第40卷第8期
地球科学
中国地质大学学报V o l .40 N o.8
2015年8月
E a r t hS c i e n c e J o u r n a l o fC h i n aU n i v e r s i t y o
fG e o s c i e n c e s A u g .
2015d o i :10.3799/d q
k x .2015.130基金项目:国家科技支撑计划课题项目(N o .2012B A H 27B 04).
作者简介:韦晶(1991-),男,硕士,主要从事定量遥感方面研究.E -m a i l :w e i j i n g
_r s @163.c o m *通讯作者:明艳芳,E -m a i l :m y
f 414@163.c o m 引用格式:韦晶,明艳芳,刘福江,2015.基于光谱特征参数组合的高光谱数据矿物填图方法.地球科学 中国地质大学学报,40(8):1432-1440.
基于光谱特征参数组合的高光谱数据矿物填图方法
韦 晶1,明艳芳1*,刘福江2
1.山东科技大学测绘科学与工程学院,山东青岛266590
2.中国地质大学信息工程学院,湖北武汉430074
摘要:受大气环境等因素的影响,高光谱遥感矿物识别难以达到较高的精度.为解决该问题,根据光谱吸收特征参数在大气变化中能保持相对稳定的特点,提出一种基于光谱特征参数组合的高光谱矿物类型识别方法.文中计算了多种光谱特征参数,通过最佳指数因子(o p t i m u mi n d e x f a c t o r ,O I F )优选特征参数组合,选定最佳特征参数组合,利用模式识别方法实现矿物识别.利用机载可见/红外成像光谱仪(a i r b o r n e v i s i b l e i n f r a r e d i m a g i n g s p e c t r o m e t e r ,A V I R I S )高光谱数据,在美国内华达州C u p r i t e 矿区进行了该方法的应用试验研究,并与前人矿物填图结果做了对比.结果表明:吸收波谷位置-吸收面积-吸收右肩位置(P -A -S 2)
光谱特征参数组合的矿物识别效果最优,整体精度达到74.68%.关键词:光谱吸收特征参数;遥感;矿物填图;机载可见/红外成像光谱仪数据;最佳指数因子;C u p
r i t e 矿区.中图分类号:P 575.4;P 237 文章编号:1000-2383(2015)08-1432-09 收稿日期:2015-04-02
H y p e r s p e c t r a lM i n e r a lM a p p i n g M
e t h o dB a s e do n S p
e c t r a l C h a r a c t e r i s t i cP a r a m e t e rC o m b i n a t i o n W e i J i n g 1,M i n g Y a n
f a n
g 1*,L i uF u j i a n g
2
1.C o l l e g e o f G e o m a t i c s ,S h a n d o n g U n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y ,Q i n g d a o 266590,C h i n a
2.F a c u l t y o f I n f o r m a t i o nE n g i n e e r i n g ,C h i n aU n i v e r s i t y o f G
e o s c i e n c e s ,W u h a n 430074,C h i n a A b s t r a c t :I n
f l u e n c e db y t h ea t m o s p h e r i ce n v i r o n m e n ta n do t h e rf a c t o r s ,t h e m i n e r a l r e c o
g n i t i o n w i t h
h y p e r s p
e c t r a lr e m o t e s e n s i n g i s d i
f f i c u l t t o a c h i e v e a h i
g
h a c c u r a c y .T o
i m p r o v e t h e a c c u r a c y o f t h em i n e r a l i d e n t i f i c a t i o nw i t h s u c h t e c h n o l o g y ,a h y -p e r s p e c t r a lm i n e r a l r e c o g n i t i o nm e t h o db a s e do ns p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r c o m b i n a t i o n ,w h i c hc a n m a i n t a i nr e l a t i v e l y
s t a b l e c h a r a c t e r i s t i c sw i t ht h ea t m o s p h e r i cc h a n g e s ,i s p r o p o s e d i nt h i s p a p e r .V a r i o u ss p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r sa r e c a l c u l a t e d ,a n dt h eo p t i m a l c o m b i n a t i o no f t h e p a r a m e t e r s i ss e l e c t e dt h r o u g ht h eo p t i m u mi n d e xf a c t o r (O I F ),b a s e do n w h i c h ,m i n e r a l i d e n t i f i c a t i o n i s r e a l i z e dw i t h p a t t e r n r e c o g n i t i o nm e t h o d .B a s e do n t h e a b o v em e t h o d ,m i n e r a l t y p e i d e n t i f i c a -t i o n t e s t i s c a r r i e do u t i nC u p r i t em i n e o fN e v a d a ,w i t h a i r b o r n e v i s i b l e i n f r a r e d i m a g i n g s p e c t r o m e t e r (A V I R I S )h y p e r s p e c t r a l d a t a .T h e r e s u l t s a r e c o m p a r e dw i t h t h ew o r ko f p r e v i o u sm i n e r a lm a p p i n g ,i t s h o w s t h a t t h e c o m b i n a t i o n o f t h e s p
e c t r a l c h a r -a c t e r i s t i c p a r a m e t e r s ,P -A -S 2(P i s a b s o r p t i o nw a v e t r o u g h p o s i t i o n ,Ai s a b s o r p t i o n a r e a ,S 2i s a b s o r p t i o n r i g h t s h o u l d e r p o s i -t i o n )c a n g e t t h eh i g h e s t i d e n t i
f i c a t i o n p r e c i s i o n ,t h e o v e r a l l a c c u r a c y c a n r e a c h74.68%.K e y w o r d s :s p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r ;r e m o t e s e n s i n
g ;m i n e r a lm a p p i n g ;a i r b o r n e v i s i b l e i n f r a r e d i m a g i n g s p e c t r o m e t e r d a t a ;o p t i m u mi n d e x f a c t o r (O I F );C u p r i t em i n i n g a
r e a . 利用遥感手段可以从广域空间尺度二
多时相尺度下实现矿物信息的快速识别,缩短矿物填图时间,提高效率.高光谱遥感由于具有波段连续二波谱分辨
率高的特点可以在矿物类型识别中发挥重要作用,且已经在局部区域矿物填图等工作中得到广泛的应用(甘甫平和王润生,2007;王润生等,2010).
然而由
第8期韦晶等:基于光谱特征参数组合的高光谱数据矿物填图方法
于地表结构复杂二混合光谱及大气环境背景等因素的影响,高光谱遥感的矿物识别精度较低.
目前高光谱遥感矿物识别的方法主要分为4类:一是基于光谱反射率匹配的方法,该方法使用高光谱数据连续的光谱信息与地面实测光谱之间的相似性来确定矿物类型.该方法操作方便,易于实现,对于低植被覆盖二矿物裸露较好的区域的填图能够达到较高的精度(B a u g h e t a l.,1998;R o b i l a,2005; v a nd e rM e e r,2006;何中海和何彬彬,2011;张修宝等,2011),但对于有植被覆盖或碎屑覆盖的区域,因混合光谱的影响,矿物识别精度较低.二是基于特定矿物光谱特征参数的识别方法,该方法利用不同矿物类型在不同光谱波段所体现出的独特光谱吸收特征进行识别.在矿物类型单一的区域,该方法拥有较高的识别精度(C r o w l e y e ta l.,1989;甘甫平等, 2003,2004;许宁等,2011),对于矿物类型复杂区域,单一光谱特征参数很难区分出不同类型的矿物.三是混合像元分解技术,该方法能够实现混合矿物的有效分离(W ua n d M u r r a y,2003;余先川等,2014),但在背景复杂的区域,纯净端元获取精度较低,限制了该方法的应用.四是矿物类型智能识别方法,该方法以大量矿物光谱知识为基础,选取特征光谱参量,结合专家系统方法建立识别规则,能够实现矿物的自动或半自动化识别.但由于不同类型矿物波谱间的微小差异易受大气及环境背景影响,从而导致误判(王润生等,2007).
因此,现有的高光谱矿物识别方法容易受大气环境背景的影响,在复杂二未知类型的矿物识别中精度较低.针对上述问题,本文提出一种基于多类型光谱特征参数组合的矿物类型遥感识别方法.计算出多种光谱特征参数,并确定出最优的光谱特征参数组合,基于确定的光谱特征参数实现多类型矿物的识别.本文以资料丰富的二矿物类型多样的美国内华达州C u p r i t e矿区为实验区,利用机载可见/红外成像光谱仪(a i r b o r n ev i s i b l e i n f r a r e di m a g i n g s p e c-t r o m e t e r,A V I R I S)数据,展开矿物填图实验.选择目前被普遍认可的,由C l a r ka n dS w a y z e(1996)所做的矿物填图结果对实验结果进行精度验证.
1研究区概况与数据源
1.1研究区概况
C u p r i t e矿区位于美国内华达州(N e v a d a)内西南部奈伊县(N y e)和埃斯梅拉达县(E s m e r a l d a)州交界处(37.52?~37.57?N,117.17?~117.23?W),该地区植被稀疏,基岩裸露程度较高,主要出露岩层有寒武系沉积岩和变质沉积岩以及第三系火山岩和第四系冲积物.其中第三系火山岩热液蚀变特征明显,沿95号高速路两侧形成了南北细长的蚀变区,明显可分为泥化带二硅化带和蛋白石化带,由内到外呈同心圆状依次展布.其中泥化区的蚀变矿物主要有高岭石二蒙脱石和少量由火山玻璃生成的蛋白石;硅化区的主要蚀变矿物为石英和少量的方解石二明矾石和高岭石;蛋白石化带分布较为广泛,主要蚀变矿物为明矾石二浸染状蛋白石二方解石置换的蛋白石和高岭石等(S w a y z e,1997).自20世纪70年代以来,该地区因其丰富的矿物类型以及较好的裸露条件,被国内外学者选择为遥感地质研究的典型实验区(H o o k e ta l.,1992;v a n d e r M e e ra n d B a k k e r, 1997;甘甫平等,2003;C h e n e t a l.,2007).
1.2数据介绍与处理
选择覆盖美国内华达州C u p r i t e矿区的A V I R I S 高光谱数据,影像获取时间为2006年9月20日.
A V I R I S是由美国航空航天局(N A S A)和喷气动力实验室(j e t p r o p u l s i o n l a b o r a t o r y,J P L)联合研制的高光谱机载传感器,光谱覆盖范围为0.4~2.5μm,光谱分辨率为10n m,空间分辨率为20m,共224个波段, A V I R I S数据因其光谱分辨率和空间分辨率较高的特点被广泛应用到地质填图等应用中.
为了消除或减弱大气的散射和吸收对传感器接收到的地表反射和辐射能量的影响,准确获取A V I R I S数据的地表反射率信息,需要对该数据做大气校正处理.使用E N V I(t h e e n v i r o n m e n t f o r v i s-u a l i z i n g i m a g e s)中F L A A S H大气校正模块进行大气校正处理.F L A A S H模块是基于中分辨率大气辐射传输模型(m o d e r a t e r e s o l u t i o n a t m o s p h e r e t r a n s m i t t a n c e a n d r a d i a n c e c o d e,MO D T R A N)开发的大气校正模块,能够有效去除不同类型传感器受大气的影响(F e l d e e t a l.,2003)(图1).
由图1可以看出,大气校正后的A V I R I S数据在1450n m和1950n m附近有两个很明显的水汽吸收带,其受水汽影响明显,反射率值无效,而C u-p r i t e矿区矿物的吸收谱带主要集中分布在1300~ 2500n m的短波红外范围,因此,笔者选取A V I R I S 数据2000~2500n m范围内的50个短波红外波段进行矿物填图实验.
笔者选择美国地质调查局(U n i t e dS t a t e sG e o-l o g i c a l S u r v e y,U S G S)公布的C l a r k a n d S w a y z e
3341
地球科学
中国地质大学学报第40
卷
图1 A V I R I S 数据大气校正前后的光谱曲线
F i g .1S p e c t r u ma f t e r a t m o s p
h e r i c c o r r e c t i o no fA V I R I Sd a t a a 为大气校正前;b
为大气校正后
图2 U S G S 在C u p
r i t e 矿区的矿物填图结果F i g .2M i n e r a lm a p p i n g r e s u l t i n t h eC u p r i t em i n i n g a r e am a d eb y U
S G S (1996)利用A V I R I S 数据结合地面调查在C u p
r i t e 矿区的矿物填图结果作为验证数据(图2),红框内为
C u p
r i t e 矿区,该数据利用T r i c o r d e r 软件使用波形匹配和最小二乘拟合等技术生成,具有较高的准确性和矿物识别精度,已被广泛应用于C u p r i t e 矿区矿物识别结果验证等研究中(甘甫平等,2003;H u a n g a
n d 4
341
第8期韦晶等:基于光谱特征参数组合的高光谱数据矿物填图方法
H s u,2012;I o r d a c h e e t a l.,2014).笔者分别选取明矾石二高岭石二蒙脱石二白云母和方解石5种主要典型矿物进行矿物填图实验和结果对比分析.
2研究方法
2.1光谱特征参数计算
受电子跃迁和碳酸根二水分子等分子团振动的影响,不同类型岩石等地物的光谱曲线会出现很多精细的吸收带,不同地物类型的光谱诊断特征有不同程度的差异(C l a r k e t a l.,1990),当前表达诊断性光谱吸收特征的参数主要有吸收波谷位置(P)二吸收反射率(R p)二吸收宽度(W)二吸收对称度(S)二吸收深度(H)二吸收面积(A)二吸收斜率(K)及光谱吸收指数(S A I)等.定量分析光谱特征参数成为高光谱数据矿物识别的主要方法之一.在计算诊断性光谱吸收特征参数之前需要对原始影像进行包络线去除(K r u s e e t a l.,1985;C l a r ka n dS w a y z e,1995).包络线去除能够有效突出地物光谱的吸收特征,在增强地物光谱特征的同时,能够将反射率规格化到相同的背景上,并计算光谱吸收特征参数,以便与其他光谱的吸收特征相比较,进行光谱间匹配分析等(v a nd e rM e e r,2000;H u a n g e t a l.,2004).
如图3所示,每一个光谱吸收特征可以由光谱吸收波谷及两个吸收肩部S1和S2组成.各光谱吸收特征参数均使用包络线去除后的光谱进行计算,计算方法如下所述:吸收波谷位置P是吸收谱带反射率最低处的波长;吸收反射率R p指的是吸收波谷位置处的反射率值.
吸收宽度W定义为吸收谱带两肩的波谱带宽度,计算公式为:
W=λ2-λ1,(1)式中:λ1和λ2分别为吸收左肩和吸收右肩的波长.
吸收对称度S指过吸收波谷位置垂线左右两部分的对称程度,可用左(右)肩部距谷底的波长宽度与吸收宽度之比表示:
S=(λ1-P)/W.(2)
吸收深度H是指某一波段吸收范围内极小值的反射率值与1之差,如下所示:
H=1-R p.(3)
吸收面积A指吸收带曲线与两侧吸收肩部连线所围成的面积,是吸收深度一半处吸收峰的宽度与吸收深度的乘积,如下所示:
A=H W/(
)
图3光谱吸收特征参数示意
F i g.3T h es c h e m a t i cd i a g r a m o fs p e c t r a la b s o r p t i o n
c h a r a c t e r i s t i c p a r a m e t e r s
S1表示吸收谱带左侧的起始波长位置,称为吸收左肩位置,其计算方法为首先取P所在的波长位置作为初始值K(K?[1,50]),后由吸收波谷位置向左侧逐渐递减,直至满足公式(5)为止,此时所在的波长位置即为吸收左肩位置,式中(3)R为K波长位置处的反射率.
S2表示吸收谱带右侧的终止波长位置,称为吸收右肩位置,同样,以P所在的波长位置作为初始值K,后由吸收波谷位置向右侧逐渐递增,直至满足公式(5)为止,此时所在的波长位置即为吸收右肩位置. |1-R|=0.(5)
吸收斜率K定义为吸收谱带左右两侧吸收肩部间连线的斜率,则:
K=(R2-R1)/(λ2-λ1),(6)式中R1和R2分别为吸收左肩和吸收右肩的反射率.
光谱吸收指数S A I是指非吸收基线和吸收波谷底垂线交点的反射率与吸收反射率的比值,则: S A I=[W四R1+(1-W)四R2]/R p.(7) 2.2光谱特征参数组合的优选
从众多的光谱特征参数中,需选择最佳的组合,并且最大效率的为矿物类型识别提供信息,这是工作的重点.基于高光谱数据波段间的标准差越大,信息量越丰富,波段间的相关系数越小,波段间信息的冗余度越小的原理,C h a v e z e ta l.(1982)提出了最佳指数因子(o p t i m u mi n d e x f a c t o r,O I F)的波段组合选优方法,通过计算波段间的信息量,确定高光谱数据独立性最高二信息冗余最小的波段组合,该方法已被广泛应用到高光谱数据特征波段选择中(马娜等,2010).O I F的数学计算公式如下所示:
5341
地球科学 中国地质大学学报第40卷表1A V I R I S光谱特征参数影像O I F计算结果
T a b l e1T h e O I F c a l c u l a t i o n r e s u l to f A V I R I S s p e c t r a l
c h a r a c t e r i s t i c p a r a m e t e r s
排名特征参数1特征参数2特征参数3O I F
1W S S26529.2054
2P A S23166.0706
3P W S21869.8453
4P K S21658.9195
5W H S21179.3172
6P R K728.60190
7W A S A I520.42952
8P K S1321.25593
9K S1S2294.25942
10W H K258.37796
O I F= 3i=1S i/ 3j=1|R i j|,(8)
式中S i表示图像中第i个波段的标准差,其中3表
示假彩色合成影像共有3个波段,R i j表示波段i和
波段j之间的相关系数.
对于N个波段的图像,首先分别统计各个波段
的标准差,然后计算各波段间的相关系数矩阵,
再分
图4光谱特征参数影像假彩色合成影像
F i g.4F a l s e c o l o r c o m p o s i t i o n i m a g e o f c h a r a c t e r i s t i c p a r a m e t e r s i m a g e
a为W-S-S2彩色合成影像;b为P-A-S2彩色合成影像
别求出所有可能波段组合的O I F指数,进而根据
O I F值大小来判断各种特征波段组合的优越性.
O I F值越大,表示该参数组合所含的信息量越大,
波段间冗余越少,对O I F进行排序即可选出最优参
数组合.然而在实际应用中,该方法存在其局限性,
O I F值最高,信息量最大的波段组合未必是最优的
(苏红军和杜培军,2006).因此,最优波段组合的最
终选取还需要参照实际情况进行选择.
表1列出了O I F值排名前10位的光谱特征参
数组合.由表1可知吸收宽度W二吸收对称度S和
吸收右肩位置S2波段组合的O I F值最大,吸收波
谷位置P二吸收面积A和吸收右肩位置S2波段组
合的O I F值其次,然后通过遥感目视解译确定本文
研究所需的最优光谱特征参数组合.图4为O I F前
两名光谱特征参数假彩色合成影像.
2.3基于最佳特征参数组合的图像分类
最大似然法,又称为贝叶斯(B a y e s)分类法,该
方法以贝叶斯准则为理论基础,假设训练样本在光
谱空间中服从高斯正态分布,基于各类地物的特定
光谱特征,偏重于不同地物类别在光谱特征空间中
各自集群分布的特性,建立分类判别函数,分别统计
未知像元落入不同集群的概率,并将其作为判别函
数概率最大对应的依据.该分类算法整体分类精度
较高,已成为应用最为广泛的分类算法之一(F r i e d l
e t a l.,2002;W ua n dS h a o,2002).最大似然法的计
算公式为:
D=
l n(k i)-12l n|C o v i|-12(X-M i)T(C o v-1i)(X-M i),
(9)
式中D表示加权距离;i表示某一地物类别;X表
示像元的测量向量;M i表示类型i的样本平均矢
量;K i表示某一像元属于类别i的百分概率;C o v i
表示类别i训练样本中像元的协方差矩阵.
以获取的A V I R I S高光谱数据作为基准图像,
通过选取控制点对矿物填图验证数据(图3)进行地
图配准,使得配准后的两幅影像空间匹配误差在2
个像元以内.笔者利用光谱特征参数假彩色合成影
像,使用遥感目视解译手段从图3中分别选取明矾
石二高岭石二白云母二方解石及蒙脱石5类矿物训练
样本,并通过配准后的矿物填图结果中对各类别训
练样本进行修正,保证训练样本的准确性,使用最大
似然法对前两名光谱特征参数组合影像进行矿物填
图实验,图5为C u p r i t e矿区矿物识别结果.
6341
第8期 韦 晶等:
基于光谱特征参数组合的高光谱数据矿物填图方法图5 不同光谱特征参数组合的C u p
r i t e 矿区矿物填图结果F i g .5M i n e r a lm a p p i n g r e s u l t su n d e r d i f f e r e n t s p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r s c o m b i n a t i o n i nC u p
r i t e a 为W -S -S 2组合矿物填图结果;b 为P -A -S 2组合矿物填图结果
图5分别为W -S -S 2组合和P -A -S 2组合的矿物
填图结果,对比C l a r ka n dS w a y z e (1996)的矿物填图结果可以看出,矿物分布与图2的吻合程度较高.基于光谱特征参数组合分析的方法能够较好的识别C u p
r i t e 矿区明矾石二高岭石二白云母二方解石和蒙脱石5种典型矿物,由图5可以看出C u p r i t e 矿区西部地区主要以明矾石二高岭石和白云母矿物为主,以及一定量的方解石和蒙脱石矿物,矿物信息分布较为集中;东部地区主要以明矾石和高岭石为主,同时包含少量的白云母和蒙脱石矿物.整体看来,C u p r i t e 矿区中明矾石二高岭石和白云母矿物分布广泛,相对集中;
蒙脱石和方解石的含量相对较少,分布较为零散.3 结果验证与分析
为了验证本文方法对矿物类型的识别精度,在配准后的矿物填图结果中分别随机选取上述5类矿物验证样本,验证样本与训练样本相互独立,计算混淆矩阵和K a p p a 系数,对本文的矿物填图结果进行精度验证.
表2为W -S -S 2和P -A -S 2两种不同光谱特征参
数组合的矿物填图验证对比结果.验证结果表明基于
光谱特征参数组合分析的矿物填图方法具有较高的整体识别精度.其中W -S -S 2组合的矿物识别整体精
度为70.07%,K a p p a 系数为0.5805,而P -A -S 2组合矿物填图结果的整体精度达到74.68%,K a p p a 系数为0.6519,与前者相比,P -A -S 2组合优势更为明显.后者识别出的5类矿物类型的生产者精度大部分达到
65%以上,用户精度达到70%以上,
与验证数据的吻合程度较高.本文方法对白云母和方解石的识别效果最好,识别精度分别达到90.23%和88.95%;明矾石和高岭石的识别效果其次,两者识别混淆现象较为严重,原因是明矾石和高岭石常伴生交错分布,且矿物组成成分和光谱吸收特征较为类似,导致两者难以区分;蒙脱石的识别效果最差,识别精度仅为33.43%,原因是蒙脱石分布相对分散,常分布在高岭石和白云母周围,蒙脱石受周围的衍生矿物影响明显,且多以混合物形式存在,导致识别能力较差(C l a r k e ta l .,2003;H u a n g a
n dH s u ,2012).4 结论
本文提出了一种基于光谱特征参数组合的高光谱矿物信息识别方法,实现了多种光谱吸收特征参
表2 不同光谱特征参数组合的矿物填图精度对比分析
T a b l e 2C l a s s i f i c a t i o na c c u r a c i e s o fm i n e r a lm a p p i n g f o r d i f f e r e n t s p
e c t r a l c h a r a c t e r i s t i c p a r a m e t e r s c o m b i n a t i o n 精度评价
W -S -S 2组合
P -A -S 2组合
生产者精度(%)
用户精度(%)
生产者精度(%)
用户精度(%)
明矾石58.48
64.47
67.58
74.66
高岭石74.8466.0671.4971.17白云母88.7397.5790.2393.55蒙脱石18.1621.8233.4319.06方解石89.9485.02
88.95
84.72
K a p p
a 系数 0.5805 0.6519整体精度(%) 70.07
74.68
7
341
地球科学 中国地质大学学报第40卷
数在矿物类型识别中的综合应用.与传统的矿物类型识别方法相比,该方法在大气以及复杂环境背景的影响下,能保持较高的稳定性.笔者选择局部区域矿物类型复杂的美国内华达州C u p r i t e矿区为研究区,利用A V I R I S高光谱数据开展了矿物类型识别试验;计算了包括吸收波谷位置二吸收反射率二吸收宽度等10种光谱特征参数,通过O I F法确定出W-S-S2二P-A-S2等最优光谱特征参数组合,使用最大似然法进行矿物填图实验,提取出研究区包括明矾石二高岭石二蒙脱石二白云母和方解石等5类典型矿物的空间分布;使用C l a r k e t a l.(1996)在该区域的矿物填图数据对本文矿物填图结果进行了评价,得到以下结论:该方法在矿物类型识别中总体达到了较高的精度,多种光谱特征参数组合的矿物类型识别结果对比表明,P-A-S2光谱特征参数组合提取矿物类型精度最高,整体矿物识别精度达到74.68%,不同的矿物类型其识别精度有一定的差异,其中白云母的识别精度最高,识别精度达到90.23%.本文提出的矿物类型识别方法为高光谱矿物识别提供了一种新思路,可为以后使用高光谱遥感手段进行矿物类型识别中不同信息的综合应用提供借鉴.
R e f e r e n c e s
B a u g h,W.M.,K r u s e,F.A.,A t k i n s o n,W.W.,1998.Q u a n t i t a-t i v e G e o c h e m i c a l M a p p i n g o fA mm o n i u m M i n e r a l si n t h eS o u t h e r n
C e d a rM o u n t a i n s,N e v a d a,U s i n g t h eA i r-
b o r n e V i s i b l e/I n f r a r e d I m a g i n g S p e
c t r o m e t e r
(A V I R I S).R e m o t eS e n s i n g o f E n v i r o n m e n t,65(3): 292-308.d o i:10.1016/s0034-4257(98)00039-x
C h a v e z,P.S.,B e r l i n,G.L.,S o w e r s,L.B.,1982.S t a t i s t i c a l
M e t h o d f o rS e l e c t i n g L a n d s a t M S S R a t i o s.J o u r n a lo f A p p l i e dP h o t o g r a p h i cE n g i n e e r i n g,8(1):23-30.
C h e n,X.F.,W a r n e r,T.A.,C a m p a g n a,D.J.,2007.I n t e g r a t i n g
V i s i b l e,N e a r-I n f r a r e da n dS h o r t-W a v e I n f r a r e d H y p e r-s p e c t r a la n d M u l t i s p e c t r a lT h e r m a l I m a g e r y f o r G e o-l o g i c a lM a p p i n g a tC u p r i t e,N e v a d a.R e m o t eS e n s i n g o f E n v i r o n m e n t,110(3):344-356.d o i:10.1016/j.r s e. 2007.03.015
C l a r k,R.N.,K i n g,T.V.V.,K l e j w a,M.,e ta l.,1990.H i g h
S p e c t r a lR e s o l u t i o nR e f l e c t a n c eS p e c t r o s c o p y o fM i n e r-a l s.J o u r n a l o f G e o p h y s i c a lR e s e a r c h,95(B8):12653-12680.d o i:10.1029/j b095i b08p12653
C l a r k,R.N.,S w a y z e,G.A.,1995.M a p p i n g M i n e r a l,A m o r-
p h o u s M a t e r i a l s,E n v i r o n m e n t a lM a t e r i a l s,V e g e t a t i o n, W a t e r,I c ea n dS n o w,a n d O t h e r M a t e r i a l s:T h e U S G S
T r i c o r d e r A l g o r i t h m.S u mm a r i e so ft h e F i f t h A n n u a l
J P L A i r b o r n e E a r t h S c i e n c e W o r k s h o p,J P L P u b l i c a-t i o n,39-40.
C l a r k,R.N.,S w a y z e,G.A.,1996.E v o l u t i o n i nI m a g i n g S p e c-t r o s c o p y A n a l y s i sa n dS e n s o rS i g n a l-t o-N o i s e:A ne x-a m i n a t i o no fH o w F a r W e H a v eC o m e.S u m m a r i e so f t h e6t h A n n u a lJ P L A i r b o r n eG e o s c i e n c e s W o r k s h o p, J P LP u b l i c a t i o n,96(4):49-53.
C l a r k,R.N.,S w a y z e,G.A.,L i v o,K.E.,e ta l.,2003.I m a g i n g S p e c t r o s c o p y:E a r t h a n dP l a n e t a r y R e m o t e S e n s i n g w i t h t h eU S G ST e t r a c o r d e r a n dE x p e r t S y s t e m s.J o u r n a l o f G e o p h y s i c a lR e s e a r c h,108(E12):5131-5135.d o i:10. 1029/2002j e001847
C r o w l e y,J.K.,B r i c k e y,D.W.,R o w a n,L.C.,1989.A i r b o r n e I m a g i n g S p e c t r o m e t e r
D a t a o ft h e R u b y M o u n t a i n s,
M o n t a n a:M i n e r a l D i s c r i m i n a t i o n U s i n g R e l a t i v e A b-s o r p t i o nB a n d-D e p t hI m a g e s.R e m o t eS e n s i n g o f E n v i-r o n m e n t,29(2):121-134.d o i:10.1016/0034-4257
(89)90021-7
F r i e d l,M.A.,M c I v e r,D.K.,H o d g e s,J.C.F.,e t a l.,2002.
G l o b a l
L a n dC o v e rM a p p i n g f r o m M O D I S:A l g o r i t h m s a n dE a r l y R e s u l t s.R e m o t eS e n s i n g o f E n v i r o n m e n t,83(1-2):287-302.d o i:10.1016/s0034-4257(02)00078-0
F e l d e,G.W.,A n d e r s o n,G.P.,C o o l e y,T.W.,e ta l.,2003.A-n a l y s i so f H y p e r i o n D a t a w i t ht h eF L A A S H A t m o s-p h e r i cC o r r e c t i o n A l g o r i t h m.I E E EI n t e r n a t i o n a l
G e o-s c i e n c ea n d R e m o t eS e n s i n g S y m p o s i u m(I G A R S S),
(1):90-92.d o i:10.1109/I G A R S S.2003.1293688
G a n,F.P.,L i u,S.W.,Z h o u,Q.,2004.I d e n t i f i c a t i o no fM i n i n g
P o l l u t i o nU s i n g H y p e r i o nD a t aa tD e x i n g C o p p e rM i n e i nJ i a n g x iP r o v i n c e,C h i n a.E a r t hS c i e n c e J o u r n a lo f C h i n aU n i v e r s i t y o f G e o s c i e n c e s,29(1):119-126(i n
C h i n e s ew i t hE n g l i s ha b s t r a c t).
G a n,F.P.,W a n g,R.S.,2007.T h eA p p l i c a t i o no f t h e H y p e r-s p e c t r a l I m a g i n g T e c h n i q u e t oG e o l o g i c a l I n v e s t i g a t i o n. R e m o t eS e n s i n g f o rL a n d&R e s o u r c e s,19(4):57-60, 127-128(i nC h i n e s ew i t hE n g l i s ha b s t r a c t).
G a n,F.P.,W a n g,R.S.,M a,A.N.,2003.S p e c t r a l I d e n t i f i c a t i o n
T r e e(S I T)f o r M i n e r a lE x t r a c t i o n B a s e do nS p e c t r a l
C h a r a c t e r i s t i c s o fM i n e r a l s.E a r t hS c i e n c eF r o n t i e r s,10
(2):445-454(i nC h i n e s ew i t hE n g l i s ha b s t r a c t).
H e,Z.H.,H e,B.B.,2011.W e i g h tS p e c t r a l A n g l e M a p p e r
(W S AM)M e t h o d f o rH y p e r s p e c t r a lM i n e r a lM a p p i n g. S p e c t r o s c o p y a n d S p e c t r a l A n a l y s i s,31(8):2200-2204(i nC h i n e s ew i t hE n g l i s ha b s t r a c t).
H o o k,S.J.,G a b e l l,A.R.,G r e e n,A.A.,e ta l.,1992.A C o m-p a r i s o no fT e c h n i q u e s f o rE x t r a c t i n g E m i s s i v i t y I n f o r-
m a t i o n f r o m T h e r m a l I n f r a r e dD a t a f o rG e o l o g i cS t u d-i e s.R e m o t eS e n s i n g o f E n v i r o n m e n t,42(2):123-135.
8341
第8期韦晶等:基于光谱特征参数组合的高光谱数据矿物填图方法
d o i:10.1016/0034-4257(92)90096-3
H u a n g,X.M.,H s u,P.H.,2012.C o m p a r i s o m o f W a v e l e t-
B a s e da n dHH T-B a s e dF e a t u r eE x t r a c t i o n M e t h o d s f o r
H y p e r s p e c t r a l I m a g e C l a s s i f i c a t i o n.I S P R S-I n t e r n a-t i o n a lA r c h i v e s o f t h eP h o t o g r a mm e t r y,R e m o t eS e n s-i n g a n d S p a t i a lI n f o r m a t i o n S c i e n c e s,X X X I X-B7:
121-126.d o i:10.5194/i s p r s a r c h i v e s-X X X I X-B7-
121-2012
H u a n g,Z.,T u r n e r,B.J.,D u r y,S.J.,e ta l.,2004.E s t i m a t i n g
F o l i a g e N i t r o g e n C o n c e n t r a t i o n f r o m H YMA P D a t a
U s i n g C o n t i n u u m R e m o v a l A n a l y s i s.R e m o t e S e n s i n g o f
E n v i r o n m e n t,93(1-2):18-29.d o i:10.1016/j.r s e.
2004.06.008
I o r d a c h e,M.D.,B i o u c a s-D i a s,J.M.,P l a z a,A.,2014.C o l l a b o-
r a t i v eS p a r s eR e g r e s s i o nf o r H y p e r s p e c t r a lU n m i x i n g.
I E E ET r a n s a c t i o n s o nG e o s c i e n c e a n dR e m o t e S e n s i n g,
52(1):341-354.d o i:10.1109/T G R S.2013.2240001
K r u s e,F.A.,R a i n e s,G.L.,W a t s o n,K.,1985.A n a l y t i c a l
T e c h n i q u e sf o r E x t r a c t i n g G e o l o g i cI n f o r m a t i o nf r o m
M u l t i c h a n n e lA i r b o r n eS p e c t r o r a d i o m e t e rA i r b o r n e I m-
a g i n g S p e c t r o m e t e r D a t a.P r o c e e d i n g s,I n t e r n a t i o n a l
S y m p o s i u m o n R e m o t eS e n s i n g o fE n v i r o n m e n t,T h e-
m a t i cC o n f e r e n c eo n R e m o t eS e n s i n g f o r E x p l o r a t i o n
G e o l o g y,4t h,E n v i r o n m e n t a l R e s e a r c h I n s t i t u t e o f
M i c h i g a n,A n nA r b o r.
M a,N.,H u,Y.F.,Z h u a n g,D.F.,e ta l.,2010.D e t e r m i n a t i o n
o n t h eO p t i m u m B a n dC o m b i n a t i o no f H J-1A H y p e r-s p e c t r a lD a t a i n t h eC a s eR e g i o no fD o n g g u a nB a s e do n
O p t i m u mI n d e xF a c t o r a n dJ-M D i s t a n c e.R e m o t eS e n s-i n g T e c h n o l o g y a n dA p p l i c a t i o n,25(3):358-365(i n
C h i n e s ew i t hE n g l i s ha b s t r a c t).
R o b i l a,S.A.,2005.U s i n g S p e c t r a lD i s t a n c e sf o rS p e e d u p i n
H y p e r s p e c t r a l I m a g eP r o c e s s i n g.I n t e r n a t i o n a lJ o u r n a l o f R e m o t eS e n s i n g,26(24):5629-5650.d o i:10.1080/
01431160500168728
S u,H.J.,D u,P.J.,2006.S t u d y o nF e a t u r eS e l e c t i o na n dE x-t r a c t i o no f H y p e r s p e c t r a lD a t a.R e m o t eS e n s i n g T e c h-n o l o g y a n dA p p l i c a t i o n,21(4):288-293(i nC h i n e s e
w i t hE n g l i s ha b s t r a c t).
S w a y z e,G.A.,1997.T h eH y d r o t h e r m a l a n dS t r u c t u r a lH i s t o-r y o f t h eC u p r i t eM i n i n g D i s t r i c t,S o u t h w e s t e r nN e v a d-a:A nI n t e g r a t e d G e o l o g i c a l a n d G e o p h y s i c a lA p p r o a c h
(D i s s e r t a t i o n).U n i v e r s i t y o fC o l o r a d o a tB o u l d e r,U S A. v a nd e r M e e r,F.,B a k k e r,W.,1997.C C S M:C r o s sC o r r e l o-
g r a mS p e c t r a lM a t c h i n g.I n t e r n a t i o n a lJ o u r n a lo f R e-
m o t e S e n s i n g,18(5):1197-1201.d o i:10.1080/
014311697218674
v a nd e rM e e r,F.,2000.S p e c t r a l C u r v e S h a p eM a t c h i n g w i t h a
C o n t i n u u m R e m o v e d C C S M A l g o r i t h m.I n t e r n a t i o n a l J o u r n a l o f R e m o t eS e n s i n g,21(16):3179-3185.d o i: 10.1080/01431160050145063
v a nd e rM e e r,F.,2006.T h eE f f e c t i v e n e s s o f S p e c t r a l S i m i l a r-i t y M e a s u r e s f o r t h eA n a l y s i so fH y p e r s p e c t r a l I m a g e-r y.I n t e r n a t i o n a lJ o u r n a lo f A p p l i e d E a r t h O b s e r v a-t i o na n dG e o i n f o r m a t i o n,8(1):3-17.d o i:10.1016/j. j a g.2005.06.001
W a n g,R.S.,G a n,F.P.,Y a n,B.K.,e t a l.,2010.H y p e r s p e c t r a l
M i n e r a lM a p p i n g a n dI t s A p p l i c a t i o n.R e m o t eS e n s i n g f o rL a n d&R e s o u r c e s,(1):1-13(i n C h i n e s e w i t h
E n g l i s ha b s t r a c t).
W a n g,R.S.,Y a n g,S.M.,Y a n,B.K.,2007.A R e v i e wo fM i n-e r a lS p e c t r a lI d e n t i f i c a t i o n M e t h o d sa n d M o d e l s w i t h I m a g i n g S p e c t r o m e t e r.R e m o t eS e n s i n g f o rL a n d&R e-s o u r c e s,(1):1-9(i nC h i n e s ew i t hE n g l i s ha b s t r a c t). W u,C.S.,M u r r a y,A.T.,2003.E s t i m a t i n g I m p e r v i o u s S u r f a c e
D i s t r i b u t i o nb y S p e c t r a lM i x t u r eA n a l y s i s.R e m o t e S e n s-i n g o f
E n v i r o n m e n t,84(4):493-505.d o i:10.1016/ s0034-4257(02)00136-0
W u,W.,S h a o,G.F.,2002.O p t i m a lC o m b i n a t i o n so fD a t a,
C l a s s i f i e r s,a n dS a m p l i n g M e t h o d s f o rA c c u r a t eC h a r a c-t e r i z a t i o n so f
D e f o r e s t a t i o n.C a n a d i a nJ o u r n a lo f R e-m o t eS e n s i n g,28(4):601-609.d o i:10.5589/m02-050 X u,N.,H u,Y.X.,L e i,B.,e ta l.,2011.M i n e r a l I n f o r m a t i o n
E x t r a c t i o n f o rH y p e r s p e c t r a l I m a g eB a s e do n M o d i f i e d
S p e c t r a lF e a t u r eF i t t i n g A l g o r i t h m.S p e c t r o s c o p y a n d S p e c t r a lA n a l y s i s,31(6):1639-1643(i nC h i n e s ew i t h
E n g l i s ha b s t r a c t).
Y u,X.C.,X i o n g,L.P.,X u,J.D.,e t a l.,2014.M i n e r a lM a p p i n g
B a s e do nS e c o n d a r y S c a t t e r i n g M i x t u r e M o d e l.R e m o t e S e n s i n gf o r L a n d&R e s o u r c e s,26(2):60-68(i n
C h i n e s ew i t hE n g l i s ha b s t r a c t).
Z h a n g,X.B.,Y u a n,Y.,J i n g,J.J.,e ta l.,2011.S p e c t r a lD i s-c r i m i n a t i o n M e t h o dI n f o r m a t i o n D i v e r g e n c eC o m b i n e d
w i t hG r a d i e n tA n g l e.S p e c t r o s c o p y a n dS p e c t r a lA n a l-y s i s,31(3):853-857(i n C h i n e s e w i t h E n g l i s ha b-s t r a c t).
附中文参考文献
甘甫平,刘圣伟,周强,2004.德兴铜矿矿山污染高光谱遥感直接识别研究.地球科学 中国地质大学学报,29
(1):119-126.
甘甫平,王润生,2007.高光谱遥感技术在地质领域中的应用.
国土资源遥感,19(4):57-60,127-128.
甘甫平,王润生,马蔼乃,2003.基于特征谱带的高光谱遥感矿物谱系识别.地学前缘,10(2):445-454.
何中海,何彬彬,2011.基于权重光谱角制图的高光谱矿物填
9341
地球科学 中国地质大学学报第40卷
图方法.光谱学与光谱分析,31(8):2200-2204.
马娜,胡云峰,庄大方,等,2010.基于最佳波段指数和J-M距离可分性的高光谱数据最佳波段组合选取研究.遥感
技术与应用,25(3):358-365.
苏红军,杜培军,2006.高光谱数据特征选择与特征提取研究.
遥感技术与应用,21(4):288-293.
王润生,杨苏明,阎柏琨,2007.成像光谱矿物识别方法与识别模型评述.国土资源与遥感,(1):1-9.
王润生,甘甫平,闫柏琨,等,2010.高光谱矿物填图技术与应
用研究.国土资源遥感,(1):1-13.
许宁,胡玉新,雷斌,等,2011.基于改进光谱特征拟合算法的高光谱数据矿物信息提取.光谱学与光谱分析,31(6): 1639-1643.
余先川,熊利平,徐金东,等,2014.基于二次散射非线性混合模型的矿物填图方法.国土资源遥感,26(2):60-68.张修宝,袁艳,景娟娟,等,2011.信息散度与梯度角正切相结合的光谱区分方法.光谱学与光谱分析,31(3): 853-857.
*********************************************
(上接1390页)
Z h a n g,H.A.,Z h u,Y.H.,1994.A p p l i c a t i o no fL a n d s a tTM D a t at o L a n d u s eC l a s s i f i c a t i o na n d T h e m a t i cI n f o r m a-t i o n E x t r a c t i o ni n S u b t r o p i c a lE c o n o m i c F o r e s tZ o n e. R e m o t eS e n s i n g f o rL a n d&R e s o u r c e s,(2):52-54(i n C h i n e s ew i t hE n g l i s ha b s t r a c t).
Z h a o,P.D.,C h e n,Y.Q.,2011.T h e o r i e sa n d A p p r o a c h e so n S c i e n t i f i c T a r g e t i n g a t M i n e r a l D e p o s i t e s.E a r t h S c i-
e n c e J o u r n a l o
f C h i n a U n i v e r s i t y o f G e o s c i e n c e s,36
(2):181-188(i nC h i n e s ew i t hE n g l i s ha b s t r a c t).
Z h a o,T.Y.,Z h o u,K.F.,Z h a n g,X.F.,e t a l.,2007.A p p l i c a t i o n o fO p h i o l i t eR e f l e c t a n c eS p e c t r a i n W e s tJ u n g g a rA r e a
B a s e do n W a v e l e tT r a n s f o r m.N o r t h w e s t e r nG e o l o g y,40
(4):87-93(i nC h i n e s ew i t hE n g l i s ha b s t r a c t).
附中文参考文献
陈翠华,倪师军,何彬彬,等,2005.G I S技术支持下的江西德兴地区矿山环境地球化学质量评价.成都理工大学学报
(自然科学版),6(7):86-92.
龚星,陈植华,罗朝晖,2014.罗河铁矿水文地球化学特征及成因.地球科学 中国地质大学学报,39(3): 293-302.杭小帅,周健民,王火焰,等,2007.粘土矿物修复重金属污染土壤.环境工程学报,1(9):113-120.
李晓峰,华仁民,杨凤根,等,2002.金山金矿K-A r年龄及其对赣东北构造演化的指示意义.岩石矿物学杂志,21
(1):49-54.
李晓峰,王春增,易先奎,等,2007.德兴金山金矿田不同尺度构造特征及其与成矿作用的关系.地质论评,53(6): 774-785.
李晓峰,易先奎,朱和平,2009.德兴金山金矿床成矿流体来源:小尺度构造和同位素地球化学证据.矿床地质,28
(1):42-52.
汤艳杰,贾建业,谢先德,2002.粘土矿物的环境意义.地学前缘,9(2):337-344.
谢伯承,薛绪掌,刘伟东,等,2005.基于包络线法对土壤光谱特征的提取及其分析.土壤学报,42(1):171-175.张华安,朱永豪,1994.土壤中粘土矿物的反射光谱定量分析.
国土资源遥感,(2):52-54.
赵鹏大,陈永清,2011.科学选靶的理论与途径.地球科学 中国地质大学学报,36(2):181-188.
赵同阳,周可法,张晓帆,等,2007.基于小波变换的反射光谱分析在蛇绿岩识别中的应用研究.西北地质,40(4): 87-93.
0441
第40卷第8期 地球科学 中国地质大学学报V o l .40 N o.8 2015年8月 E a r t hS c i e n c e J o u r n a l o fC h i n aU n i v e r s i t y o fG e o s c i e n c e s A u g . 2015d o i :10.3799/d q k x .2015.130基金项目:国家科技支撑计划课题项目(N o .2012B A H 27B 04). 作者简介:韦晶(1991-),男,硕士,主要从事定量遥感方面研究.E -m a i l :w e i j i n g _r s @163.c o m *通讯作者:明艳芳,E -m a i l :m y f 414@163.c o m 引用格式:韦晶,明艳芳,刘福江,2015.基于光谱特征参数组合的高光谱数据矿物填图方法.地球科学 中国地质大学学报,40(8):1432-1440. 基于光谱特征参数组合的高光谱数据矿物填图方法 韦 晶1,明艳芳1*,刘福江2 1.山东科技大学测绘科学与工程学院,山东青岛266590 2.中国地质大学信息工程学院,湖北武汉430074 摘要:受大气环境等因素的影响,高光谱遥感矿物识别难以达到较高的精度.为解决该问题,根据光谱吸收特征参数在大气变化中能保持相对稳定的特点,提出一种基于光谱特征参数组合的高光谱矿物类型识别方法.文中计算了多种光谱特征参数,通过最佳指数因子(o p t i m u mi n d e x f a c t o r ,O I F )优选特征参数组合,选定最佳特征参数组合,利用模式识别方法实现矿物识别.利用机载可见/红外成像光谱仪(a i r b o r n e v i s i b l e i n f r a r e d i m a g i n g s p e c t r o m e t e r ,A V I R I S )高光谱数据,在美国内华达州C u p r i t e 矿区进行了该方法的应用试验研究,并与前人矿物填图结果做了对比.结果表明:吸收波谷位置-吸收面积-吸收右肩位置(P -A -S 2) 光谱特征参数组合的矿物识别效果最优,整体精度达到74.68%.关键词:光谱吸收特征参数;遥感;矿物填图;机载可见/红外成像光谱仪数据;最佳指数因子;C u p r i t e 矿区.中图分类号:P 575.4;P 237 文章编号:1000-2383(2015)08-1432-09 收稿日期:2015-04-02 H y p e r s p e c t r a lM i n e r a lM a p p i n g M e t h o dB a s e do n S p e c t r a l C h a r a c t e r i s t i cP a r a m e t e rC o m b i n a t i o n W e i J i n g 1,M i n g Y a n f a n g 1*,L i uF u j i a n g 2 1.C o l l e g e o f G e o m a t i c s ,S h a n d o n g U n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y ,Q i n g d a o 266590,C h i n a 2.F a c u l t y o f I n f o r m a t i o nE n g i n e e r i n g ,C h i n aU n i v e r s i t y o f G e o s c i e n c e s ,W u h a n 430074,C h i n a A b s t r a c t :I n f l u e n c e db y t h ea t m o s p h e r i ce n v i r o n m e n ta n do t h e rf a c t o r s ,t h e m i n e r a l r e c o g n i t i o n w i t h h y p e r s p e c t r a lr e m o t e s e n s i n g i s d i f f i c u l t t o a c h i e v e a h i g h a c c u r a c y .T o i m p r o v e t h e a c c u r a c y o f t h em i n e r a l i d e n t i f i c a t i o nw i t h s u c h t e c h n o l o g y ,a h y -p e r s p e c t r a lm i n e r a l r e c o g n i t i o nm e t h o db a s e do ns p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r c o m b i n a t i o n ,w h i c hc a n m a i n t a i nr e l a t i v e l y s t a b l e c h a r a c t e r i s t i c sw i t ht h ea t m o s p h e r i cc h a n g e s ,i s p r o p o s e d i nt h i s p a p e r .V a r i o u ss p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r sa r e c a l c u l a t e d ,a n dt h eo p t i m a l c o m b i n a t i o no f t h e p a r a m e t e r s i ss e l e c t e dt h r o u g ht h eo p t i m u mi n d e xf a c t o r (O I F ),b a s e do n w h i c h ,m i n e r a l i d e n t i f i c a t i o n i s r e a l i z e dw i t h p a t t e r n r e c o g n i t i o nm e t h o d .B a s e do n t h e a b o v em e t h o d ,m i n e r a l t y p e i d e n t i f i c a -t i o n t e s t i s c a r r i e do u t i nC u p r i t em i n e o fN e v a d a ,w i t h a i r b o r n e v i s i b l e i n f r a r e d i m a g i n g s p e c t r o m e t e r (A V I R I S )h y p e r s p e c t r a l d a t a .T h e r e s u l t s a r e c o m p a r e dw i t h t h ew o r ko f p r e v i o u sm i n e r a lm a p p i n g ,i t s h o w s t h a t t h e c o m b i n a t i o n o f t h e s p e c t r a l c h a r -a c t e r i s t i c p a r a m e t e r s ,P -A -S 2(P i s a b s o r p t i o nw a v e t r o u g h p o s i t i o n ,Ai s a b s o r p t i o n a r e a ,S 2i s a b s o r p t i o n r i g h t s h o u l d e r p o s i -t i o n )c a n g e t t h eh i g h e s t i d e n t i f i c a t i o n p r e c i s i o n ,t h e o v e r a l l a c c u r a c y c a n r e a c h74.68%.K e y w o r d s :s p e c t r a l c h a r a c t e r i s t i c p a r a m e t e r ;r e m o t e s e n s i n g ;m i n e r a lm a p p i n g ;a i r b o r n e v i s i b l e i n f r a r e d i m a g i n g s p e c t r o m e t e r d a t a ;o p t i m u mi n d e x f a c t o r (O I F );C u p r i t em i n i n g a r e a . 利用遥感手段可以从广域空间尺度二 多时相尺度下实现矿物信息的快速识别,缩短矿物填图时间,提高效率.高光谱遥感由于具有波段连续二波谱分辨 率高的特点可以在矿物类型识别中发挥重要作用,且已经在局部区域矿物填图等工作中得到广泛的应用(甘甫平和王润生,2007;王润生等,2010). 然而由
高光谱数据处理基本流 程 The document was finally revised on 2021
高光谱分辨率遥感 用很窄（10-2l）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，每个像元均可提取一条连续的光谱曲线，因此高光谱遥感又通常被称为成像光谱（Imaging Spectrometry）遥感。 高光谱遥感具有不同于传统遥感的新特点： （1）波段多——可以为每个像元提供几十、数百甚至上千个波段； （2）光谱范围窄——波段范围一般小于10nm； （3）波段连续——有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； （4）数据量大——随着波段数的增加，数据量成指数增加； （5）信息冗余增加——由于相邻波段高度相关，冗余信息也相对增加。 优点： （1）有利于利用光谱特征分析来研究地物； （2）有利于采用各种光谱匹配模型； （3）有利于地物的精细分类与识别。 ENVI高光谱数据处理流程： 一、图像预处理 高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气纠正。辐射校正一般由数据提供商完成。 二、显示图像波谱 打开高光谱数据，显示真彩色图像，绘制波谱曲线，选择需要的光谱波段进行输出。 三、波谱库 1、标准波谱库 软件自带多种标准波谱库，单击波谱名称可以显示波谱信息。 2、自定义波谱库
ENVI提供自定义波谱库功能，允许基于不同的波谱来源创建波谱库，波谱来源包括收集任意点波谱、ASCII文件、由ASD波谱仪获取的波谱文件、感兴趣区均值、波谱破面和曲线等等。 3、波谱库交互浏览 波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注记、优化显示曲线等 四、端元波谱提取 端元的物理意义是指图像中具有相对固定光谱的特征地物类型，它实际上代表图像中没有发生混合的“纯点”。 端元波谱的确定有两种方式： （1）使用光谱仪在地面或实验室测量到的“参考端元”，一般从标准波谱库选择； （2）在遥感图像上得到的“图像端元”。 端元波谱获取的基本流程： （1）MNF变换 重要作用为：用于判定图像内在的维数；分离数据中的噪声；减少计算量；弥补了主成分分析在高光谱数据处理中的不足。 （2）计算纯净像元指数PPI PPI生成的结果是一副灰度的影像，DN值越大表明像元越纯。 作用及原理：
高光谱遥感在找矿中的应用 1001113309 林良平 摘要：高光谱遥感技术矿物光谱识别机理，较详细地介绍了高光谱数据处理和分析技术及发展程度，并系统地阐述了国内外高光谱遥感技术在矿产资源调查应用方面的发展概况，最后指出了高光谱在矿产资源调查领域中的应用及其发展方向。 关键词：高光谱遥感；数据处理技术；矿产资源调查 Application of Hyperspectral Remote Sensing on Mineral Exploration 1001113309 Liangping Lin Abstract：Hyperspectral remote sensing technology mineral spectrum recognition mechanism, the paper introduces in detail the high spectral data processing and analysis technology and development degree, and systematically elaborated the hyperspectral remote sensing technology at home and abroad in mineral resource survey the general situation of the development of application, and finally points out the high spectrum in the mineral resources in the field of investigation application and development direction. Key words：Hyperspectral remote sensing; Data processing technology; Mineral resource survey 0 引言 所谓高光谱遥感，是在紫外到中红外波段范围内，划分成许多非常窄却光谱连续的图像数据来进行探测的影像数据技术，这项技术起源于20世纪80年代，由于高光谱数据是一个光谱图像的立方体，其空间图像维描述地表二维空间特征，其光谱维揭示图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱维信息的有机融合。能够提供更为丰富的地面信息，因此受到国内外学者的广泛关注[1][2]。 矿物识别是高光谱最能发挥优势的领域之一，高光谱数据立方体蕴含着丰富的矿物学信息。一般而言，在岩体侵位以及地质构造等地质作用下，热液侵入、物质置换等使源于矿体的矿物质发生扩散作用，使在“未蚀变”围岩中产生用岩石学方法难以直接识别的细微成分的变化，而这些成分的变化却在矿物光谱中有着或强或弱的表现，如富铝云母与贫铝云母在2000～2500nm光谱区间的最大吸收位置发生漂移。因此，利用高光谱遥感技术不仅可以实现矿物种类的识别，也可以通过对这些细微的变化的探测，实现对地质作用演化信息的探测。
高光谱遥感及其发展与应用综述 摘要：高光谱遥感是20世纪80年代兴起的新型对地观测技术。文中归纳了高光谱遥感技术波段多、波段宽度窄，光谱分辨率高，数据量大、信息冗余，“图谱合一”等特点，具有近似连续的地物光谱信息、地表覆盖的识别能力极大提高、地形要素分类识别方法灵活多样、地形要素的定量或半定量分类识别成为可能等优势，简单介绍了高光谱遥感在国外及国内的发展情况。在此基础上，概述了高光谱遥感在地质矿产、植被生态、大气科学、海洋、农业等领域的应用。 关键词：高光谱遥感；发展；应用 1高光谱遥感 高光谱分辨率遥感是指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据。它的基础是测谱学。测谱学早在20世纪初就被用于识别分子和原子及其结构，20世纪80年代才开始建立成像光谱学。它是在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个象元提供数十至数百个窄波段光谱信息，能产生一条完整而连续的光谱曲线。 1.1高光谱遥感的特点 （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。 （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。（4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2高光谱的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势: (1)蕴含着近似连续的地物光谱信息。高光谱影像经过光谱反射率重建，能获取地物近似连续的光谱反射率曲线，与地面实测值相匹配，将实验室地物光谱分析模型应用到遥感过程中。 (2)地表覆盖的识别能力极大提高。高光谱数据能够探测具有诊断性光谱吸收特征的物质，能够准确区分地表植被覆盖类型、道路的铺面材料等。
1.高光谱分辨率遥感:用很窄（0.01波长）而连续的光谱通道对地物持续遥感成像的技术。在可见光、近红外、短波红外和热红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的。 2.高光谱遥感特点：波段多,数据量大；光谱范围窄(高光谱分辨率)；在成像范围内连续成像；信息冗余增加 3. 高光谱遥感的发展趋势（1）遥感信息定量化（2）“定性”、“定位”一体化快速遥感技术 4.光谱特征的产生机理：在绝对温度为0K以上时，所有物体都会发射电磁辐射，也会吸收、反射其他物体发射的辐射。高光谱遥感准确记录电磁波与物质间的这种作用随波长大小的变化，通过反映出的作用差异，提供丰富的地物信息，这种信息是由地物的宏观特性和微观特性共同决定的。宏观特性:分布、粗糙度、混杂微观特性:物质结构 6.典型地物反射：水体的反射主要在蓝绿光波段，其他波段吸收都很强，特别到了近红外波段，吸收就更强，所以水体在遥感影像上常呈黑色。 植被的反射波谱特征：①可见光波段有一个小的反射峰，位置在0.55um处，两侧 0.45um(蓝)和0.67um(红)则有两个吸收带。这一特征是叶绿素的影响。②在近红外波段(0.7-0.8um)有一反射的“陡坡”（被称为“红边”)，至1.1um附近有一“峰值”，形成植被的独有特征。这一特征由于植被结构引起。③在中红外波段(1.3-2.5um) ，反射率大大下降，特别以1.45um和1.95um为中心是水的吸收带，形成低谷。 土壤:由于土壤反射波谱曲线呈比较平滑的特征，所以在不同光谱段的遥感影像上，土壤的亮度区别不明显.自然状态下土壤表面的反射率没有明显的峰值和谷值，一般来讲土质越细反射率越高，有机质含量越高和含水量越高反射率越低，此外土类和肥力也会对反射率产生影响。 6.野外光谱测量的影响因素（1）大气透射率（2）水蒸气3）风（4）观测几何 7.地面光谱的测量方法：实验室测量，野外测量 8.垂直与野外测量的区别:垂直测量：为使所有数据能与航空、航天传感器所获得的数据进行比较，一般情况下测量仪器均用垂直向下测量的方法，以便与多数传感器采集数据的方向一致。由于实地情况非常复杂，测量时常将周围环境的变化忽略，认为实际目标与标准板的测量值之比就是反射率之比。 野外测量（非垂直测量）：在野外更精确的测量是测量不同角度的方向反射比因子。 凝视时间：探测器的瞬时视场角扫过地面分辨单元的时间称为凝视时间（dwell time）。探测器的凝视时间在数值上等于行扫描时间除以每行的像元个数。凝视时间越长，进入探测器的能量越多，光谱响应越强，图像信噪比越高。 光谱图像立方体：空间平面：O-XY平面；线光谱平面：O-XZ，O-YZ平面 9.高光谱遥感图像数据表达：A.光谱图像立方体 B.二维光谱曲线 C. 三维光谱曲面 10.空间成像方式：（1）摆扫型成像光谱仪：定义：它由光机左右摆扫和飞行平台向前运动完成二维空间成像，其线列探测器完成每个瞬时视场像元的光谱维获取。原理：45斜面的扫描镜，电机进行360旋转，旋转水平轴与遥感平台前进方向平行，扫描镜扫描运动方向与遥感平台运动方向垂直，光学分光系统形成色散光源再汇集到探测器上，这样成像光谱仪所获取的图像就具有了两方面的特性：光谱分辨率与空间分辨率。 （2）推扫型成像光谱仪：定义：采用一个面阵探测器，其垂直于运动方向在飞行平台向前运动中完成二维空间扫描；平行于平台运动方向，通过光栅和棱镜分光，完成光谱维扫描。它的空间扫描方向就是遥感平台运动方向。原理：垂直于运动方向完成空间维扫描，平行于运动方向完成光谱维扫描。 （3）两者的优缺点：摆扫型成像光谱仪的优点：A.FOV 大；B.探测元件定标方便，数据稳
高光谱分辨率遥感 用很窄（10-2l）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，每个像元均可提取一条连续的光谱曲线，因此高光谱遥感又通常被称为成像光谱（ImagingSpectrometry）遥感。 高光谱遥感具有不同于传统遥感的新特点： （1）波段多——可以为每个像元提供几十、数百甚至上千个波段； （2）光谱范围窄——波段范围一般小于10nm； （3）波段连续——有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； （4）数据量大——随着波段数的增加，数据量成指数增加； （5）信息冗余增加——由于相邻波段高度相关，冗余信息也相对增加。 优点： （1）有利于利用光谱特征分析来研究地物； （2）有利于采用各种光谱匹配模型； （3）有利于地物的精细分类与识别。 ENVI高光谱数据处理流程： 一、图像预处理 高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气纠正。辐射校正一般由数据提供商完成。 二、显示图像波谱 打开高光谱数据，显示真彩色图像，绘制波谱曲线，选择需要的光谱波段进行输出。 三、波谱库 1、标准波谱库 软件自带多种标准波谱库，单击波谱名称可以显示波谱信息。 2、自定义波谱库 ENVI提供自定义波谱库功能，允许基于不同的波谱来源创建波谱库，波谱
来源包括收集任意点波谱、ASCII文件、由ASD波谱仪获取的波谱文件、感兴趣区均值、波谱破面和曲线等等。 3、波谱库交互浏览 波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注记、优化显示曲线等 四、端元波谱提取 端元的物理意义是指图像中具有相对固定光谱的特征地物类型，它实际上代表图像中没有发生混合的“纯点”。 端元波谱的确定有两种方式： （1）使用光谱仪在地面或实验室测量到的“参考端元”，一般从标准波谱库选择； （2）在遥感图像上得到的“图像端元”。 端元波谱获取的基本流程： （1）MNF变换 重要作用为：用于判定图像内在的维数；分离数据中的噪声；减少计算量；弥补了主成分分析在高光谱数据处理中的不足。 （2）计算纯净像元指数PPI PPI生成的结果是一副灰度的影像，DN值越大表明像元越纯。 作用及原理： 纯净像元指数法对图像中的像素点进行反复迭代，可以在多光谱或者高光谱影像中寻找最“纯”的像元。（通常基于MNF变换结果来进行）
高光谱遥感在矿物填图中的应用高光谱遥感在矿物填图中的应用 摘要 近20年来，高光谱遥感技术（Hyperspectral Remote Sensing）发展迅速，已成为遥感技术的前沿，而矿物识别和矿物填图是高光谱遥感应用中最成功的领域。高光谱遥感有许多不同于宽波段遥感的性质,各种矿物和岩石在电磁波谱上显示的诊断性光谱特征可以帮助人们识别不同矿物成分,高光谱数据能反映出这类诊断性光谱特征从而进行岩石矿物的分类和填图，并为矿产资源评价与矿山环境监测提供靶区，指导进一步找矿勘探和环境监测工作的开展。
本文首先介绍了高光谱遥感技术的特点、优势、存在的问题和发展趋势，并概述了高光谱遥感技术在矿物填图方面国内外的研究现状，之后详细阐述了高光谱技术在矿物识别和矿物填图方面的应用。 关键词：高光谱遥感技术矿物识别矿物填图 目录 高光谱遥感在矿物填图中的应用 (1) 一、引言 (3) 二.高光谱遥感技术 (4)
2.1高光谱遥感技术的特点 (4) 2.2高光谱遥感技术的优势 (4) 2.3高光谱影像应用中面临的难题 (5) 2.4高光谱遥感技术发展趋势 (5) 二．国内外研究现状 (5) 3.1 国外对高光谱在矿物识别和矿物填图中的应用研究 (5) 3.2国内对高光谱在矿物识别和矿物填图中的应用研究 (5) 三．高光谱在矿物识别中的应用 (6) 4.1基于单个诊断性吸收的特征参数 (6) 4.2基于完全波形特征 (6) 4.3基于光谱知识模型 (6) 四．高光谱在矿物填图中的应用 (7) 5.1光谱波段降维 (7) 5.2光谱匹配技术 (7) 5.3 端元选择 (8) 5.3.1基于先验知识的端元选择 (8) 5.3.2基于图像纯净像元的端元选择 (8) 5.4 矿物填图 (9) 五．结语 (9) 六．参考文献 (9) 一．引言 高光谱遥感技术起源于20世纪80年代，由于高光谱图像具有很高的光谱分辨率，能够提供更为丰富的地面信息(可直接识别地物或地物组分)，因此受到国内外学者的广泛关注。随着成像光谱仪的光谱分辨率和空间分辨率的不断提高，高光谱遥感广泛地应用于地质调查、植被研究、海洋遥感、农业遥感、大气及环境遥感等领域中，并发挥越来越重要的作用。其中区域地质制图和矿产勘探是高光谱技术主要的应用领域之一，也是高光谱遥感应用中最成
一、数据预处理 （1）中心化变换 （2）归一化处理 （3）正规化处理 （4）标准正态变量校正（标准化处理）（Standard Normal Variate,SNV）（5）数字平滑与滤波（Smooth） （6）导数处理（Derivative） （7）多元散射校正（Multiplicative Scatter Correction,MSC） （8）正交信号校正（OSC） 二、特征的提取与压缩 （1）主成分分析（PCA） （2）马氏距离 三、模式识别（定性分类） （1）基于fisher意义下的线性判别分析（LDA） （2）K-最邻近法（KNN） （3）模型分类方法（SIMCA） （4）支持向量机（SVM） （5）自适应boosting方法（Adaboost） 四、回归分析（定量分析） （1）主成分回归（PCR） （2）偏最小二乘法回归（PLS） （3）支持向量机回归（SVR）
一、数据预处理 （1） 中心化变换 中心化变换的目的是在于改变数据相对于坐标轴的位置。一般都是希望数据集的均值与坐标轴的原点重合。若x ik 表示第i 个样本的第k 个测量数据，很明显这个数据处在数据矩阵中的第i 行第k 列。中心化变换就是从数据矩阵中的每一个元素中减去该元素所在元素所在列的均值的运算： u ik k x x x =- ，其中k x 是n 个样本的均值。 (2) 归一化处理 归一化处理的目的是是数据集中各数据向量具有相同的长度，一般为单位长度。其公式为： 'ik x = 归一化处理能有效去除由于测量值大小不同所导致的数据集的方差，但是也可能会丢失重要的方差。 （3）正规化处理 正规化处理是数据点布满数据空间，常用的正规化处理为区间正规化处理。其处理方法是以原始数据集中的各元素减去所在列的最小值，再除以该列的极差。 min() 'max()min() ik ik k k x xk x x x -= - 该方法可以将量纲不同，范围不同的各种变量表达为值均在0~1范围内的数据。但这种方法对界外值很敏感，若存在界外值，则处理后的所有数据近乎相等。 （4） 标准化处理（SNV ）也称标准正态变量校正 该处理能去除由单位不同所引起的不引人注意的权重，但这种方法对界外点不像区间正规化那样的敏感。标准化处理也称方差归一化。它是将原始数据集各个元素减去该元素所在列的元素的均值再除以该列元素的标准差。 ';ik k ik k k x x x S S -==
1 分析图像噪音的类型，针对不同类型的噪音采用不同的清除方法: 1)对条带噪音采用闽值法判别出，然后利用相邻行亮度的平均值来代替; 2)利用最近像元值代替该像元或中值滤波方法来消除图像的随机点状噪音; 3)利用MNF变换可以确定图像数据的固有维数，分离图像数据中的噪音，并可减少后续处理的计算量。 2 最小噪声分离变换（MNF变换） 1)定义：最小噪声分离变换（Minimum Noise Fraction Rotation，MNF Rotation）工具用于判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。 2)本质：MNF本质上是两次层叠的主成分变换。 第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。 第二次是对噪声白化数据（Noise-whitened）的标准主成分变换。为了进一步进行波谱处理，通过检查最终特征值和相关图像来判定数据的内在维数。 3)性质：一是对图像的任何波段做比例扩展，变换结果不变； 二是变换使图像矢量、信息分离和加性噪声分量互相垂直。乘性噪声可以通过对数变换转换为加性噪声。变换后可针对各分量图像进行去噪、或者舍弃噪声占优势的分量。 3 SAM 1)概念：光谱角填图分类（SAM）是一种基于相关/匹配滤波器的分类方法，充分利用了光谱维的信息，强调了光谱的形状特征，大大减少了特征信息，是目前高光谱图像分类中较常用的方法。 2)SAM分类过程 1）参考光谱库的建立:一般的应用中，以图像中已知类型的区域为参考光谱，将区域中光谱的几何平均向量作为类中心。在实际的参考光谱库建立时，选择已知类型的区域作为参考光谱，然后获取该区域的平均光谱曲线，建立参考光谱库。 2）SAM分类:参考光谱库建立之后，就可根据公式计算未知像元与各类中心的夹角，然后将给未知像元分类到夹角最小的类别中去SAM分类。 3）为有效降低原始图像波段间的相关性，将原始图像进行主成分变换和MNF变换后，然后转换到原来的空间，再利用SAM方法采用与上面实验同样的阐值进行分类。 4 PPI：像元纯净指数:是用于从影像中提取出纯净的像元，用于进行分类或是波谱匹配。 5 Speetral Analyst 分析方法成功应用的关键: 1）选择合适的分析波长范围。许多地物在某些波段的光谱特征可能相同，但其它的波段特征就会有所不同，因此合理的选择光谱匹配的波段是得到精确结果的基础。 2）选择合适的分析方法，分析时要尽量选用能使分析的分值最高，而且其分值与第二分值差值较大的方法。 3）所要识别的像元最好是较纯像元，该方法对那些混合像元的分析可能会产生几个分值比较相近的结果，这样就无法将该像元正确地分到对应的类别中。 6 高光谱遥感的定义，特点，突出特点，与遥感的主要区别，成像技术的关键 1）定义:高光谱遥感是高光谱分辨率遥感是指利用遥感仪器在特定光谱域以高光谱分辨率(光谱分辨率在10nm以下)获取连续的地物光谱图像的遥感技术。 2)特点: ①光谱分辨率高(λ×10-2)；②波段多?数十到数百；③谱?像合一的特点④信息量大，一次数据获取达千兆(GB)级数据速率高，数十?数百兆比特/秒 3)突出特点：（1）高光谱分辨率（2）图谱合一（3）光谱通道多，在某一光谱段范围内连续成像 4)成像技术的关键：
第11卷第1 期 2007年1月 遥感学报 Vol . 11, No . 1Jan . , 2007 文章编号:100724619(2007 0120069208 基于决策树的高光谱数据特征选择及其对分类结果的影响分析 王圆圆, 李京 (北京师范大学资源学院资源技术与工程研究所, 北京100875 摘要:本文利用OM I S 高光谱数据, 研究了决策树算法(Decisi on Tree, DT 特征选择的特点以及特征选择对决策树分类结果的影响。设计了三种特征选择方法:SEP,MDLM 和RE L I EF, 将它们与DT 特征选择的结果以及特征选择后的分类精度(考虑了三种分类器:最大似然法、后向传播神经网络、最邻近法进行对比, 并分析了这三种特征选择方法对决策树结构和分类精度的影响。结果显示, DT 是一种比较好的特征选择方法; 成的决策树比直接生成的决策树, 用到更少的特征(平均减少了43136% 18161% 和更高的分类精度(平均提高了0135% , 当样本数量少时, 。关键词:决策树; 高光谱; 特征选择 中图分类号:TP751. 1:A Ana Fea ture Selecti on and Its I m pact on Hyperspectra l Da t a C l a ssi f i ca ti on Ba sed on D ec isi on Tree A lgor ith m
WANG Yuan 2yuan, L I Jing (College of Resources Science, B eijing N or m al U niversity, B eijing 100875, China Abstract:I n this article, O M I S hy pers pctral data was used t o study feature selecti on ability of DT (Decisi on Tree alg orith m and the i m pacts of feature selecti on on DT . The DT was co mpared t o three designed feature selecti on methods (SEP, MDL M and RE L I EF based on feature selecti on results and classificati on accuracy in which three different methods (ML 、BP NN and 12NN were applied . Moreover, the i m pacts of the three designed feature selecti on methods on DT classificati on results at different training sa mple sizes were analyzed . Results indicated that DT was a g ood feature selecti on method . After feature selecti on, DT alg orith m out putted t o those classificati on trees that used fe wer features (average decrease was 43136% , had fe wer tree nodes (average increase was 18161% , and had higher classificati on accuracy (average increase was 0135% . When the training sa mple size was s mall, accuracy i m pr ove ment was the most significant and mean while the tree size scarcely changed . Key words:decision tree; feature selecti on; hypers pectral data 1引言 高光谱遥感数据光谱分辨率高(<10n m , 波段数量大(可达200多 , 与一般遥感 数据相比, 具有数据量更大的特点, 因此分析起来面临更大的困难 收稿日期:2005204226; 修订日期:2006202223 和挑战。在监督分类中, 由于Hughes 现象的存在, 为了保证较高的精度, 每一类的样本数量应该是特征数的10倍到100倍, 这意味着样本量必须增加到成千上万个, 而现实中要获得这么多的可靠样本是非常困难
高光谱遥感技术的介绍及应用在20世纪，人类的一大进步是实现了太空对地观测，即可以从空中和太空对人类赖以生存的地球通过非接触传感器的遥感进行观测。最近几十年，随着空间技术、计算机技术、传感器技术等与遥感密切相关学科技术的飞速发展，遥感正在进入一个以高光谱遥感技术、微波遥感技术为主要标志的时代。本文简要介绍了高光谱遥感技术的特点、发展状况及其在一些领域的应用。 1 高光谱遥感简介 1.1高光谱遥感概念 所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感，通常>100nm，且波段并不连续。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。 高光谱遥感技术是近些年来迅速发展起来的一种全新遥感技术，它是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。在成像过程中，它利用成像光谱仪以纳米级的光谱分辨率，以几十或几百个波段同时对地表地物像，能够获得地物的连续光谱信息，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而在相关领域具有巨大的应用价值和广阔的发展前景。 1.2高光谱遥感数据的特点 同其他常用的遥感手段相比,成像光谱仪获得的数据具有以下特点: 1）、多波段、波段宽度窄、光谱分辨率高。波段宽度< 10 nm ，波段数较多光谱遥感(由几个离散的波段组成)大大增多，在可见光和近红外波段可达几十到几百个。如A VIRIS在0. 4～214 波段范围内提供了224 个波段。研究表明许多地物的吸收特征在吸收峰深度一半处的宽度为20～40 nm。这是传统的多光谱等
高光谱数据的制图方法简介 ENVI软件在Spectral菜单中提供许多波谱制图方法，包括：二进制编码、波谱角制图、线性波段预测(LS-Fit)、线性波谱分匹配滤波、混合调制匹配滤波、包络线去除，以及波谱特征拟合等。 本文主要介绍几种高光谱数据处理的过程操作。 1.二进制编码 二进制编码分类技术根据波段值落在波谱均值的下方或上方，将数据和端元分别编码为0和1。在编码过程中，使用一个高级的（exclusive）OR函数，用于将需要编码的数据波谱与参照波谱相比较，从而生成一幅分类图像。 选择菜单栏Spectral—Mapping Methods—Binary Encoding。在打开的窗口设置参数如下： 图1-1 二进制编码分类参数设置 注意：“OutputRuleImages”切换按钮被设置为“No”，规则图像将不被保存。 分类结束后，规则图像将出现在可用波段列表中，可以在任何显示窗口中显示（或链接/覆盖），并可以使用ENVI的像元位置/值功能进行查询。结果显示如图1-2：
图1-2 原影像图（左）与二进制编码分类结果图（右） 2. 波谱角分类 波谱角分类(SAM)是一种基于自身的波谱分类方法，这种方法将图像波谱与参照波谱在N-维空间进行匹配。SAM用到的参照端元波谱可以来自于ASCII文件、波谱库、统计文件或直接从图像中抽取（如ROI均值波谱），本实验中用的是ROI均值波谱。SAM把端元波谱（被认为是一个N维向量，N维波段数）和像元向量放在n维空间中进行角度比较。较小的角度代表象元与参照波谱匹配紧密。这一技术用于数据定标时，对照度和反照率的影响并不敏感。 选择菜单栏Spectral—Mapping Methods—Spectral Angle Mapper。设置参数如图2-1，波谱角分类结果，如图2-2： 图2-1 波谱角分类参数设置图2-2 波谱角分类结果影像 3.LS-Fit(线性波段预测)
高光谱遥感在矿产资源调查中的应用综述 摘要：本文简要介绍了高光谱遥感技术矿物光谱识别机理，较详细地介绍了高光谱数据处理和分析技术及发展程度，并系统地阐述了国内外高光谱遥感技术在矿产资源调查应用方面的发展概况，最后指出了高光谱在矿产资源调查领域中的应用及其发展方向。 关键字：高光谱遥感，数据处理技术，矿产资源调查 0 引言 所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据；这种数据能够以足够的光谱分辨率区分出那些具有诊断性光谱特征( Diagnostic Spectral Feature )的地表物质，这一点在地质矿物分类及成图上具有广泛的应用前景[1]。目前，常用的高光谱探测的波长区间一般为0.4~2.5μm，包括了整个可见光区(0.4~0.7μm)、近红外区（0.7~1.1μm）与短波红外区（1.1~2.5μm），共有几百个波段，所有波段排列在一起能形成一条连续的完整的光谱曲线；高光谱数据是一个光谱图像的立方体，其空间图像维描述地表二维空间特征，其光谱维揭示图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱维信息的有机融合[2]。 矿物光谱研究表明，岩石矿物在0.4~2.5μm之间具有一系列可诊断性光谱特征信息，这些特征的带宽多在10~20μm之间[3]，而且不同岩石矿物和矿化蚀变具有不同的光谱特征。由于高光谱分辨率遥感系统获得的连续波段宽度一般在10 nm以内，因此这种数据能够以足够的光谱分辨率分出那些具有诊断性光谱特征的岩石矿物。区域地质制图和矿产勘探是高光谱遥感技术主要的应用领域之一，各种岩石和矿物在电磁波谱上显示的诊断性光谱特征可以帮助人们识别不同的矿物成分。因此,从高光谱遥感数据中提取矿物的光谱信息，然后直接根据其诊断性光谱特征区分矿物或自动判别矿物类型是一种有效的遥感技术方法[4]。 矿产资源调查的主要目的是寻找及探明矿产资源和调查评价区域矿产资源潜力，而利用高光谱遥感技术完全能确定某一或某些矿物在地表上的分布及其相对含量变化，从而直接提供与成矿有关的矿物分布及丰度信息。利用这些矿物信息，并综合矿床成因模型等信息，可有效地确定详查和勘探目标。因此，利用高光谱遥感技术进行矿产资源调查是科学性和实效性的有效途径之一。 1高光谱遥感矿物光谱识别 1.1 光谱机理 任何物质其光谱的产生均有着严格的物理机制。对于一个分子，其能量由电子能量、振动能量和转动能量组成。根据分子振动能量级差的计算，其能量级差较小时，产生近红外区的光谱；分子电子能级之间的能量差距一般较大，产生的光谱位于近红外、可见光范围内。