基础金属	铜电解铜铜精矿铜管铜棒废铜铜排铜合金精铜杆再生铜杆铜板带铝铝土矿氧化铝电解铝铝辅料铝棒铝合金锭废铝铝杆铝型材铝板卷铅铅精矿铅锭铅蓄电池再生精铅还原铅废铅蓄电池铅合金锌锌精矿电解锌锌合金氧化锌锌粉锡锡精矿锡锭锡材
稀有金属	稀土稀土矿稀土氧化物稀土金属钕铁硼稀散金属锑铋铟锗镓硒钽铌贵金属白银钨钨精矿 APT(仲钨酸铵)钨粉碳化钨钨酸钠钨条钨铁钨材钼钼精矿工业氧化钼钼铁钼化工高纯三氧化钼钼金属钛钛精矿钛渣四氯化钛海绵钛钛金属钛白粉
新能源	锂锂矿锂化合物金属锂镍镍矿镍铁精炼镍镍盐高冰镍 MHP 钴电解钴钴粉氯化钴四氧化三钴硫酸钴钴中间品氧化钴碳酸钴钴酸锂锰锰矿电解锰电池级硫酸锰锂电池三元前驱体隔膜磷酸铁电解液正极材料电芯石油焦针状焦包覆沥青人造石墨硅碳负极硅氧负极电解液隔膜

基于AI探矿技术的遥感勘测图像处理系统

525 编辑：北方有色网来源：云垚大数据科技（广东）有限公司

2025-06-25 10:25:44

权利要求

1.一种基于AI探矿技术的遥感勘测图像处理系统，其特征在于，包括遥感图像处理中心，所述遥感图像处理中心通信连接有图像采集模块、像元分组模块、分组验证模块、光谱匹配模块以及标准矿物光谱库;

所述图像采集模块用于采集待识别区域的遥感图像：采用传感器获取待识别区域的遥感图像，对遥感图像进行预处理操作得到处理图像;处理图像的基本单元为像元，每个像元中均存储着像元所对应地面区域的光谱数据;

所述像元分组模块用于对遥感图像中的像元进行分组：获取处理图像中像元的光谱数据，根据像元的光谱数据将像元分为若干个像元组;

所述分组验证模块用于对像元分组的结果进行验证：根据像元的光谱数据对像元的分组进行验证，剔除不属于像元组的像元并标记为独立像元;

所述光谱匹配模块用于将像元与标准矿物进行匹配：将处理图像中的像元与标准矿物光谱库进行匹配，匹配方法包括标准匹配和快速匹配;对独立像元采用标准匹配，对像元组中的像元采用快速匹配。

2.根据权利要求1所述的一种基于AI探矿技术的遥感勘测图像处理系统，其特征在于，预处理操作包括辐射校正、几何校正以及噪声去除;辐射校正的目的是消除因传感器本身特性、大气传输以及光照因素导致的辐射误差;几何校正的目的是纠正因地形起伏以及大气折射因素引起的几何形变;噪声去除的目的是降低干扰并提高图像质量。

3.根据权利要求2所述的一种基于AI探矿技术的遥感勘测图像处理系统，其特征在于，光谱数据包括波段BDn以及波段BDn所对应的光谱反射率FSn，其中波段BDn为一段波长范围[a,b]，n为波段数。

4.根据权利要求3所述的一种基于AI探矿技术的遥感勘测图像处理系统，其特征在于，根据光谱数据对像元进行分组的具体过程包括：

步骤一：对波段BDn的波长范围[a,b]进行取平均值计算得到中间波长ZBn，将单个像元的所有中间波长ZBn与对应光谱反射率FSn的乘积结果进行求和计算得到该像元的光谱表现值BX;

步骤二：将处理图像中的所有像元按照光谱表现值BX从大到小的顺序进行排列得到像元序列;按照像元序列的先后顺序依次计算相邻两个像元之间光谱表现值BX的差值并标记为光谱差值;

步骤三：将所有的光谱差值与预设的光谱差值阈值进行比较：若光谱差值小于光谱差值阈值，则判断计算得到该光谱差值的两个像元之间不存在差异，无需处理;若光谱差值大于等于光谱差值阈值，则判断计算得到该光谱差值的两个像元之间存在差异，并在这两个像元之间将像元序列分割，通过多次分割将像元序列分为若干个像元组，每个像元组内像元之间的光谱表现值BX不具有差异性。

5.根据权利要求4所述的一种基于AI探矿技术的遥感勘测图像处理系统，其特征在于，根据光谱数据对像元的分组进行验证的具体过程包括：

步骤一：选取像元的前k个波段作为验证波段BDk，其中k

步骤二：将像元组中所有像元的光谱验证值进行取平均值计算以及方差计算得到验证均值和验证方差;将光谱验证值与验证均值的差值结果与验证方差进行比值计算得到像元组中像元的验证系数YZ;

步骤三：将像元组中像元的验证系数YZ与预设的验证阈值YZmax进行比较：若验证系数YZ小于验证阈值YZmax，则判断像元属于该像元组，无需处理;若验证系数YZ大于等于验证阈值YZmax，则判断像元不属于该像元组，将对应像元从像元组中剔除并标记为独立像元。

6.根据权利要求5所述的一种基于AI探矿技术的遥感勘测图像处理系统，其特征在于，标准匹配的具体过程为：从标准矿物光谱库选取一个目标矿物，获取目标矿物的特征波段以及光谱标准向量BZ;提取像元中目标矿物的特征波段所对应的光谱反射率FSn并构成光谱特征向量TZ;将像元的光谱特征向量TZ与目标矿物的光谱标准向量BZ的点积结果除以两个向量模长的乘积得到余弦值，对余弦值取反余弦得到两个向量之间的夹角并标记为匹配角θ;将匹配角θ与预设的匹配角阈值θmax进行比较：若匹配角θ小于匹配角阈值θmax，则判断匹配成功，将对应目标矿物标记为像元的匹配矿物;若匹配角θ大于等于匹配角阈值θmax，则判断匹配失败，并从标准矿物光谱库选取新的目标矿物重新进行匹配，直至全部匹配完成。

7.根据权利要求6所述的一种基于AI探矿技术的遥感勘测图像处理系统，其特征在于，快速匹配的具体过程为：对像元组中的第一个像元和最后一个像元分别进行标准匹配，若两次标准匹配的结果是同一目标矿物，则判断匹配成功，并将该目标矿物标记为像元组中所有像元的匹配矿物;若两次标准匹配的结果不是同一目标矿物，则将像元组平均分为两个新的像元组，并重新对新的像元组中的第一个像元和最后一个像元分别进行标准匹配，重复以上操作，直至像元组满足两次标准匹配的结果是同一目标矿物。

说明书

技术领域

[0001]本发明属于探矿技术领域，涉及数据分析技术，具体是一种基于AI探矿技术的遥感勘测图像处理系统。

背景技术

[0002]在矿产资源勘探领域，随着科技的发展，基于AI的探矿技术逐渐成为主流，其中遥感勘测图像处理是获取地下矿产信息的关键环节，而像元作为遥感图像的基本单元，其光谱数据蕴含着丰富的地质信息。

[0003]高光谱遥感作为一种矿物识别的技术，具有众多的波段，每个像元在多个波段都有对应的光谱数据，导致数据量急剧增加，处理高光谱海量数据不仅需要高效的算法和强大的计算硬件，还面临着数据冗余和信息提取的难题。

[0004]现有的图像处理系统往往未充分考虑像元光谱数据之间的内在联系，通常将像元孤立看待，没有对其进行合理分组，使得在处理大量像元数据时效率低下，无法快速提取有价值的信息。

[0005]针对上述技术问题，本申请提出一种解决方案。

发明内容

[0006]本发明的目的在于提供一种基于AI探矿技术的遥感勘测图像处理系统，用于解决现有的图像处理系统未充分考虑像元光谱数据之间的内在联系，没有对其进行合理分组，使得在处理大量像元数据时效率低下的问题;

本发明需要解决的技术问题为：如何提供一种可以考虑像元光谱数据之间的内在联系并对其进行合理分组的基于AI探矿技术的遥感勘测图像处理系统。

[0007]本发明的目的可以通过以下技术方案实现：

一种基于AI探矿技术的遥感勘测图像处理系统，包括遥感图像处理中心，所述遥感图像处理中心通信连接有图像采集模块、像元分组模块、分组验证模块、光谱匹配模块以及标准矿物光谱库;

所述像元分组模块用于对遥感图像中的像元进行分组：获取处理图像中像元的光谱数据，根据像元的光谱数据将像元分为若干个像元组;

所述分组验证模块用于对像元分组的结果进行验证：根据像元的光谱数据对像元的分组进行验证，剔除不属于像元组的像元并标记为独立像元;

[0008]进一步地，预处理操作包括辐射校正、几何校正以及噪声去除;辐射校正的目的是消除因传感器本身特性、大气传输以及光照等因素导致的辐射误差;几何校正的目的是纠正因地形起伏以及大气折射等因素引起的几何形变;噪声去除的目的是降低干扰并提高图像质量。

[0009]进一步地，光谱数据包括波段BDn以及波段BDn所对应的光谱反射率FSn，其中波段BDn为一段波长范围[a,b]，n为波段数。

[0010]进一步地，根据光谱数据对像元进行分组的具体过程包括：

[0011]进一步地，根据光谱数据对像元的分组进行验证的具体过程包括：

步骤一：选取像元的前k个波段作为验证波段BDk，其中k

步骤三：将像元组中像元的验证系数YZ与预设的验证阈值YZmax进行比较：若验证系数YZ小于验证阈值YZmax，则判断像元属于该像元组，无需处理;若验证系数YZ大于等于验证阈值YZmax，则判断像元不属于该像元组，将该像元从像元组中剔除并标记为独立像元。

[0012]进一步地，标准匹配的具体过程为：从标准矿物光谱库选取一个目标矿物，获取目标矿物的特征波段以及光谱标准向量BZ;提取像元中目标矿物的特征波段所对应的光谱反射率FSn并构成光谱特征向量TZ;将像元的光谱特征向量TZ与目标矿物的光谱标准向量BZ的点积结果除以两个向量模长的乘积得到余弦值，对余弦值取反余弦得到两个向量之间的夹角并标记为匹配角θ;将匹配角θ与预设的匹配角阈值θmax进行比较：若匹配角θ小于匹配角阈值θmax，则判断匹配成功，将该目标矿物标记为像元的匹配矿物;若匹配角θ大于等于匹配角阈值θmax，则判断匹配失败，并从标准矿物光谱库选取新的目标矿物重新进行匹配，直至全部匹配完成。

[0013]进一步地，快速匹配的具体过程为：对像元组中的第一个像元和最后一个像元分别进行标准匹配，若两次标准匹配的结果是同一目标矿物，则判断匹配成功，并将该目标矿物标记为像元组中所有像元的匹配矿物;若两次标准匹配的结果不是同一目标矿物，则将像元组平均分为两个新的像元组，并重新对新的像元组中的第一个像元和最后一个像元分别进行标准匹配，重复以上操作，直至像元组满足两次标准匹配的结果是同一目标矿物。

[0014]一种基于AI探矿技术的遥感勘测图像处理方法，包括以下步骤：

步骤一：采用传感器获取待识别区域的高分辨率的遥感图像，对遥感图像进行预处理操作得到处理图像;

步骤二：获取处理图像中像元的光谱数据，根据像元的光谱数据将像元分为像元组;

步骤三：根据像元的光谱数据对像元的分组进行验证，剔除不属于像元组的像元并标记为独立像元;

步骤四：从标准矿物光谱库选取目标矿物与处理图像中的像元进行匹配，对独立像元采用标准匹配，对像元组中的像元采用快速匹配，并将匹配成功的目标矿物标记为像元的匹配矿物。

[0015]本发明具备下述有益效果：

1、图像采集模块采用卫星、飞机或其他传感器获取高分辨率遥感图像，并进行辐射校正、几何校正以及噪声去除等预处理操作，为后续像元分析提供了准确可靠的数据基础，极大减少因图像质量问题导致的信息误判与遗漏;

2、像元分组模块根据像元光谱数据计算光谱表现值并对像元进行分组，充分考虑了像元间光谱数据的内在联系，将光谱表现相似的像元归为一组，大量像元数据得到有效整合，避免对每个像元进行重复计算，大大降低系统计算负担，提高整体运行效率，有助于在有限的时间内处理更多的遥感图像数据;

3、分组验证模块选取像元的前k个波段作为验证波段，通过计算验证系数并与预设验证阈值比较，判断像元是否属于相应像元组;这种多波段验证充分利用了像元光谱数据的多波段特性，能更准确地判断像元分组的合理性，有效减少误判;

4、光谱匹配模块针对独立像元采用标准匹配，针对像元组中的像元采用快速匹配，在保证一定准确性的同时，大幅提高匹配效率，既满足了对单个像元精确匹配的需求，又兼顾了像元组大量数据快速处理的要求。

附图说明

[0016]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0017]图1为本发明实施例一的系统框图;

图2为本发明实施例二的方法流程图。

具体实施方式

[0018]下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0019]实施例一：如图1所示，一种基于AI探矿技术的遥感勘测图像处理系统，包括遥感图像处理中心，遥感图像处理中心通信连接有图像采集模块、像元分组模块、分组验证模块、光谱匹配模块以及标准矿物光谱库;

图像采集模块用于采集待识别区域的遥感图像：采用卫星、飞机或者其他传感器获取待识别区域的高分辨率的遥感图像，对获取的遥感图像进行预处理操作得到高质量的遥感图像并标记为处理图像;需要说明的是，常见的预处理操作包括辐射校正、几何校正以及噪声去除;辐射校正的目的是消除因传感器本身特性、大气传输以及光照等因素导致的辐射误差;几何校正的目的是纠正因地形起伏以及大气折射等因素引起的几何形变;噪声去除的目的是降低干扰并提高图像质量;处理图像的基本单元为像元，每个像元中均存储着像元所对应地面区域的光谱数据，像元的大小由传感器的空间分辨率决定;

图像采集模块采用卫星、飞机或其他传感器获取高分辨率遥感图像，并进行辐射校正、几何校正以及噪声去除等预处理操作，为后续像元分析提供了准确可靠的数据基础，极大减少因图像质量问题导致的信息误判与遗漏。

[0020]像元分组模块用于对遥感图像中的像元进行分组：获取处理图像中像元的光谱数据，光谱数据包括波段BDn以及波段BDn所对应的光谱反射率FSn，其中波段BDn为一段波长范围[a,b]，n为波段数;根据像元的光谱数据对像元进行分组的具体过程包括：

像元分组模块根据像元光谱数据计算光谱表现值并对像元进行分组，充分考虑了像元间光谱数据的内在联系，将光谱表现相似的像元归为一组，大量像元数据得到有效整合，避免对每个像元进行重复计算，大大降低系统计算负担，提高整体运行效率，有助于在有限的时间内处理更多的遥感图像数据。

[0021]分组验证模块用于对像元分组的结果进行验证：根据像元的光谱数据对像元的分组进行验证的具体过程包括：

步骤一：选取像元的前k个波段作为验证波段BDk，其中k

步骤三：将像元组中像元的验证系数YZ与预设的验证阈值YZmax进行比较：若验证系数YZ小于验证阈值YZmax，则判断像元属于该像元组，无需处理;若验证系数YZ大于等于验证阈值YZmax，则判断像元不属于该像元组，将该像元从像元组中剔除并标记为独立像元;

分组验证模块选取像元的前k个波段作为验证波段，通过计算验证系数并与预设验证阈值比较，判断像元是否属于相应像元组;这种多波段验证充分利用了像元光谱数据的多波段特性，能更准确地判断像元分组的合理性，有效减少误判。

[0022]光谱匹配模块用于将像元与标准矿物进行匹配：将处理图像中的像元与标准矿物光谱库进行匹配，匹配方法包括标准匹配和快速匹配;其中，对独立像元采用标准匹配，对像元组中的像元采用快速匹配;

标准匹配的具体过程为：从标准矿物光谱库选取一个目标矿物，获取目标矿物的特征波段BDm，m为目标矿物的特征波段数;获取目标矿物的光谱标准向量BZ=[FS1，FS2，…，FSm]，FSm为目标矿物在对应特征波段BDm下的光谱反射率;提取像元中目标矿物的特征波段所对应的光谱反射率FSn并构成光谱特征向量TZ=[FS1，FS2，…，FSm];将像元的光谱特征向量TZ与目标矿物的光谱标准向量BZ的点积结果除以两个向量模长的乘积得到余弦值，对余弦值取反余弦得到两个向量之间的夹角并标记为匹配角θ;将匹配角θ与预设的匹配角阈值θmax进行比较：若匹配角θ小于匹配角阈值θmax，则判断匹配成功，将该目标矿物标记为像元的匹配矿物;若匹配角θ大于等于匹配角阈值θmax，则判断匹配失败，并从标准矿物光谱库选取新的目标矿物重新进行匹配，直至全部匹配完成;

快速匹配的具体过程为：对像元组中的第一个像元和最后一个像元分别进行标准匹配，若两次标准匹配的结果是同一目标矿物，则判断匹配成功，并将该目标矿物标记为像元组中所有像元的匹配矿物;若两次标准匹配的结果不是同一目标矿物，则将像元组平均分为两个新的像元组，并重新对新的像元组中的第一个像元和最后一个像元分别进行标准匹配，重复以上操作，直至像元组满足两次标准匹配的结果是同一目标矿物;

光谱匹配模块针对独立像元采用标准匹配，针对像元组中的像元采用快速匹配，在保证一定准确性的同时，大幅提高匹配效率，既满足了对单个像元精确匹配的需求，又兼顾了像元组大量数据快速处理的要求。

[0023]实施例二：如图2所示，一种基于AI探矿技术的遥感勘测图像处理方法，包括以下步骤：

步骤一：采用传感器获取待识别区域的高分辨率的遥感图像，对遥感图像进行预处理操作得到处理图像;

步骤二：获取处理图像中像元的光谱数据，根据像元的光谱数据将像元分为像元组;

步骤三：根据像元的光谱数据对像元的分组进行验证，剔除不属于像元组的像元并标记为独立像元;

[0024]一种基于AI探矿技术的遥感勘测图像处理系统，工作时，采用传感器获取待识别区域的高分辨率的遥感图像，对遥感图像进行预处理操作得到处理图像;

获取处理图像中像元的光谱数据，根据像元的光谱数据将像元分为像元组;根据像元的光谱数据对像元的分组进行验证，剔除不属于像元组的像元并标记为独立像元;从标准矿物光谱库选取目标矿物与处理图像中的像元进行匹配，对独立像元采用标准匹配，对像元组中的像元采用快速匹配，并将匹配成功的目标矿物标记为像元的匹配矿物。

[0025]以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

[0026]在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0027]以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

说明书附图(2)