伟晶岩型锂矿的找矿方法及装置、计算机设备及介质

摘要

本发明实施例公开一种伟晶岩型锂矿的找矿方法及装置、计算机设备及介质。该方法的一具体实施方式包括：利用目标区域的雷达影像数据和第一遥感影像数据确定目标区域的断层构造信息；利用目标区域的第二遥感影像数据确定目标区域的岩性信息；将目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到目标区域的伟晶岩型锂矿信息，并根据目标区域的伟晶岩型锂矿信息确定目标区域的伟晶岩型锂矿分布密度信息；根据目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定目标区域内的伟晶岩型锂矿找矿靶区。该实施方式可为更精确地寻找伟晶岩型锂矿，为野外找矿提供更有力的科学依据。

权利要求

1.一种伟晶岩型锂矿的找矿方法，其特征在于，包括：利用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息；

利用所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息；

将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息，并根据所述目标区域的伟晶岩型锂矿信息确定所述目标区域的伟晶岩型锂矿分布密度信息；以及根据所述目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区；

所述将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息还包括：进行阈值分割：判断包含所述多分类计算模型输出的伟晶岩型锂矿信息的影像数据中，标记为伟晶岩型锂矿的像素的红色通道灰阶、绿色通道灰阶和蓝色通道灰阶中至少存在一个大于预设灰阶阈值且红色通道灰阶、绿色通道灰阶和蓝色通道灰阶的均值大于预设灰阶阈值是否成立，若是则保留所述像素的标记，若否则删除所述像素的标记。

2.根据权利要求1所述的方法，其特征在于，所述将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息进一步包括：将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合，得到第一融合影像数据；

根据伟晶岩型锂矿的反射光谱曲线计算所述第一融合影像数据的对应波段中的反射峰波段与吸收谷波段的三个关系值，得到三个灰度影像数据，其中，所述关系值为((Banda+Bandb)/Bandb)，Banda表示反射峰波段，Bandb表示吸收谷波段；

利用三个灰度影像数据分别赋予红色通道灰阶、绿色通道灰阶和蓝色通道灰阶以形成彩色合成影像数据；以及

将所述彩色合成影像数据输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息。

3.根据权利要求1所述的方法，其特征在于，所述将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息还包括：在所述阈值分割后：利用并运算将像素距离小于预设像素距离阈值的两个标记为伟晶岩型锂矿的像素区域之间的像素标记为伟晶岩型锂矿，和/或，将像素面积小于预设像素面积阈值的标记为伟晶岩型锂矿的像素区域中各像素的标记删除。

4.根据权利要求1所述的方法，其特征在于，所述利用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息进一步包括：将所述目标区域的雷达影像数据与第一遥感影像数据进行数据融合，得到第二融合影像数据；

对第四遥感影像数据进行Prewitt边缘检测，得到边缘检测影像数据；以及根据所述雷达影像数据、所述第二融合影像数据及所述边缘检测影像数据，确定所述目标区域的断层构造信息。

5.根据权利要求1所述的方法，其特征在于，所述根据所述目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区还包括：

展示包含所述目标区域的断层构造信息的第一影像、包含所述目标区域的岩性信息的第二影像及包含所述目标区域的伟晶岩型锂矿分布密度信息的第三影像的叠层图，并在所述叠层图展示所述目标区域内的伟晶岩型锂矿找矿靶区的标识。

6.根据权利要求1‑5中任一项所述的方法，其特征在于，所述第三遥感影像数据为WorldView‑2遥感影像数据，所述第四遥感影像数据为WorldView‑3遥感影像数据。

7.一种伟晶岩型锂矿的找矿装置，其特征在于，包括：第一确定模块，用于利用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息；

第二确定模块，用于利用所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息；

第三确定模块，用于将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息，进行阈值分割：判断包含所述多分类计算模型输出的伟晶岩型锂矿信息的影像数据中，标记为伟晶岩型锂矿的像素的红色通道灰阶、绿色通道灰阶和蓝色通道灰阶中至少存在一个大于预设灰阶阈值且红色通道灰阶、绿色通道灰阶和蓝色通道灰阶的均值大于预设灰阶阈值是否成立，若是则保留所述像素的标记，若否则删除所述像素的标记；并根据所述目标区域的伟晶岩型锂矿信息确定所述目标区域的伟晶岩型锂矿分布密度信息；

第四确定模块，用于根据所述目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑6中任一项所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑6中任一项所述的方法。

说明书

伟晶岩型锂矿的找矿方法及装置、计算机设备及介质

技术领域

[0001] 本发明涉及矿产资源开发领域。更具体地，涉及一种伟晶岩型锂矿的找矿方法及装置、计算机设备及介质。

背景技术

[0002] 锂是新兴产业发展不可或缺的战略资源，既可以储能，也可以节能，还可以产能,既高度军用也普遍民用，因而被称为“21世纪的能源金属”。全球锂矿床整体以卤水型和伟
晶岩型为主体，其中伟晶岩型锂矿因富含Li等战略元素，是重要的矿床类型之一，伟晶岩型
锂矿的形成主要是伟晶岩形成过程中锂元素富集所致。

[0003] 目前，一些伟晶岩型锂矿区的地形地貌较为复杂，导致基于遥感影像数据进行找矿时，对伟晶岩等岩块的信息提取与解译难度系数增大，难以准确圈定找矿靶区，给找矿工
作带来了很大的难度。

发明内容

[0004] 本发明的目的在于提供一种伟晶岩型锂矿的找矿方法及装置、计算机设备及介质，以解决现有技术存在的问题中的至少一个。

[0005] 为达到上述目的，本发明采用下述技术方案：

[0006] 本发明第一方面提供了一种伟晶岩型锂矿的找矿方法，包括：

[0007] 利用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息；

[0008] 利用所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息；

[0009] 将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息，并根据所述
目标区域的伟晶岩型锂矿信息确定所述目标区域的伟晶岩型锂矿分布密度信息；以及

[0010] 根据所述目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区。

[0011] 可选地，所述将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息进
一步包括：

[0012] 将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合，得到第一融合影像数据；

[0013] 根据伟晶岩型锂矿的反射光谱曲线计算所述第一融合影像数据的对应波段中的反射峰波段与吸收谷波段的三个关系值，得到三个灰度影像数据，其中，所述关系值为
((Banda+Bandb)/Bandb)，Banda表示反射峰波段，Bandb表示吸收谷波段；

[0014] 利用三个灰度影像数据分别赋予红色通道灰阶、绿色通道灰阶和蓝色通道灰阶以形成彩色合成影像数据；以及

[0015] 将所述彩色合成影像数据输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息。

[0016] 可选地，所述将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息还
包括：

[0017] 进行阈值分割：判断包含所述多分类计算模型输出的伟晶岩型锂矿信息的影像数据中，标记为伟晶岩型锂矿的像素的红色通道灰阶、绿色通道灰阶和蓝色通道灰阶中至少
存在一个大于预设灰阶阈值且红色通道灰阶、绿色通道灰阶和蓝色通道灰阶的均值大于预
设灰阶阈值是否成立，若是则保留所述像素的标记，若否则删除所述像素的标记。

[0018] 可选地，所述将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息还
包括：

[0019] 在所述阈值分割后：利用并运算将像素距离小于预设像素距离阈值的两个标记为伟晶岩型锂矿的像素区域之间的像素标记为伟晶岩型锂矿，和/或，将像素面积小于预设像
素面积阈值的标记为伟晶岩型锂矿的像素区域中各像素的标记删除。

[0020] 可选地，所述利用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息进一步包括：

[0021] 将所述目标区域的雷达影像数据与第一遥感影像数据进行数据融合，得到第二融合影像数据；

[0022] 对第四遥感影像数据进行Prewitt边缘检测，得到边缘检测影像数据；以及

[0023] 根据所述雷达影像数据、所述第二融合影像数据及所述边缘检测影像数据，确定所述目标区域的断层构造信息。

[0024] 可选地，所述根据所述目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区还包括：

[0025] 展示包含所述目标区域的断层构造信息的第一影像、包含所述目标区域的岩性信息的第二影像及包含所述目标区域的伟晶岩型锂矿分布密度信息的第三影像的叠层图，并
在所述叠层图展示所述目标区域内的伟晶岩型锂矿找矿靶区的标识。

[0026] 可选地，所述第三遥感影像数据为WorldView‑2遥感影像数据，所述第四遥感影像数据为WorldView‑3遥感影像数据。

[0027] 本发明第二方面提供了一种伟晶岩型锂矿的找矿装置，包括：

[0028] 第一确定模块，用于利用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息；

[0029] 第二确定模块，用于利用所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息；

[0030] 第三确定模块，用于将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿
信息，并根据所述目标区域的伟晶岩型锂矿信息确定所述目标区域的伟晶岩型锂矿分布密
度信息；

[0031] 第四确定模块，用于根据所述目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区。

[0032] 本发明第三方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明第一方面提供
的伟晶岩型锂矿的找矿方法。

[0033] 本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面提供的伟晶岩型锂矿的找矿方法。

[0034] 本发明的有益效果如下：

[0035] 本发明所述技术方案可更为精确地寻找伟晶岩型锂矿，克服了因地形地貌复杂等原因导致的不易提取解译伟晶岩转石信息的难题，提高了工作效率，可更为有力地为野外
找矿提供科学依据，对伟晶岩型锂矿找矿突破具有重要意义。

附图说明

[0036] 下面结合附图对本发明的具体实施方式作进一步详细的说明。

[0037] 图1示出本发明的一个实施例可以应用于其中的示例性系统架构图。

[0038] 图2示出本发明实施例提供的伟晶岩型锂矿的找矿方法的流程图。

[0039] 图3示出本发明实施例提供的伟晶岩型锂矿的找矿方法的另一流程图。

[0040] 图4示出雷达影像数据与第一遥感影像数据的融合影像数据的显示示意图。

[0041] 图5示出边缘检测影像数据的显示示意图。

[0042] 图6示出目标区域的断层构造信息的显示示意图。

[0043] 图7示出筛选的到的三个端元的光谱信息示意图。

[0044] 图8示出端元丰度合成图的显示示意图。

[0045] 图9示出岩性单元解译图的显示示意图。

[0046] 图10示出主成分分析结果中的特征值图的示意图。

[0047] 图11示出基于融合影像数据的伟晶岩型锂矿信息的显示示意图。

[0048] 图12示出含锂辉石伟晶岩的反射光谱曲线的示意图。

[0049] 图13示出彩色合成影像数据的显示示意图。

[0050] 图14示出基于彩色合成影像数据的伟晶岩型锂矿信息的显示示意图。

[0051] 图15示出伟晶岩型锂矿分布密度图的示意图。

[0052] 图16示出叠层图的示意图。

[0053] 图17示出圈定的找矿靶区结果示意图。

[0054] 图18示出本发明实施例提供的伟晶岩型锂矿的找矿装置的示意图。

[0055] 图19示出实现本发明实施例提供的伟晶岩型锂矿的找矿装置的计算机系统的结构示意图。

具体实施方式

[0056] 为了更清楚地说明本发明，下面结合实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述
的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

[0057] 目前，一些伟晶岩型锂矿区的地形地貌较为复杂，导致采用现有的基于遥感影像数据进行找矿的方案时，对伟晶岩等岩块的信息提取与解译难度系数增大，难以准确圈定
找矿靶区，给找矿工作带来了很大的难度。

[0058] 有鉴于此，本发明的一个实施例提供了一种伟晶岩型锂矿的找矿方法，基于雷达影像数据和多源遥感影像数据，从多个角度综合多种影像数据来提取多种信息来实现找矿
靶区的确定，本实施例提供的找矿方法包括如下步骤：

[0059] 利用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息；

[0060] 利用所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息；

[0061] 将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息，并根据所述
目标区域的伟晶岩型锂矿信息确定所述目标区域的伟晶岩型锂矿分布密度信息；以及

[0062] 根据所述目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区。

[0063] 本实施例提供的基于雷达影像数据和多源遥感影像数据的伟晶岩型锂矿的找矿方法，从多个角度综合多种影像数据来提取多种信息，可更为精确地寻找伟晶岩型锂矿，克
服了因地形地貌复杂等原因导致的不易提取解译伟晶岩转石信息的难题，提高了工作效
率，可更为有力地为野外找矿提供科学依据，对伟晶岩型锂矿找矿突破具有重要意义。

[0064] 本实施例提供的伟晶岩型锂矿的找矿方法可以通过具有数据处理能力的计算机设备来实现，具体的，该计算机设备可以为具有数据处理能力的计算机，包括个人计算机
(PC，Personal Computer)、小型机或者大型机，也可以是具有数据处理能力的服务器或者
服务器集群等，本实施例对此不做限定。

[0065] 为了便于理解本实施例的技术方案，下面结合图1对本实施例提供的上述方法在实际中的场景进行说明。参见图1，该场景包括断层构造信息解译服务器110、岩性信息解译
服务器120、训练服务器130、识别服务器140和找矿靶区圈定服务器150。例如，在本实施例
中，训练服务器130先利用像素做了伟晶岩型锂矿标记的影像数据样本(即，影像数据样本
中的伟晶岩型锂矿位置的像素带有标签或者说标注)对用于识别目标区域的遥感影像数据
中的伟晶岩型锂矿信息的多分类计算模型进行训练，以得到训练后的学习到识别能力的多
分类计算模型。后续，可以并行实现的是：(1)断层构造信息解译服务器110利用目标区域的
雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息；(2)岩性信息解译
服务器120利用所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息；(3)识别
服务器140将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入
已在训练服务器130训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿
信息，并根据所述目标区域的伟晶岩型锂矿信息确定所述目标区域的伟晶岩型锂矿分布密
度信息；这样，可提升整体工作效率。最后，找矿靶区圈定服务器150根据所述目标区域的断
层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂
矿找矿靶区。其中，训练服务器130的功能实现只需在识别服务器140的功能实现之前执行
即可，训练服务器130的功能实现与断层构造信息解译服务器110及岩性信息解译服务器
120的功能实现的时序关系不限。

[0066] 需要注意的是，图1中的断层构造信息解译服务器110、岩性信息解译服务器120、训练服务器130、识别服务器140和找矿靶区圈定服务器150在实际应用中，可以是独立的服
务器，也可以是集成的服务器。当是独立的服务器时，各服务器之间可通过网络进行通信，
该网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。

[0067] 接下来，从具有数据处理能力的处理设备的角度，对本实施例提供的一种伟晶岩型锂矿的找矿方法进行说明，如图2所示，本实施例提供的一种伟晶岩型锂矿的找矿方法包
括如下步骤：

[0068] S210、利用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息。

[0069] 在一个具体示例中，目标区域可称为研究区，雷达影像数据例如为Sentinel‑1雷达影像数据，第一遥感影像数据例如为Landsat‑8遥感影像数据，另外，第一遥感影像数据
也可选用Aster遥感影像数据等。其中：哨兵1号(Sentinel‑1)卫星是欧洲航天局哥白尼计
划(GMES)中的地球观测卫星，由两颗卫星组成，载有C波段合成孔径雷达，可提供连续图像
(白天、夜晚和各种天气)。Landsat‑8卫星携带了OLI和TIRS推扫式成像仪。OLI陆地成像仪
包括9个波段，包括8个多光谱波段及1个全色波段。其中多光谱波段范围为0.43‑2.29μm，空
间分辨率为30米；全色波段范围为0.50‑0.68μm，空间分辨率为15m。

[0070] 在一种可能的实现方式中，如图3所示，步骤S210进一步包括：

[0071] 将所述目标区域的雷达影像数据与第一遥感影像数据进行数据融合，得到雷达影像数据与第一遥感影像数据的融合影像数据；

[0072] 对所述目标区域的第四遥感影像数据进行Prewitt边缘检测，得到边缘检测影像数据；以及

[0073] 根据所述雷达影像数据、所述第二融合影像数据及所述边缘检测影像数据，确定所述目标区域的断层构造信息。

[0074] 在一种可能的实现方式中，如图3所示，所述第四遥感影像数据为WorldView‑3遥感影像数据。在一个具体示例中，WorldView‑3卫星是DigitalGlobe商用高分辨率遥感卫
星，WorldView‑3卫星在8个可见光‑近红外(VNIR)波段的基础上新增了8个短波红外(SWIR)
波段，大大提高了对地物信息的提取能力。本实施例中，WorldView‑3遥感影像数据为短波
红外遥感影像数据。

[0075] 在一个具体示例中，如图3所示，在所述将所述目标区域的雷达影像数据与第一遥感影像数据进行数据融合之前，步骤S210还包括：分别对所述目标区域的雷达影像数据和
所述目标区域的第一遥感影像数据进行预处理。在一个具体示例中，对所述目标区域的雷
达影像数据和对所述目标区域的第一遥感影像数据的预处理例如包括辐射定标、FLAASH大
气校正、坐标转换、影像裁剪等。

[0076] 在一个具体示例中，为了体现出断层构造信息的色调和纹理解译标志信息，步骤S210中采用Sentinel‑1雷达影像数据与Landsat‑8遥感影像数据进行断层构造信息解译。
为了更好地将两者融合，首先将Sentinel‑1雷达影像数据通过例如双线性内插法重采样至
5米，之后，对重采样的Sentinel‑1雷达影像数据与Landsat‑8彩色影像数据(利用Landsat‑
8遥感影像数据的波段7、5、2分别对应红色通道、绿色通道、蓝色通道得到的彩色影像数据，
即，将Landsat‑8遥感影像数据的波段7、5、2分别赋予红色通道灰阶、绿色通道灰阶和蓝色
通道灰阶以进行彩色合成得到的彩色影像数据)进行GS(Gram Schmidt)融合(GS融合能保
持融合前后影像波谱信息的一致性，是一种高保真的影像融合方法)，在例如图4所示的融
合得到的影像数据中可以看出，GS融合后的影像数据很好地保留了雷达影像数据的空间纹
理信息和遥感影像数据(光学数据)的光谱特征信息。

[0077] 一方面：基于例如图4所示的融合得到的影像数据，可以通过其色调异常及雷达影像数据中特有的纹理信息进行目标区域的断层构造信息的解译。其中，色调异常是指线性
构造两侧色调差异或与目标背景色调不一致。从地质角度上看，不同的波段组合反映了不
同成分的地质体，线性痕迹两侧的颜色突变的色调异常带，很可能表示这两个地质体之间
的断层接触关系；而雷达影像数据中的纹理信息可以依据其中呈定线排列的由岩石地层断
崖峭壁形成的强回波亮射线或亮射带进行目标区域的断层构造信息的解译。另一方面：为
了能够更好的体现纹理信息，上述实现方式对高空间分辨率的WorldView‑3遥感影像数据
进行例如基于MATLAB平台的Prewitt边缘检测(或者说Prewitt空间滤波)，得到的边缘检测
影像数据例如图5所示。Prewitt边缘检测对于噪声具有平滑作用，较好反映了地物的纹理
信息。由于断层构造常处于山地一侧，地形起伏较大，纹理密度较大，故边缘检测影像数据
可以作为目标区域的断层构造信息解译的依据之一。

[0078] 由此，可根据Sentinel‑1雷达影像数据与Landsat‑8遥感影像数据的融合影像数据表征的色调标志信息，以及Sentinel‑1雷达影像数据和边缘检测影像数据表征的纹理标
志信息，解译得到例如图6所示的目标区域的断层构造信息，图6所示中，包含F1‑F8共8条断
层构造信息。

[0079] S220、利用所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息。

[0080] 在一个具体示例中，第二遥感影像数据例如为高光谱的遥感影像数据，具体例如选用GF‑5遥感影像数据。其中，高分五号卫星(GF‑5)是世界上第一颗同时对陆地和大气进
行综合观测的卫星。GF‑5星搭载了大气痕量气体差分吸收光谱仪、大气主要温室气体探测
仪、大气多角度偏振探测仪、大气环境红外甚高分辨率探测仪、可见短波红外高光谱相机、
全谱段光谱成像仪共6台载荷，可对大气气溶胶、二氧化硫、二氧化氮、二氧化碳、甲烷、水
华、水质、核电厂温排水、陆地植被、秸秆焚烧、城市热岛等多个环境要素进行监测。高分五
号卫星所搭载的可见短波红外高光谱相机是国际上首台同时兼顾宽覆盖和宽谱段的高光
谱相机，在60千米幅宽和30米空间分辨率下，可以获取从可见光至短波红外(400～2500nm)
光谱颜色范围里，330个光谱颜色通道，颜色范围比一般相机宽了近9倍，颜色通道数目比一
般相机多了近百倍，其可见光谱段光谱分辨率为5纳米，可对内陆水体、陆表生态环境、蚀变
矿物、岩矿类别进行有效探测，为环境监测、资源勘查、防灾减灾等行业提供高质量、高可靠
的高光谱数据。

[0081] 在一个具体示例中，如图3所示，在所述利用所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息之前，步骤S220还包括：对所述目标区域的第二遥感影像数据
进行预处理。在一个具体示例中，对所述目标区域的第二遥感影像数据的预处理例如包括
辐射定标、FLAASH大气校正、坐标转换、影像裁剪等。

[0082] 在一个具体示例中，如图3所示，步骤S220进行的目标区域的岩性信息解译的流程中，在对目标区域的GF‑5遥感影像数据进行预处理后，可进行波段筛选，例如：经对GF‑5数
据逐波段查看，发现波段192‑206、246‑264、326‑330为无值波段；同时，因145‑150
(1006.88‑1029.18nm)和151‑154(1004.77‑1030.05nm)波长有重叠部分，故将上述波段进
行剔除，最终剩余287个波段。

[0083] 之后，可采用逐次最大角凸锥分析(SMACC)算法提取目标区域的岩性信息。其中，SMACC算法是一种基于凸锥模型的自动获取影像中端元并提供端元丰度图像的算法，自动
的端元提取方式大大提高了数据处理效率，消除了人为因素对结果的影响。例如，GF‑5遥感
影像数据经SAMCC算法处理后，共提取23个端元。

[0084] 之后，对端元波谱进行分析及端元筛选：通过对比遥感影像和利用USGS(United States Geological Survey)光谱库对端元进行光谱分析，排除阴影、云等干扰端元以及分
布破碎的端元，最后剩下的能够辅助解译岩性信息提取的端元为3个，如图7所示。对端元波
谱进行分析可知，端元8光谱在800‑1500nm之间有两个双反射峰，根据波谱分析结果可知，
该端元符合石英以及含SiO2类岩石的波谱特征；端元10光谱在1500nm、2000nm以及2330nm
左右具有吸收特征，根据波谱分析可知，该端元与大理岩的波谱特征匹配；端元11光谱在
2+ 3+
810nm和1000nm左右表现出吸收特征，根据波谱分析可知，该端元为含Fe 和Fe 岩石类典
型吸收特征。

[0085] 之后，将筛选的3个端元分别赋予红色通道(R)、绿色通道(G)和蓝色通道(B)进行彩色合成，得到例如图8所示的端元丰度合成图。图8中，石英以及含SiO2类岩石主要呈浅色
2+ 3+
(代表黄色、橙红色、粉色)；大理岩类岩石主要颜色更深(代表绿色、黄绿色)；含Fe 、Fe 矿
物颜色最深(代表深蓝色)。相较于传统的彩色合成图，本实施例中的经SMACC算法提取端元
丰度合成的影像色彩更加丰富，细节更显著，对岩性边界圈定十分有利。

[0086] 由此，通过SMACC算法提取的端元彩色合成图可识别目标区域内主要大类岩性的分布位置和范围，可结合野外实际调查数据，依据实际地质背景进行筛选，解译得到目标区
域的岩性信息，其中，目标区域的岩性信息可通过例如图9所示的岩性单元解译图展示。

[0087] S230、将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息，并根据
所述目标区域的伟晶岩型锂矿信息确定所述目标区域的伟晶岩型锂矿分布密度信息。

[0088] 在一种可能的实现方式中，如图3所示，所述第三遥感影像数据为WorldView‑2遥感影像数据。在一个具体示例中，WorldView‑2是DigitalGlobe商用高分辨率遥感卫星，不
仅具有4个业内标准波段(红、绿、蓝、近红外)，还包括四个额外波段(海岸、黄、红边和近红
外2)，为用户提供进行精确变化检测和制图的能力。本实施例中，WorldView‑2遥感影像数
据为可见光‑近红外遥感影像数据。另外，所述第四遥感影像数据为WorldView‑3遥感影像
数据。

[0089] 在一个具体示例中，如图3所示，在所述将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合之前，步骤S230还包括：分别对所述目标区域的第三遥感影
像数据和所述目标区域的第四遥感影像数据进行预处理。在一个具体示例中，对所述目标
区域的第三遥感影像数据和对所述目标区域的第四遥感影像数据的预处理例如包括辐射
定标、FLAASH大气校正、坐标转换、影像裁剪等。其中，步骤S230与步骤S210中采用的所述目
标区域的第四遥感影像数据可视为同一影像数据，进行一次预处理即可。

[0090] 在一个具体示例中，步骤S230利用WorldView‑2可见光‑近红外遥感影像数据以及WorldView‑3短波红外遥感影像数据进行精细的伟晶岩型锂矿提取。因为伟晶岩型锂矿的
光谱特征多表现在短波红外波段范围内，所以，可首先对WorldView‑2遥感影像数据进行
HPF融合(即，将高空间分辨率全色影像中的例如细节、边缘的高频信息叠加到低分辨率多
光谱影像上)，然后可对WorldView‑2遥感影像数据进行主成分分析，以达到数据信息保留
以及数据压缩的目的，使各波段信息之间互不重叠。根据例如图10所示的主成分分析结果
中的特征值图，可以直观的看出，经过变换的8个波段主要的信息量被集中在第1个波段，因
为曲线在第1波段处呈现出一个明显的由陡变缓的拐点。之后，由于WorldView‑2遥感影像
数据的分辨率为0.46m，为提高WorldView‑3遥感影像数据的分辨率，步骤S230对
WorldView‑2遥感影像数据的主成分分析结果与WorldView‑3遥感影像数据进行能保持融
合前后影像波谱信息的一致性的GS融合，通过该GS融合，既提高了WorldView‑3遥感影像数
据的空间分辨率、丰富了地物信息量，又能很好的结合WorldView‑2遥感影像数据和
WorldView‑3遥感影像数据。

[0091] 在一个具体示例中，将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别为基于色彩特征的伟晶岩型锂矿识
别。可理解的是，上述的已训练的多分类计算模型是用于对目标区域的第三遥感影像数据
与第四遥感影像数据的融合影像数据进行识别的，所以训练多分类计算模型的训练样本应
采用多个像素做了伟晶岩型锂矿标记的融合影像数据样本(即，融合影像数据样本中的伟
晶岩型锂矿位置的像素带有标签或者说标注)对用于识别目标区域的遥感影像数据中的伟
晶岩型锂矿信息的多分类计算模型进行训练，以得到训练后的学习到识别能力的多分类计
算模型。

[0092] 在一个具体示例中，可基于Matlab平台进行利用已训练的多分类计算模型进行识别。多分类计算模型具体例如采用OvO(一对一)的多分类机器学习模型，即N类样本中，每次
挑出2种类型进行两两结合，一共有(N(N‑1))/2种二分类情况，使用(N(N‑1))/2种模型预测
样本类型，有(N(N‑1))/2个预测结果，种类最多的那种样本类型，就可以认为是该样本最终
的预测类型。

[0093] 在一种可能的实现方式中，为了使已训练的多分类计算模型对目标区域的第三遥感影像数据与第四遥感影像数据的融合影像数据进行识别得到的目标区域的伟晶岩型锂
矿信息更加精确，如图3所示，步骤S230还包括：

[0094] 进行阈值分割：判断包含所述多分类计算模型输出的伟晶岩型锂矿信息的影像数据中，标记为伟晶岩型锂矿的像素的红色通道灰阶、绿色通道灰阶和蓝色通道灰阶中至少
存在一个大于预设灰阶阈值且红色通道灰阶、绿色通道灰阶和蓝色通道灰阶的均值大于预
设灰阶阈值是否成立，若是则保留所述像素的标记，若否则删除所述像素的标记。

[0095] 在一种可能的实现方式中，为了去除已训练的多分类计算模型对目标区域的第三遥感影像数据与第四遥感影像数据的融合影像数据进行识别得到的目标区域的伟晶岩型
锂矿信息中的干扰信息，如图3所示，步骤S230还包括：

[0096] 在所述阈值分割后，进行去干扰操作：利用并运算将像素距离小于预设像素距离阈值的两个标记为伟晶岩型锂矿的像素区域之间的像素标记为伟晶岩型锂矿，和/或，将像
素面积小于预设像素面积阈值的标记为伟晶岩型锂矿的像素区域中各像素的标记删除。

[0097] 在一个具体示例中，可基于Matlab平台进行阈值分割和去干扰操作。例如，可采取灰阶阈值取值为50的阈值分割，即分别对红色通道灰阶、绿色通道灰阶和蓝色通道灰阶进
行基于灰阶阈值50的分割，若标记为伟晶岩型锂矿的像素的红色通道灰阶、绿色通道灰阶
和蓝色通道灰阶中至少存在一个大于灰阶阈值50则初步判定保留该像素的标记，然后，为
了消除上述分别分割的结果的冗余性，再对对红色通道灰阶、绿色通道灰阶和蓝色通道灰
阶的均值进行基于灰阶阈值50的分割，若均值大于灰阶阈值50则判定保留该像素的标记。

[0098] 阈值分割后的结果仍有一些干扰信息，因此，对分割检测结果进行去干扰操作：利用了并运算将像素距离相近(例如小于10像素距离)的两个标记为伟晶岩型锂矿的像素区
2
域之间的像素标记为伟晶岩型锂矿，同时剔除像素面积小于10pixcel 的碎片化的标记为
伟晶岩型锂矿的像素区域，完善伟晶岩型锂矿信息提取结果。

[0099] 在一个具体示例中，利用已训练的多分类计算模型对目标区域的第三遥感影像数据与第四遥感影像数据的融合影像数据进行识别后，分别进行阈值分割及去干扰操作，最
终得到的基于融合影像数据的包含所述多分类计算模型输出的伟晶岩型锂矿信息的影像
数据或者说基于融合影像数据的伟晶岩型锂矿信息的显示如图11所示，图11中，黑色标记
区域为标记为伟晶岩型锂矿的像素区域。

[0100] 在一种可能的实现方式中，为了更为精确的获取目标区域的伟晶岩型锂矿信息，如图3所示，步骤S230进一步包括：

[0101] 将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合，得到第三遥感影像数据与第四遥感影像数据的融合影像数据；

[0102] 进行波段比值运算：根据伟晶岩型锂矿的反射光谱曲线计算所述第一融合影像数据的对应波段中的反射峰波段与吸收谷波段的三个关系值，得到三个灰度影像数据，其中，
所述关系值为((Banda+Bandb)/Bandb)，Banda表示反射峰波段，Bandb表示吸收谷波段；

[0103] 利用三个灰度影像数据分别赋予红色通道灰阶、绿色通道灰阶和蓝色通道灰阶以形成彩色合成影像数据；以及

[0104] 将所述彩色合成影像数据输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿信息。

[0105] 基于波段比值运算得到的彩色合成影像数据与作为原图的第三遥感影像数据与第四遥感影像数据的融合影像数据相比，对比度或者说色彩差异更加显著，有利于已训练
的多分类计算模型更为精确地识别得到所述目标区域的伟晶岩型锂矿信息。

[0106] 在一个具体示例中，在进行波段比值运算之前，需要获取及分析含锂辉石伟晶岩的反射光谱曲线特征，也即反射曲线的谷点和峰点。本实施例从USGS(United States 
Geological Survey)波谱库中提取出含锂辉石伟晶岩的反射波谱曲线，并将其基于
CorelDRAW软件进行绘制，绘制得到的反射光谱曲线如图12所示。通过图12可以看出，含锂
辉石的伟晶岩脉波谱整体反射率中等偏下，其中，在波长1913nm左右具有明显的强吸收特
征，在波长2205nm左右以及波长1413nm左右分别表现出次级吸收特征，在波长1385nm左右、
波长2175nm左右及波长2270nm左右分别具有反射特征。同时，这些特征在WorldView‑2遥感
影像数据与WorldView‑3遥感影像数据遥感影像数据的融合影像数据中可以找到对应的波
段，如，波长2205nm左右的吸收特征对应融合影像数据的Band6(波段6)；波长2175nm左右、
波长2270nm左右的反射特征分别对应于融合影像数据的Band5(波段5)、Band7(波段7)；另
外，由于需要得到三个关系值，还可选取较平缓的反射特征对应的融合影像数据的波段
Band4(波段4)。之后，便可进行比值运算，计算融合影像数据的反射峰波段与吸收谷波段之
和与吸收谷波段的比值(如公式1所示)，以此来增强伟晶岩型锂矿信息的色彩。

[0107] (Banda+Bandb)/Bandb公式1

[0108] 公式1中，Banda表示反射特征波段，Bandb表示吸收特征波段。利用吸收特征波段Band6分别与Band5、Band7、Band4进行比值运算，可得到对应(Band5+Band6)/Band6、(Band7
+Band6)/Band6、(Band4+Band6)/Band6这三个比值运算结果三个灰度影像数据。需要说明
的是，对于第三遥感影像数据、第四遥感影像数据选用WorldView‑2遥感影像数据、
WorldView‑3遥感影像数据之外的其他遥感影像数据的情况，反射特征波段和吸收特征波
段的选取可根据融合影像数据的波段而定，且不限于选取一个吸收谷波段和三个反射峰波
段，例如还可选取三个吸收谷波段和一个反射峰波段以得到三个比值运算结果，或还可选
取两个吸收谷波段和两个反射峰波段以得到三个比值运算结果。

[0109] 之后，将上述得到的三个波段比值运算结果对应的三个灰度影像数据分别赋予红色通道、绿色通道和蓝色通道进行彩色合成以形成彩色合成影像数据，例如，将(Band5+
Band6)/Band6对应的灰度影像数据赋予红色通道、(Band7+Band6)/Band6对应的灰度影像
数据赋予绿色通道、(Band4+Band6)/Band6对应的灰度影像数据赋予蓝色通道，赋予方式例
如将(Band5+Band6)/Band6对应的灰度影像数据中各像素点的灰阶值作为彩色合成影像数
据中对应的各像素点的红色通道灰阶。例如，彩色合成影像数据例如图13所示。从图13中可
以看出，伟晶岩型锂矿信息为高反射状态，呈现白色条带状。

[0110] 在一个具体示例中，本实现方式中，将彩色合成影像数据输入已训练的多分类计算模型进行识别为基于色彩特征的伟晶岩型锂矿识别。可理解的是，本实现方式中，已训练
的多分类计算模型是用于对彩色合成影像数据进行识别的，所以训练多分类计算模型的训
练样本应采用多个像素做了伟晶岩型锂矿标记的彩色合成影像数据样本对用于识别目标
区域的遥感影像数据中的伟晶岩型锂矿信息的多分类计算模型进行训练，以得到训练后的
学习到识别能力的多分类计算模型。

[0111] 在一个具体示例中，本实现方式中的多分类计算模型也可采用例如OvO(一对一)的多分类机器学习模型，对于包含将彩色合成影像数据输入已训练的多分类计算模型进行
识别后输出的伟晶岩型锂矿信息的影像数据，也可进行基于例如50的预设灰阶阈值的阈值
分割及去干扰操作。利用已训练的多分类计算模型对彩色合成影像数据进行识别后，分别
进行阈值分割及去干扰操作，最终得到的基于彩色合成影像数据的包含所述多分类计算模
型输出的伟晶岩型锂矿信息的影像数据或者说基于彩色合成影像数据的伟晶岩型锂矿信
息的显示如图14所示，图14中，黑色标记区域为标记为伟晶岩型锂矿的像素区域。

[0112] 下面，通过评价因子评价基于彩色合成影像数据的伟晶岩型锂矿信息与基于融合影像数据的伟晶岩型锂矿信息的精度差别：

[0113] 首先进行验证点的制作：将野外填图资料中的伟晶岩型锂矿以及其它地物信息转换为点SHP文件，以此作为检验两次机器学习提取结果精度的标准。之后，对基于彩色合成
影像数据的伟晶岩型锂矿信息与基于融合影像数据的伟晶岩型锂矿信息进行矢量化，将上
述验证点、岩性信息矢量以及基于彩色合成影像数据的伟晶岩型锂矿信息与基于融合影像
数据的伟晶岩型锂矿信息矢量化文件分别叠加至ArcGIS软件中，并使用空间挂接工具
(Spatial Join)将两次机器学习提取结果的属性分别赋到验证点中。而后，利用混淆矩阵
对两次提取结果进行精度评价：先将前面空间挂接的结果，直接使用EXCEL分别打开SHP中
的dbf文件，制作数据透视表，以“列”为验证数据，“行”为提取结果生成混淆矩阵。而后利用
MATLAB平台编写混淆矩阵中的评价因子程序，评价因子主要包括：总体分类精度(OA)、
Kappa系数(Kappa)、漏分误差(OE)、制图精度(PA)、用户精度(UA)。其中，OA与Kappa为整体
的精度评价，数值越高代表精度越高；OE、PA、UA是针对自动化提取的伟晶岩型锂矿进行的
精度评价，OE越小精度越高，PA、UA则反之。该程序的实现需要分别输入上述透视表。运行结
果如下：

[0114] 基于彩色合成影像数据的伟晶岩型锂矿信息：OA1＝87.5934，Kappa1＝0.8396，OE1＝0.3600，PA1＝89.6400，UA1＝88.5800；

[0115] 基于融合影像数据的伟晶岩型锂矿信息：OA2＝73.2947，Kappa2＝0.7179，OE2＝0.4800，PA2＝70.2900，UA2＝69.9700；

[0116] 可以看出，基于彩色合成影像数据的伟晶岩型锂矿信息和基于融合影像数据的伟晶岩型锂矿信息的精度整体较好，尤其是基于彩色合成影像数据的伟晶岩型锂矿信息的精
度更高，这验证了进行比值运算后基于彩色合成影像数据进行识别对于识别精度提升的有
效性。

[0117] 在一个具体示例中，为了更加客观的表现伟晶岩型锂矿空间分布的密集程度，可将上述基于彩色合成影像数据的伟晶岩型锂矿信息或者说基于波段比值运算提取的伟晶
岩型锂矿信息转化为点矢量，并通过ArcGIS中的Kernel Density(核密度分析)工具获取目
标区域的伟晶岩型锂矿分布密度信息并绘制伟晶岩型锂矿分布密度图，伟晶岩型锂矿分布
密度图例如图15所示，图15中颜色越深的区域表示伟晶岩型锂矿的密度越大。

[0118] 需要说明的是，对于基于融合影像数据的伟晶岩型锂矿信息，也可转化为点矢量，并通过ArcGIS中的Kernel Density(核密度分析)工具获取目标区域的伟晶岩型锂矿分布
密度信息并绘制伟晶岩型锂矿分布密度图。

[0119] S240、根据所述目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区。

[0120] 其中，所述目标区域的断层构造信息和所述目标区域的岩性信息例如作为确定所述目标区域内的伟晶岩型锂矿找矿靶区的间接依据，所述目标区域的伟晶岩型锂矿分布密
度信息例如作为确定所述目标区域内的伟晶岩型锂矿找矿靶区的直接依据。

[0121] 在一个具体示例中，参见图6及图9，根据步骤S210和步骤S220解译出的目标区域的断层构造信息和岩性信息，可以看出，目标区域地层主要为古元古界阿尔金岩群的一套
低角闪岩相的变质表壳岩，总体可分为片麻岩段和片岩段，围岩为黑云母斜长石英片岩，侵
入岩主要为奥陶纪石英二长岩、石英闪长岩和志留纪二长花岗岩。区内黑云母花岗岩可分
异演化为淡色花岗岩与锂铍花岗岩‑伟晶岩，伟晶岩型锂矿的形成均与二云母花岗岩相关；
区内主要出露第四岩组大理岩夹变粒岩，底部为钙质糜棱岩，其与阿尔金岩群呈韧性剪切
带(断层)接触，是区内主要赋矿地层之一。

[0122] 综合上述成矿分析，即可圈定找矿靶区。其中，可将断层构造进行缓冲区分析，为其建立例如2km的缓冲区，以此更好的表征伟晶岩型锂矿与断层构造的位置关系。

[0123] 在一种可能的实现方式中，步骤S240还包括：

[0124] 展示包含所述目标区域的断层构造信息及其缓冲区信息的第一影像、包含所述目标区域的岩性信息的第二影像及包含所述目标区域的伟晶岩型锂矿分布密度信息的第三
影像的叠层图以便于人工圈定找矿靶区，并在所述叠层图展示所述目标区域内的伟晶岩型
锂矿找矿靶区的标识。

[0125] 在一个具体示例中，可以将例如图15所示的伟晶岩型锂矿分布密度图、例如图9所示的岩性单元解译图(可先对其做透明度50％处理)、例如图6所示的目标区域的断层构造
信息及断层构造的缓冲区在Arcgis中进行叠加显示，叠加显示的叠层图例如图16所示。根
据图16可得到分析结果如下：(1)提取的伟晶岩型锂矿信息在新太古界第四岩组与阿尔金a
岩群断层附近密集分布，圈出成矿靶区；(2)伟晶岩型锂矿的形成又与二云母花岗岩相关，
且提取的伟晶岩型锂矿信息在区内奥陶纪黑云母二长花岗岩分布较集中，具有很高的成矿
可能性；(3)同时，稀有金属锂矿的主要地质体为花岗伟晶岩脉或白云母微斜长石伟晶岩
脉，上述岩脉主要赋存在米兰岩群和阿尔金岩群地层之中，通过提取的伟晶岩型锂矿信息
分布来看，其在阿尔金b岩群分布密集。基于上述分析结果，即可自动或人工圈定出伟晶岩
型锂矿的找矿靶区或者说成矿靶区，圈定的找矿靶区结果例如图17所示。

[0126] 本领域技术人员应当理解，上述步骤虽然按照S210‑S240的顺序描述，但并不意味着一定按照这样的顺序执行，例如可以先执行S220再执行S210或先执行S230再执行S220，
再例如可以S210、S220与S230并行执行，只要不违反逻辑。

[0127] 如图18所示，本发明的另一个实施例提供了一种伟晶岩型锂矿的找矿装置，该找矿装置包括：

[0128] 第一确定模块，用于利用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息；

[0129] 第二确定模块，用于利用所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息；

[0130] 第三确定模块，用于将所述目标区域的第三遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识别，得到所述目标区域的伟晶岩型锂矿
信息，并根据所述目标区域的伟晶岩型锂矿信息确定所述目标区域的伟晶岩型锂矿分布密
度信息；

[0131] 第四确定模块，用于根据所述目标区域的断层构造信息、岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区。

[0132] 需要说明的是，本实施例提供的伟晶岩型锂矿的找矿装置可理解为集成了图1中的断层构造信息解译服务器110、岩性信息解译服务器120、训练服务器130、识别服务器140
和找矿靶区圈定服务器150的服务器。本实施例提供的伟晶岩型锂矿的找矿装置的原理及
工作流程与上述伟晶岩型锂矿的找矿方法相似，相关之处可以参照上述说明，在此不再赘
述。

[0133] 如图19所示，适于用来实现上述实施例提供的伟晶岩型锂矿的找矿装置的计算机系统，包括中央处理模块(CPU)，其可以根据存储在只读存储器(ROM)中的程序或者从存储
部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存
储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输
入(I/O)接口也连接至总线。

[0134] 以下部件连接至I/O接口:包括键盘、鼠标等的输入部分；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调
器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也
根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需
要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。

[0135] 特别地，根据本实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括有形地包含在计算机可读介质上的计算机
程序，上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该
计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。

[0136] 附图中的流程图和示意图，图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或示意图中的每个方框可以代表一个模
块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规
定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能
也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本
并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，
示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合，可以用执行规
定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组
合来实现。

[0137] 描述于本实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器，包括第
一确定模块、第二确定模块、第三确定模块和第四确定模块。其中，这些模块的名称在某种
情况下并不构成对该模块本身的限定。例如，第一确定模块还可以被描述为“第一解译模
块”。

[0138] 作为另一方面，本实施例还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质，也可以
是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质
存储有一个或者多个程序，当上述一个或者多个程序被一个设备执行时，使得上述设备：利
用目标区域的雷达影像数据和第一遥感影像数据确定所述目标区域的断层构造信息；利用
所述目标区域的第二遥感影像数据确定所述目标区域的岩性信息；将所述目标区域的第三
遥感影像数据与第四遥感影像数据进行数据融合后输入已训练的多分类计算模型进行识
别，得到所述目标区域的伟晶岩型锂矿信息，并根据所述目标区域的伟晶岩型锂矿信息确
定所述目标区域的伟晶岩型锂矿分布密度信息；以及，根据所述目标区域的断层构造信息、
岩性信息和伟晶岩型锂矿分布密度信息，确定所述目标区域内的伟晶岩型锂矿找矿靶区。

[0139] 在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示
所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本
发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例
如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连
接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本
领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

[0140] 还需要说明的是，在本发明的描述中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或
操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变
体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包
括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品
或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并
不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0141] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以
做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明
的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。