CN106508050B - 一种基于高光谱图像分析的岩性识别方法 - Google Patents
一种基于高光谱图像分析的岩性识别方法Info
- Publication number
- CN106508050B CN106508050B CN201110016626.8A CN201110016626A CN106508050B CN 106508050 B CN106508050 B CN 106508050B CN 201110016626 A CN201110016626 A CN 201110016626A CN 106508050 B CN106508050 B CN 106508050B
- Authority
- CN
- China
- Prior art keywords
- image
- spectrum
- high spectrum
- rock
- lithology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于高光谱图像分析的岩性识别方法,依次包括:一,将研究区的高光谱图像进行精确配准和正射校正;二,根据水体和植被的高光谱特征,设定掩模,去除水体和植被的影响;三,对处理后的高光谱图像进行最小噪声变换;四,根据地面实测的岩石光谱曲线,建立地面实测岩石的岩性与岩性特征光谱的联系;五,对研究区的高光谱图像进行查找,完成已建立联系岩石的岩性识别。本发明优于传统的填图方法主要表现在:第一、填图方法为大范围面积性的填图,第二、填图结果的边界更加准确,第三、填图可以显示更丰富的岩石纹理特征。
Description
技术领域
本发明涉及一种岩性识别方法,特别是涉及一种地学领域的基于高光谱图像分析的岩性识别方法。
背景技术
高光谱技术是近几年迅速发展起来的一种全新遥感技术,它与常规遥感技术不同之处主要是窄波段、多通道,具有图像与光谱合二为一的优点,它以纳米级的超高光谱分辨率和几十或几百个波段同时对地表地物成像,能够获得地物的连续光谱信息。借助高光谱丰富的光谱信息,依据实测的岩石矿物波谱特征,可以对不同岩石类型进行直接识别。
目前高光谱岩性识别的方法主要针对光谱的特征吸收峰谷,这种方法对单一矿物的识别比较有效,对岩性的识别效果一般。因此亟需提供一种新型的基于高光谱图像分析的岩性识别方法。
发明内容
本发明要解决的技术问题是提供一种适用于大范围面积性的填图且填图结果的边界更加准确的基于高光谱图像分析的岩性识别方法。
为解决上述技术问题,本发明一种基于高光谱图像分析的岩性识别方法,依次包括以下步骤:
第一步,将研究区的高光谱图像进行精确配准和正射校正;
第二步,根据水体和植被的高光谱特征,设定掩模,去除水体和植被的影响,得到处理后的高光谱图像;
第三步,对处理后的高光谱图像进行最小噪声变换;
(1)采集处理后的高光谱图像中图像信号si和图像噪声ni,i表示图像波段数,i=1,2……M,M为图像波段总数;
(2)得到处理后的高光谱图像的图像信息量zi;得到图像的信息量矩阵Z=(z1,z2,…zM);
zi=si+ni;
(3)通过图像噪声ni,得到噪声的特征矩阵I,和噪声的协方差矩阵CN;通过图像信号si,得到图像的特征矩阵Δ;图像的协方差矩阵CS;
(4)得到噪声变换矩阵A;得到信号变换矩阵D;
ATCNA=I;DTCSD=Δ;
(5)得到变换矩阵H;
H=AD;
(6)得到变换后的图像信息量矩阵Zretr;
Zretr=(Zretr 1,Zretr 2,…Zrert M)=H-TZ;
(7)提取Zretr 2作为红色波段、Zretr 3作为绿色波段和Zretr 4作为蓝色波段,进行组合,得到彩色图像;对彩色图像,选取颜色相同的区域,进行光谱采样,获取像元光谱,求平均得到该颜色对应的岩性特征光谱;
第四步,根据地面实测的岩石光谱曲线,建立地面实测岩石的岩性与岩性特征光谱的联系;
第五步,根据第四步中建立的联系,对研究区的高光谱图像进行查找,完成已建立联系岩石的岩性识别。
第一步中,配准整体精度优于5个像元。
第一步中,当采用加入激光雷达系统的DEM数据,正射校正后精度优于2个像元,当采用其它DEM数据,正射校正后精度优于3个像元。
第二步中,水体掩模的设定采用最接近1.127μm的波段,植被掩模的设定采用近红外波段与可见光波段组合的植被指数。
第四步中,比较同一大于100平方公里地物的地面实测的岩石光谱曲线和岩性特征光谱,当二者匹配度大于75%,且二者对应的前三个主要特征吸收峰和前三个主要特征吸收谷的位置相差不超过5nm,吸收深度相差不超过10%,则建立地面实测岩石的岩性和岩性特征光谱的联系。
本发明优于传统的填图方法主要表现在:第一、填图方法为大范围面积性的填图;第二、填图结果的边界更加准确;第三、填图可以显示更丰富的岩石纹理特征。
具体实施方式
本发明依次包括以下步骤:
第一步,将研究区的高光谱图像进行精确配准和正射校正;配准整体精度优于5个像元;当采用加入激光雷达系统的DEM数据,正射校正后精度优于2个像元,当采用其它DEM数据,正射校正后精度优于3个像元;
第二步,根据水体和植被的高光谱特征,设定掩模,去除水体和植被的影响,得到处理后的高光谱图像。水体掩模的设定采用最接近1.127μm的波段,植被掩模的设定采用近红外波段与可见光波段组合的植被指数;
第三步,对处理后的高光谱图像进行最小噪声变换;
(1)采集处理后的高光谱图像中图像信号si和图像噪声ni,i表示图像波段数,i=1,2……M,M为图像波段总数;
(2)得到处理后的高光谱图像的图像信息量zi;得到图像的信息量矩阵Z=(z1,z2,…zM);
zi=si+ni;
(3)通过图像噪声ni,得到噪声的特征矩阵I,和噪声的协方差矩阵CN;通过图像信号si,得到图像的特征矩阵Δ;图像的协方差矩阵CS;
(4)得到噪声变换矩阵A;得到信号变换矩阵D;
ATCNA=I;DTCSD=Δ;
(5)得到变换矩阵H;
H=AD;
(6)得到变换后的图像信息量矩阵Zretr;
Zretr=(Zretr 1,Zretr 2,…Zretr M)=H-TZ;
(7)提取Zretr 2作为红色波段、Zretr 3作为绿色波段和Zretr 4作为蓝色波段,进行组合,得到彩色图像;对彩色图像,选取颜色相同的区域,进行光谱采样,获取3×3或者5×5的像元光谱,求平均得到该颜色对应的岩性特征光谱;
第四步,根据地面实测的岩石光谱曲线,建立地面实测岩石的岩性与岩性特征光谱的联系;
比较同一大于100平方公里地物的地面实测的岩石光谱曲线和岩性特征光谱,当二者匹配度大于75%,且二者对应的前三个主要特征吸收峰和前三个主要特征吸收谷的位置相差不超过5nm,吸收深度相差不超过10%,则建立地面实测岩石的岩性和岩性特征光谱的联系;
第五步,根据第四步中建立的联系,对研究区的高光谱图像进行查找,完成已建立联系岩石的岩性识别。
Claims (5)
1.一种基于高光谱图像分析的岩性识别方法,依次包括以下步骤:
第一步,将研究区的高光谱图像进行精确配准和正射校正;
第二步,根据水体和植被的高光谱特征,设定掩模,去除水体和植被的影响,得到处理后的高光谱图像;
第三步,对处理后的高光谱图像进行最小噪声变换;
(1)采集处理后的高光谱图像中图像信号si和图像噪声ni,i表示图像波段数,i=1,2……M,M为图像波段总数;
(2)得到处理后的高光谱图像的图像信息量zi;得到图像的信息量矩阵Z=(z1,z2,...zM);
zi=si+ni;
(3)通过图像噪声ni,得到噪声的特征矩阵I,和噪声的协方差矩阵CN;通过图像信号si,得到图像的特征矩阵Δ;图像的协方差矩阵CS;
(4)得到噪声变换矩阵A;得到信号变换矩阵D;
ATCNA=I;DTCSD=Δ;
(5)得到变换矩阵H;
H=AD;
(6)得到变换后的图像信息量矩阵Zretr;
Zretr=(Zretr 1,Zretr 2,...Zretr M)=H-TZ;
(7)提取Zretr 2作为红色波段、Zretr 3作为绿色波段和Zretr 4作为蓝色波段,进行组合,得到彩色图像;对彩色图像,选取颜色相同的区域,进行光谱采样,获取像元光谱,求平均得到该颜色对应的岩性特征光谱;
第四步,根据地面实测的岩石光谱曲线,建立地面实测岩石的岩性与岩性特征光谱的联系;
第五步,根据第四步中建立的联系,对研究区的高光谱图像进行查找,完成已建立联系岩石的岩性识别。
2.根据权利要求1所述的一种基于高光谱图像分析的岩性识别方法,其特征在于:所述第一步中,配准整体精度优于5个像元。
3.根据权利要求1所述的一种基于高光谱图像分析的岩性识别方法,其特征在于:所述第一步中,当采用加入激光雷达系统的DEM数据,正射校正后精度优于2个像元,当采用其它DEM数据,正射校正后精度优于3个像元。
4.根据权利要求1所述的一种基于高光谱图像分析的岩性识别方法,其特征在于:所述第二步中,水体掩模的设定采用最接近1.127μm的波段,植被掩模的设定采用近红外波段与可见光波段组合的植被指数。
5.根据权利要求1所述的一种基于高光谱图像分析的岩性识别方法,其特征在于:所述第四步中,比较同一大于100平方公里地物的地面实测的岩石光谱曲线和岩性特征光谱,当二者匹配度大于75%,且二者对应的前三个主要特征吸收峰和前三个主要特征吸收谷的位置相差不超过5nm,吸收深度相差不超过10%,则建立地面实测岩石的岩性和岩性特征光谱的联系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110016626.8A CN106508050B (zh) | 2011-12-31 | 2011-12-31 | 一种基于高光谱图像分析的岩性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110016626.8A CN106508050B (zh) | 2011-12-31 | 2011-12-31 | 一种基于高光谱图像分析的岩性识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106508050B true CN106508050B (zh) | 2014-07-23 |
Family
ID=58359201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110016626.8A Active CN106508050B (zh) | 2011-12-31 | 2011-12-31 | 一种基于高光谱图像分析的岩性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106508050B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107727592A (zh) * | 2017-10-10 | 2018-02-23 | 中国矿业大学 | 一种基于煤岩高光谱反射特性的煤岩界面识别方法 |
CN110967311A (zh) * | 2019-11-25 | 2020-04-07 | 中国科学院地球化学研究所 | 基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法 |
CN117092040A (zh) * | 2023-08-22 | 2023-11-21 | 云南大学 | 一种蚀变矿物遥感定量识别方法、系统及电子设备 |
-
2011
- 2011-12-31 CN CN201110016626.8A patent/CN106508050B/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107727592A (zh) * | 2017-10-10 | 2018-02-23 | 中国矿业大学 | 一种基于煤岩高光谱反射特性的煤岩界面识别方法 |
CN110967311A (zh) * | 2019-11-25 | 2020-04-07 | 中国科学院地球化学研究所 | 基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法 |
CN110967311B (zh) * | 2019-11-25 | 2021-11-30 | 东华理工大学 | 基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法 |
CN117092040A (zh) * | 2023-08-22 | 2023-11-21 | 云南大学 | 一种蚀变矿物遥感定量识别方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
CN104820830B (zh) | 一种基于全波形LiDAR冠层剖面模型的树种识别方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN111160199B (zh) | 一种基于高分辨率遥感影像的公路灾害信息检测方法 | |
CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
CN106508050B (zh) | 一种基于高光谱图像分析的岩性识别方法 | |
Zhang et al. | Combinational biophysical composition index (CBCI) for effective mapping biophysical composition in urban areas | |
Yang et al. | A multi-band watershed segmentation method for individual tree crown delineation from high resolution multispectral aerial image | |
Chen et al. | Land cover mapping in urban environments using hyperspectral APEX data: A study case in Baden, Switzerland | |
CN109308451A (zh) | 一种高分数据信息提取系统及方法 | |
CN112669363A (zh) | 城市绿地三维绿量测算方法 | |
Lang et al. | Detection of chlorophyll content in maize canopy from UAV imagery | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN111487643A (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
Degerickx et al. | Mapping functional urban green types using hyperspectral remote sensing | |
Qin et al. | Estimating aboveground carbon stocks of urban trees by synergizing ICESat-2 LiDAR with GF-2 data | |
CN105894006A (zh) | 时空概率模型水稻遥感识别方法 | |
Kumar et al. | Aviris-ng hyperspectral data for mapping mangrove forests and their health spatially | |
Li et al. | Performance of GEDI data combined with Sentinel-2 images for automatic labelling of wall-to-wall corn mapping | |
CN103106655A (zh) | 一种基于遥感影像的建设工地非监督提取方法 | |
Yang et al. | Research and application of UAV-based hyperspectral remote sensing for smart city construction | |
CN106548209A (zh) | 一种基于多纹理特征的sar绿潮信息提取方法 | |
CN115019190B (zh) | 基于航空遥感平台的地形破碎区复杂地类信息提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR03 | Grant of secret patent right | ||
GRSP | Grant of secret patent right | ||
DC01 | Secret patent status has been lifted | ||
DCSP | Declassification of secret patent |