.1 根据图像信息的处理方式及地质判读 |
| 4.3.2 根据光谱特征的处理方式及地质判读 |
| 4.3.3 针对岩性分类结果图像进行分类后处理 |
| 4.4 解译与分析 |
| 4.4.1 遥感岩性解译 |
| 4.4.2 遥感岩性分类精度评价 |
| 4.4.3 在其它地区的应用 |
| 第五章 解译方法的应用与实践 |
| 5.1 研究区地层调查 |
| 5.1.1 地层岩性组合 |
| 5.1.2 野外实测地质剖面 |
| 5.1.3 基于剖面划分地层岩性组合界线 |
| 5.2 样品采集及实验 |
| 5.2.1 野外样品的采集 |
| 5.2.2 样品的实验处理 |
| 5.3 岩性解译与地层解译对比 |
| 5.3.1 地层界线的对比 |
| 5.3.2 地层界线的分析校正 |
| 结论及讨论 |
| 结论 |
| 讨论 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
四、神经网络技术在成像光谱数据的岩石矿物识别中的应用（论文参考文献）
- [1]基于机器学习的航空高光谱遥感岩性识别技术研究[D]. 王建刚. 核工业北京地质研究院, 2020(03)
- [2]地物波谱数据库支持的深度学习方法高光谱矿物类型识别[D]. 陈影. 山东科技大学, 2020(06)
- [3]基于多源数据协同的集宁浅覆盖区玄武岩提取方法研究[D]. 张雨维. 中国地质大学(北京), 2020(10)
- [4]基于测度学习的喜马拉雅淡色花岗岩岩体识别[D]. 王子烨. 中国地质大学, 2020(03)
- [5]基于Hyperion数据的新疆东天山地区长石含量反演[D]. 高文博. 吉林大学, 2020(08)
- [6]近红外光谱煤岩识别环境适应性研究[D]. 向阳. 中国矿业大学, 2020(01)
- [7]基于多源遥感数据的西藏多龙地区热液蚀变矿物提取方法研究[D]. 胡滨. 中国地质大学, 2020(03)
- [8]高光谱遥感图像小目标检测与识别技术研究[D]. 凌强. 国防科技大学, 2019(01)
- [9]煤岩反射光谱特征及识别方法研究[D]. 杨恩. 中国矿业大学, 2019(04)
- [10]沉积岩岩性的遥感解译及应用 ——以新疆吉木萨尔地区为例[D]. 魏丽. 西北大学, 2018(01)