CN108171210B - 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 - Google Patents
一种植被覆盖区蚀变遥感异常信息的提取方法及系统 Download PDFInfo
- Publication number
- CN108171210B CN108171210B CN201810050098.XA CN201810050098A CN108171210B CN 108171210 B CN108171210 B CN 108171210B CN 201810050098 A CN201810050098 A CN 201810050098A CN 108171210 B CN108171210 B CN 108171210B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- vegetation
- spectral feature
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种植被覆盖区蚀变遥感异常信息的提取方法及系统。所述提取方法包括:获取植被覆盖区内的遥感图像;对所述遥感图像进行预处理,得到处理后的遥感图像;根据所述处理后的遥感图像确定所述植被覆盖区内植被的植被光谱特征;所述植被光谱特征为任一波长具有的反射率;利用所述植被光谱特征,对所述处理后的遥感图像进行光谱导向改进处理,得到改进后的遥感图像;根据所述改进后的遥感图像,提取所述植被覆盖区内的蚀变遥感异常信息。采用本发明所提供的提取方法及系统能够提高蚀变遥感异常信息的提取精度。
Description
技术领域
本发明涉及蚀变遥感异常提取领域,特别是涉及一种植被覆盖区蚀变遥感异常信息提取方法及系统。
背景技术
蚀变遥感异常信息是利用数学手段从遥感数据量化提取出来的,用以表征有可能与矿化最相关的近矿蚀变岩石的指示信息。蚀变遥感异常信息能够作为找矿标志,是有其地质和光谱依据的,并经过了实践的证明与广泛应用。
(1)地质依据。
把近矿围岩蚀变现象作为找矿标志可追索到数百年前。根据围岩蚀变发现的大型金属、非金属矿床很多,例如:北美、俄罗斯的大部分斑岩铜矿,美国的许多白钨矿和犹他州的大铝矿,我国的铜官山铜矿,西澳大利亚的大型金矿,墨西哥的大铂矿,哈萨克斯坦的刚玉矿以及世界大多数锡矿等,这些实例均证明围岩蚀变现象作为找矿标志的重要意义。
矿床的形成过程是某种有用元素的逐步富集过程,而这种成矿物质通常由成矿热液搬运和富集的。近矿围岩蚀变是成矿物质逐步富集成矿过程中留下的印迹。最常见的蚀变为:硅化、绢云母化、绿泥石化、云英岩化、矽卡岩化、白云岩化、重晶石化及锰铁碳酸盐化。地质学家断言绝大多数内生矿床都伴随有其围岩的交代蚀变现象,而且蚀变带范围大于矿体分布的范围数倍至数十倍。
利用近矿蚀变围岩指导找矿的问题十分复杂,能够肯定的是蚀变岩石的发现,可以指示找矿方向,增加找到矿床的机会。地质学家认为,尽管有蚀变岩存在不一定有矿,然而大型、特大型内生矿床一般均有强烈且较大范围的围岩蚀变。
遥感获得的是地表的信息,只要有一定面积的蚀变岩石出露,就可能被遥感检测,也就是说即使矿体隐伏,只要有足够面积的强蚀变岩出露也是有可能用遥感发现的。
(2)光谱依据
20世纪70年代Hunt和他领导的实验室系统地发表了关于矿物岩石波谱测试结果的文章,利用近300个粒状矿物的测定结果成功地制成一张“光谱特征标记图(SpectralSignature Diagram)”,如图1所示,该图可以方便地理解增强型专题绘图仪和高级星载热发射反射辐射计遥感数据中常遇到的光谱特征。
以上述实验研究为基础,归纳出下述对遥感图像数据解释极为重要的结论:
①主要造岩矿物的主要成分,即硅、铝、镁和氧,其振动基频在中红外和远红外区,波长位于10μm附近或更长区域,第一倍频也在5μm附近或更长区域,高倍频谱带强度太弱,所以在可见—近红外(VNIR)区不产生具有诊断性的谱带。
②岩石中的次要成分,如铁杂质或蚀变矿物,可形成岩石谱带中的优势地位。换言之,在可见及近红外区中,天然矿物和岩石最常见的光谱特征是由这样或那样形式存在的铁产生的,或者是由水、OH-基团或CO32-基团产生的。关于它们的波谱以下将较细致地讨论。
③热液蚀变矿物在短波近红外波段具有诊断性强吸收特征,它们是纯矿物本身固有的特征。不同矿物混合在一起组成岩石并不能改变矿物的波谱特征,因此岩石的波谱是组成岩石的纯矿物波谱的线性组合,但某种矿物吸收特征的强弱不但取决于其含量,还取决于辐射能量的可接近程度。例如某一矿物被透明矿物所包围时,其吸收特征就较强,反之亦然。吸收特征的尖锐程度取决于矿物的结晶程度,结晶程度越好吸收特征越明显。
④绝对反射率和谱带的光谱对比度,对矿物颗粒大小非常敏感。对透明物质来说,一般的规律是,粒级越小,总反射率越高,但光谱对比度降低。不透明物质,粒级越小,反射率越低,图2为本发明所提供的太阳光谱辐射照度分布曲线图,如图2所示。
基于以上研究,早在20世纪70年代,科学家把遥感应用于地质学上,利用遥感大角度、大视眼、信息丰富、定时定位、宏观观测、多波段、立体感强、地形地貌特征明显等特点研究地球表层的地质体,从而为研究地质构造、地质填图、区域地质调查、矿产资源勘查、地质灾害监测等提供帮助。
我国遥感地质经历了从传统的目视解译到计算机自动识别、从定性解释到定量分析的过程。由于遥感技术能在短时间内最大限度的集成地球表面和表层的宏观信息,并以直观清晰的图像形式显示地物景观,能够直接或间接的分析地表地质特征和地下隐伏地质特征,是对物探、化探等勘查手段的有效补充,在一定程度上弥补了上述勘查手段的不足,因此被广泛的应用在地质研究中。经过科技攻关和应用实践,遥感逐渐形成了一套操作性、标准化的方法技术。基础地质方面,遥感应用于地质填图;矿产地质方面,通过遥感识别蚀变异常信息、地质构造信息、与矿有关的其他地质信息,综合地球物理、地球化学、地质构造等多种找矿信息进行矿产资源勘查,取得了丰硕成果,发展了遥感信息提取的技术。对地质矿产勘查来说,增加了分析与判别有效找矿信息的难度。这里所说的分析与判别有效找矿信息是非常重要的,将遥感技术应用于找矿勘查,一般分为三个步骤:数据处理、数据分析和有效找矿信息判别;对应用蚀变遥感异常找矿来说,首先需要提取遥感数据中包含的蚀变遥感异常,然后分析这些异常的性质,判别其与矿化的关系;已有的蚀变遥感异常提取方法提取出来的异常信息是一个包含各种蚀变的信息,也就是说,利用主成分分析技术提取出来的异常是某个特征组合优先排序的结果。目前,蚀变遥感异常应用在找矿中已经取得了巨大的进步,并且取得了很大的成效,蚀变遥感异常是提取蚀变矿物及其组合的遥感信息提取方法。
大量实践证明,主成分分析在遥感蚀变异常提取中具有非常好的效果,在中国西部戈壁荒漠区已经取得了非常好的结果,虽然利用主成分分析在遥感蚀变异常提取技术在干旱区技术趋于成熟,但在植被区异常提取具有很大的困难。经实验发现,现有技术中的遥感信息提取技术在植被区效果比较差,且在全世界范围内,植被区的异常提取也是非常难的,异常提取难,提取的假异常多,微弱的蚀变遥感异常信息隐没在植被的背景噪声中;通过对主成分分析原理分析,发现主成分分析变换时,其平移和旋转不能够达到识别微弱蚀变遥感异常信息的目的,导致异常信息被大部分隐没在植被信息中,因此很难从植被覆盖区提取蚀变遥感异常信息,常规的方法植被抑制或者植被影响减弱方法,以及植被毒化信息提取等,这种方法很受植被数据本身影响,也受季节的影响,并不能表征植被下异常的信息,因此,所提取出的蚀变遥感异常信息精度低。
发明内容
本发明的目的是提供一种植被覆盖区蚀变遥感异常信息提取方法及系统,以解决现有技术中在植被覆盖区的蚀变遥感异常信息受植被数据以及季节等因素的影响,使得提取的蚀变遥感异常信息精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种植被覆盖区蚀变遥感异常信息的提取方法,包括:
获取植被覆盖区内的遥感图像;
对所述遥感图像进行预处理,得到处理后的遥感图像;
根据所述处理后的遥感图像确定所述植被覆盖区内植被的植被光谱特征;所述植被光谱特征为任一波长具有的反射率;
利用所述植被光谱特征,对所述处理后的遥感图像进行光谱导向改进处理,得到改进后的遥感图像;
根据所述改进后的遥感图像,提取所述植被覆盖区内的蚀变遥感异常信息。
可选的,所述对所述遥感图像进行预处理,得到处理后的遥感图像,具体包括:
根据比值法、切割法、Q值法以及光谱角法清除所述剔除后的遥感图像的干扰信息,得到清除后的遥感图像;所述干扰异常包括云、水体、阴影区、白泥地、冰雪、湿地、干河道以及冲积扇对所述植被覆盖区造成的干扰异常;
利用频域直方图辨别所述清除后的遥感图像是否符合正态分布,得到第一辨别结果;
若所述第一辨别结果表示为所述清除后的遥感图像符合正态分布,对所述清除后的遥感图像进行线性拉伸处理,得到第一线性拉伸后的遥感图像;
若所述第一辨别结果表示为所述清除后的遥感图像不符合正态分布,对所述清除后的遥感图像进行分区处理,得到分区后的遥感图像;对所述分区后的遥感图像进行线性拉伸处理,得到第二线性拉伸后的遥感图像;
将所述第一线性拉伸后的遥感图像以及所述第二线性拉伸后的遥感图像进行掩膜处理,得到处理后的遥感图像。
可选的,所述利用所述植被光谱特征,对所述处理后的遥感图像进行光谱导向改进处理,得到改进后的遥感图像,具体包括:
将所述遥感图像以及所述处理后的遥感图像进行对比,根据所述协方差变换矩阵确定第一植被光谱特征;
将所述第一植被光谱特征进行变换,确定第二植被光谱特征;
根据所述第二植被光谱特征确定改进后的遥感图像。
可选的,所述将所述第一植被光谱特征进行变换,确定第二植被光谱特征,具体包括:
确定所述第一植被光谱特征的最大值;
根据所述最大值以及所述植被光谱特征确定所述第二植被光谱特征。
可选的,所述根据所述改进后的遥感图像,提取所述植被覆盖区内的蚀变遥感异常信息,具体包括:
采用主成分分析法对所述改进后的遥感图像进行主成分分析处理,得到分析后的遥感图像;
采用本征向量判读法对所述分析后的遥感图像进行判读,得到判读后的遥感图像;
对所述判读后的遥感图像进行异常分割,得到分割后的遥感图像;
采用Q值法以及中值滤波法优化所述分割后的遥感图像,得到优化后的遥感图像;
对所述优化后的遥感图像进行栅格与矢量叠加处理,得到叠加后的遥感图像;
根据所述叠加后的遥感图像提取所述植被覆盖区内的蚀变遥感异常信息。
一种植被覆盖区蚀变遥感异常信息的提取系统,包括:
遥感图像获取模块,用于获取植被覆盖区内的遥感图像;
预处理模块,用于对所述遥感图像进行预处理,得到处理后的遥感图像;
植被光谱特征确定模块,用于根据所述处理后的遥感图像确定所述植被覆盖区内植被的植被光谱特征;所述植被光谱特征为任一波长具有的反射率;
改进模块,用于利用所述植被光谱特征,对所述处理后的遥感图像进行光谱导向改进处理,得到改进后的遥感图像;
提取模块,用于根据所述改进后的遥感图像,提取所述植被覆盖区内的蚀变遥感异常信息。
可选的,所述预处理模块具体包括:
清除单元,用于根据比值法、切割法、Q值法以及光谱角法清除所述剔除后的遥感图像的干扰信息,得到清除后的遥感图像;所述干扰异常包括云、水体、阴影区、白泥地、冰雪、湿地、干河道以及冲积扇对所述植被覆盖区造成的干扰异常;
第一辨别单元,用于利用频域直方图辨别所述清除后的遥感图像是否符合正态分布,得到第一辨别结果;
第一线性拉伸处理单元,用于若所述第一辨别结果表示为所述清除后的遥感图像符合正态分布,对所述清除后的遥感图像进行线性拉伸处理,得到第一线性拉伸后的遥感图像;
第二线性拉伸处理单元,用于若所述第一辨别结果表示为所述清除后的遥感图像不符合正态分布,对所述清除后的遥感图像进行分区处理,得到分区后的遥感图像;对所述分区后的遥感图像进行线性拉伸处理,得到第二线性拉伸后的遥感图像;
掩膜处理单元,用于将所述第一线性拉伸后的遥感图像以及所述第二线性拉伸后的遥感图像进行掩膜处理,得到处理后的遥感图像。
可选的,所述改进模块具体包括:
第一植被光谱特征确定单元,用于将所述遥感图像以及所述处理后的遥感图像进行对比,根据所述协方差变换矩阵确定第一植被光谱特征;
第二植被光谱特征确定单元,用于将所述第一植被光谱特征进行变换,确定第二植被光谱特征;
改进单元,用于根据所述第二植被光谱特征确定改进后的遥感图像。
可选的,所述第二植被光谱特征确定单元具体包括:
最大值确定子单元,用于确定所述第一植被光谱特征的最大值;
第二植被光谱特征确定子单元,用于根据所述最大值以及所述植被光谱特征确定所述第二植被光谱特征。
可选的,所述提取模块具体包括:
主成分分析单元,用于采用主成分分析法对所述改进后的遥感图像进行主成分分析处理,得到分析后的遥感图像;
本征向量判读单元,用于采用本征向量判读法对所述分析后的遥感图像进行判读,得到判读后的遥感图像;
异常分割单元,用于对所述判读后的遥感图像进行异常分割,得到分割后的遥感图像;
优化单元,用于采用Q值法以及中值滤波法优化所述分割后的遥感图像,得到优化后的遥感图像;
叠加单元,用于对所述优化后的遥感图像进行栅格与矢量叠加处理,得到叠加后的遥感图像;
提取单元,用于根据所述叠加后的遥感图像提取所述植被覆盖区内的蚀变遥感异常信息。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种植被覆盖区蚀变遥感异常信息的提取方法及系统,通过对植被覆盖区内的遥感图像进行预处理,并获得预处理后的植被光谱特征,利用植被光谱特征,利用光谱导向改进图像技术,将植被光谱特征与蚀变遥感异常信息联系在一起,添加光谱导向信息后再提取蚀变遥感异常信息,从而增强了蚀变遥感异常信息,使得所提取的蚀变遥感异常信息更精准;此外,由于本发明是利用植被光谱特征提取的蚀变遥感异常信息,只需要考虑植被光谱特征,不受植被的其他植被数据以及季节等因素的影响,因此,本发明所提供的提取方法及系统不受天气以及季节等因素的影响,这样提取的蚀变遥感异常信息也更精准;且植被光谱特征是植被本身所具有的显示植被的确定特征,更进一步提高了蚀变遥感异常信息提取的准确度,由实践证明,本发明所提供的提取方法及系统具有非常好的有效性。
附图说明
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的光谱特征标记图;
图2为本发明所提供的太阳光谱辐射照度分布曲线图;
图3为本发明所提供的植被覆盖区蚀变遥感异常信息的提取方法流程图;
图4为本发明所提供的遥感图像的边界信息示意图;
图5为本发明所提供的剔除边界信息前与剔除边界信息后的对比图;
图6为本发明所提供的几种干扰类型的光谱线特征图;
图7为本发明所提供的概率(频率直方图)与标准离差的关系图;
图8为本发明所提供的某个波段的频率直方图;
图9为本发明所提供的分区结果对比图;
图10为本发明所提供的线性拉伸前后的对比图;
图11为本发明所提供的处理后的遥感图像中第一植被光谱特征与原来的遥感图图像的植被光谱特征的对比图;
图12为本发明所提供的改进后的遥感图像示意图;
图13为本发明所提供的在实际应用中的蚀变遥感异常提取方法流程图;
图14为本发明所提供的经过栅格与矢量叠加处理后的植被覆盖区影像图;
图15为本发明所提供的采用本发明的提取方法植被覆盖区的各类异常图;
图16为本发明所提供的采用本发明的提取方法实际应用的第一野外验证结果图;
图17为本发明所提供的采用本发明的提取方法实际应用的第二野外验证结果图;
图18为本发明所提供的植被覆盖区蚀变遥感异常信息的提取系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种植被覆盖区蚀变遥感异常信息的提取方法及系统,使得隐没在植被中的蚀变遥感异常信息凸显出来,从而提高蚀变遥感异常信息的提取精确度,在实际应用中,能够准确找到矿物质,具有很高的经济价值。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明受中央级公益性科研院所基本科研业务费专项资金资助项目(编号:K1501,K1607)的资助。本发明所公开的植被覆盖区蚀变遥感异常信息的提取方法及系统是对现有技术的一个改进,为植被区遥感找矿提供了一种新的技术方法。
大量实践证明,主成分分析在遥感蚀变异常提取中具有非常好的效果,在中国西部戈壁荒漠区已经去的了非常好的结果。但在植被区,微弱的蚀变遥感异常信息隐没在植被的背景噪声中,通过对主成分分析原理分析,发现主成分分析变换时,其平移和旋转不能够达到识别微弱蚀变遥感异常信息的目的。因此在本技术中,采用光谱导向异常提取方法,来实现植被区蚀变遥感异常信息提取的工作。
图3为本发明所提供的植被覆盖区蚀变遥感异常信息的提取方法流程图,如图3所示,一种植被覆盖区蚀变遥感异常信息的提取方法,包括:
步骤301:获取植被覆盖区内的遥感图像。
步骤302:对所述遥感图像进行预处理,得到处理后的遥感图像。
所述步骤302具体包括:
利用公式剔除所述遥感图像的边界信息,得到剔除后的遥感图像;其中,公式(1)中各字母表示的含义为:n为所述遥感图像的波段总数;xi为第i波段剔除边界前的遥感图像;yi为第i波段剔除边界后的值,i=1,…,n。
图4为本发明所提供的遥感图像的边界信息示意图,如图4所示,R,G,B分别代表红,绿,蓝三个波段对应空间坐标的数据值,三个波段在平面(代表地球表面)的坐标(X,Y)是不重合的,主要反映在边界上的一些信息不重合,采用交集的性质取中间重合部位的信息。
边界信息指的是遥感数据在获取时,每个波段所获取的数据是不一样的,图5为本发明所提供的剔除边界信息前与剔除边界信息后的对比图,如5所示,图5中的A,如果所研究的区域正好含有边界信息,就需要去除边界信息,使得每一个波段都含有信息;所采用的方法就是都每一个波段是否含有信息进行判断,如果含有信息,则附值为1,没有信息,附值为0,生成一个二值图像,最后把每一个波段二值图像相乘形成一个新的二值图像,最后把每个波段与二值图像相乘,这样就去除了边界信息。具体公式如下:
在实际应用中,对于本发明要避免云、水体、阴影区、白泥地、冰雪、植被、湿地、干河道、冲积扇等九类常见干扰异常。对于干扰的检测采用目估法,一般干扰地物能够在增强型专题绘图仪的743彩色合成图像或高级星载热发射反射辐射计的631彩色合成图像有明显的特征,比如云的白色等,去除方法选用比值法、高端或低端切割法、Q值法以及光谱角法等。
根据比值法、切割法、Q值法以及光谱角法清除所述剔除后的遥感图像的干扰信息,得到清除后的遥感图像。
其中,1)比值法
常用比值法去除阴影、水体、冰雪、白泥地等多种干扰;首先判断干扰地物的各个波段的波谱特征,比如增强型专题绘图仪图像的阴影区第1波段明显大于第7波段,因此采用第7波段比第1波段的方法,设定一个阈值进行去除,植被采用第5波段比第4波段或者第3波段比第4波段的方法等。公式如下:
其中,公式(2)中各字母表示的含义为:i=0,…,n,n指所使用的遥感图像波段总数,xi为i波段去除干扰信息前的波段值,yi为i波段去除干扰信息后的波段值,a∈[1,…,n],Ca是常数,xa是原始a波段对应的波段值,xb为原始b波段对应的波段值;公式的目的为给定一个约束的条件,使得这个条件大于第一阈值或小于第二阈值的波段图像保留下来,其他的波段图像全部被赋值为零。
2)高端或低端切割法
主要是利用干扰地物在遥感图像上某个波段有特征的高反射或强吸收,即某波段干扰地物有高值或低值,比如水体在增强型专题绘图仪的第7波段有低值,采用低端切割方法处理,而云在增强型专题绘图仪的第1波段有高值,采用高端切割方法处理,白泥地在增强型专题绘图仪的第3波段有高值,采用高端切割方法处理等。公式如下:
其中,公式(3)中各字母表示的含义为:i=0,…,n,n指所使用的遥感图像波段总数,xi为i波段去除干扰信息前的波段值,yi为i波段去除干扰信息前后的的波段值,b∈[1,…,n],Cb是常数,xb是原始b波段对应的值。公式(3)给定一个约束的条件,使得这个条件大于第三阈值或小于第四阈值的波段图像保留下来,其他的全部被赋值为零。
3)Q值法
主要解决了雪边或湖边湿地、干河道、冲积区、薄云等干扰。定义Q值如下:
Q=(xa×ka-xb×kb)/xc×kc (4)
其中,公式(4)中各字母所代表的含义为:xa,xb,xc为参与主成分分析的a,b,c三个波段,ka,kb,kc为参与主成分变化的xa,xb,xc对应本征向量的值。
4)光谱角法
对于薄云等来说,采用其他手段去除干扰难度较大,因此我们采用光谱角法;光谱角法把每一个多维空间点以其空间向量来表征,对比空间向量角的相似性,图6为本发明所提供的几种干扰类型的光谱线特征图,如图6所示。它是一种监督分类,要求对每一类别有一个已知参考谱,此参考谱可以是地面测得存入参考谱库的,也可以从具已知条件的图面单元做感兴趣区统计,存入参考谱库;公式如下:
公式5中α,β为n维向量α,β的内积,按内积定义:
(α,β)=α1β1+α2β2+…+αnβn。
|α|、|β|为向量α、βα、β的长度。
求出α,β的内积和长度,便可求出余弦值,从而得α,β的夹角。
利用频域直方图辨别所述清除后的遥感图像是否符合正态分布,若是对所述清除后的遥感图像进行线性拉伸处理,得到第一线性拉伸后的遥感图像;若否,对所述清除后的遥感图像进行分区处理,得到分区后的遥感图像;对所述分区后的遥感图像进行线性拉伸处理,得到第二线性拉伸后的遥感图像;将所述第一线性拉伸后的遥感图像以及所述第二线性拉伸后的遥感图像进行掩膜处理,得到处理后的遥感图像。
在实际应用中,如图7-图8所示,利用频域直方图,综合考虑每个波段,判断每个波段的直方图是否近似为正态分布,判断这个窗口内的各个波段直方图是否近似为正态分布,也可以采用目估法。
图示目估法:设定一个M×N的窗口,这个窗口内遥感图像某一个波段像元xj,k(j=1,m;k=1,n)区间为[x0,xn],统计这个窗口内的直方图,公式如下:
目估直方图是否符合正态分布:
计算判断法:设定一个M×N的窗口,这个窗口内遥感图像某一个波段像元值为xj,k(j=1,m;k=1,n),像元均值为x,标准差为σ,利用偏度系数和峰度系数进行判断。
偏度系数满足公式:
其中ε1为给定一个很小的正数。
峰度系数满足公式:
其中ε2为给定一个很小的正数。
分区处理
如果图像不满足正态分布,需要对图像进行分区,使得分区后每个区内图像的每个波段直方图呈正态分布。一般采用按照某类标准进行分类,比如地形复杂地区与地形简单地区分成不同的类,植被发育地区与植被不发育地区分出不同的类等。采用二值位图方式进行区分,公式如下:
其中,为第j波段分区的第i区结果波段,Wi为第i类分类二值位图(在这个类里为1,不在这个类里为0),xj为第j波段的原始数据值,j=1,2,…,n,n为波段总数,i=2,3,…n,i表示分类结果,图9为本发明所提供的分区结果对比图,如图9所示。
线性拉伸
首先利用直方图图示进行目估,如果遥感图像为一个M×N的窗口,这个窗口内遥感图像某一个波段像元xj,k(j=1,m;k=1,n)区间为[x0,xn],统计这个窗口内的直方图,公式如下:
其中pi为i个分类结果的频率直方图,i∈[0,n],xj,k=xi为逻辑操作。
取pi的最大值与最小值,即max(pi)和min(pi),然后把最小值作为0,最大值作为255,中间其他值按内插重新采样。公式如下:
其中,yj,k为原始图像某一波段像元xj,k拉伸后的波段值,j=1,m;k=1,n,图10为本发明所提供的线性拉伸前后的对比图,如图10所示。
掩膜
掩膜作用是确定哪些数据需要参加计算,哪些不需要。要生成一个掩膜,其实就是生成一个二值图像,0值表示不需要参与计算的数据,1值表示需要参与计算的数据,生成掩膜一般采用波段的逻辑计算方法。
τ为生成的掩膜,yi为去除干扰信息的数据,xi,xj为原始数据,为关系运算符(包括<、≤、≯、>、≥、≮、≠、=等),为数学运算符(包括±、×、÷等),c1,c2,c3为常数。
步骤303:根据所述处理后的遥感图像确定所述植被覆盖区内植被的植被光谱特征;所述植被光谱特征为任一波长具有的反射率。
植被在不同的波段,具有不同的吸收和反射光谱特征。在可见光波段内,在中心波长分别为0.45μm(蓝色)和0.65μm(红色)的两个谱带内为叶绿素吸收峰,在0.54μm(绿色)附近有一个反射峰;在光谱的中红外阶段,绿色植物的光谱响应主要被1.4μm、1.9μm和2.7μm附近的水的强烈吸收带所支配;主要表现为一定波长具有一定的反射率。
所述步骤303具体包括:
利用公式计算所述遥感图像以及所述处理后的遥感图像的协方差变换矩阵;其中,C为协方差变换矩阵,X为植被光谱特征,T为转置矩阵,N为波段数;将所述遥感图像以及所述处理后的遥感图像进行对比,根据所述协方差变换矩阵确定第一植被光谱特征。
对于植被区遥感图像来说,植被覆盖量大且覆盖范围广,因此需要把植被覆盖下的信息相对显示出来,采用光谱导向改进图像;根据以上处理获得的图像,判断植被特征波段。根据植被的光谱特征,植被光谱导向改进图像,先计算植被覆盖的大约浓度,设置协方差变换矩阵C,使得公式CL=λLik(14)成立,公式(14)中L为本征矩阵,各Lik是此本征向量的分量;λ为C矩阵的本征值;根据公式ξv=LX=[ξ1…ξn](15)求得第一植被光谱特征,其中,ξv为第一植被光谱特征,ξ1…ξn表示从1....n波段的植被光谱特征。
将所述第一植被光谱特征进行变换,确定第二植被光谱特征。
把经过变换的第一植被光谱特征与原来图像的植被光谱特征进行对比,找出反映植被特征的第二植被光谱特征,如图11所示,植被特征的变量(右图)其白色部分对应遥感假彩色合成图像(图中采用增强型专题绘图仪图像741的假彩色合成,灰色的植被)所反映植被的部分。
利用公式ξvmax=max(ξ1…ξn) (16)求出第一植被光谱特征的最值,ξvmax为第一植被光谱特征的最大值。
利用公式ξv'=[ξvmax-ξ1…ξvmax-ξn] (17)计算第二植被光谱特征,其中,ξv'为第二植被光谱特征。
步骤304:利用所述植被光谱特征,对所述处理后的遥感图像进行光谱导向改进处理,得到改进后的遥感图像。
根据所述第二植被光谱特征确定改进后的遥感图像。
利用第二植被光谱特征替换第一植被光谱特征,利用公式X'=LTξ'v进行反变换,其中,X'为改进后的遥感图像,图12为本发明所提供的改进后的遥感图像示意图,如图12所示。
步骤305:根据所述改进后的遥感图像,提取所述植被覆盖区内的蚀变遥感异常信息。
所述步骤305具体包括:采用主成分分析法对所述改进后的遥感图像进行主成分分析处理,得到分析后的遥感图像。
常规的主成分分析法原理为:第一步是移动坐标原点,使平均值为零。在这一步骤后,可将坐标旋转,使一个坐标轴与数据具有最大分布的方向相符合,这个旋转后的新轴即第一主分量,它占有总变异的第一大分额。垂直于它的另一个坐标轴则代表其余变异的方向,这就是第二主分量。在两维以上的多维空间里,这样的处理将继续进行,以确定一组直角坐标轴,这些轴逐渐将全部变异分配(消耗)掉,它并不能全部包含在一个次一级主分量中,而是有多少个原始参数就会有几个主分量。各主分量变异值的总和与变换前的变异值总和相等,这就是信息量守恒。
原始有几个波段的数据就影射到几个新的主分量上。各主分量是本征向量线性相加组合而成的。在数学中,就是找出一些新变量ξ1,ξ2,……,ξp,使它们是X的线性函数,而且彼此不相关,即
实际上,就是求出p2个常数Lik(i,k=1,…,p)按矩阵表示:
CL=λLik(20)
公式19-20中L为本征矩阵,各Lik是此本征向量的分量;λ为C矩阵的本征值。λ和L有以下特点:
*对应于不同λ的L(即各主分量)线性不相关;
*且正交。
从线性代数中知道协方差矩阵C的本征多项式为det(λI-C),此本征多项式的根λ都是协方差矩阵C的本征值。
计算过程为:
*求本征值λ:|λI|-C=0;
*求本征向量L:(λI-C)L=0
在N波段数据坐标轴转置的时候,协方差矩阵也将被变换,变换之后各波段之间的协方差变为零。
各点与其重心距离的平方和即为本征值之和,这个和可表示为S。在一定意义上,可以说第一个分量“构成”的变异与总变异的比例是λ1/S,前两个分量“构成”的变异与总变异之比是(λ1+λ2)/S,如此等等。有时为了方便譬如可以说“前4个分量构成变异的p%”。
某主分量的本征值就是若消去该主分量后,对相应的本征向量所引入的均方误差值。
采用本征向量判读法对所述分析后的遥感图像进行判读,得到判读后的遥感图像。
对于求出的本征向量,按照与参与主成分分析的各个波段进行对应,考虑符合蚀变异常特征的那个本征向量,一般为第4个向量。对应关系如表1所示:
表1
如果某一异常的特征为Va4>Vb4<Vc4>Vd4,那么Va4、Vc4一定与Vb4、Vd4的符号相反,而Va4与Vc4、Vb4与Vd4的符号相同。用于异常切割的本征向量4要求Vc4为正号,如果为负号,需要经过转换变成正号,公式如下:
对所述判读后的遥感图像进行异常分割,得到分割后的遥感图像。
在主成分分析前,经过处理后使得每个波段的直方图为正态分布,转化后的异常主分量(即某本征向量)直方图也为正态分布,我们利用正态分布的有关理论进行异常的切割。正态分布公式如下:
其中,n为样本数,为均值,xi为每个样本的值,在做异常切割或数据切割时便可借用σ这个表征正态分布曲线的尺度。例如,主分量分析结果可以把均值(X)理解为代表区域背景,利用(X+kσ)确定异常下限和划分异常强度等级。一般取4σ作为最小与最大限值。
切割异常时有了这一尺度可以减少主观任意性,异常分级是按式计算的:
L=127.5+kσ*SF;或L=127.5+k*127.5/4;H=L+1;
式中H为切割高门限值、L为分割低门限值;k为倍数;σ为标准离差;SK为比例因子;σ和SK由主分量分析报告给出。
采用Q值法以及中值滤波法优化所述分割后的遥感图像,得到优化后的遥感图像。
在植被覆盖区由于进行多种干扰的去除时,工作者一般都存在担心去除过多,伤害有价值信息的顾虑,故而在异常提取之后尚需进一步仔细观察是否存在残余干扰造成的假异常,采取数字手段通过后处理对异常加以优化。常用Q值法进行后处理,Q定义为:
Q=(%5×k5-%7×k7)/%1×k1
由表1和式中(%N)表示增强型专题绘图仪第N波段或数据库第N通道中的像素值,kn表示增强型专题绘图仪第n波段的贡献系数(由主成分分析本征向量所决定)。
然后进行中值滤波,进一步优化异常。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的为二维数据序列。二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)};
其中,f(x,y),g(x,y)分别为原始图像和处理后图像,W为二维模板,通常为3*3,5*5区域,也可以是不同的的形状,如线状,圆形,十字形,圆环形等。
对所述优化后的遥感图像进行栅格与矢量叠加处理,得到叠加后的遥感图像。
对于底图采用具有信息熵最大的波段组合的假彩色图,矢量采用具有相同投影的点线面表示。利用坐标分层把栅格和矢量进行叠加处理。从而形成适合人眼习惯的图像。
矢量f(x,y,z),x和y为矢量对应的坐标值,z为特征值,f(x,y,z)为矢量值,栅格g(x',y'),x'和y'为栅格对应的坐标值,g(x',y')为栅格灰度值。
令x=x',y=y',从而实现栅格灰度值和矢量的叠加。
根据所述叠加后的遥感图像提取所述植被覆盖区内的蚀变遥感异常信息。
图13为本发明所提供的在实际应用中的蚀变遥感异常提取方法流程图,如图13所示,本发明利用蚀变矿物岩石上植被光谱特征为导向,通过光谱导向利用蚀变异常提取方法提取蚀变遥感异常,并将其结果有针对性的应用于找植被区矿床的遥感找矿信息提取技术,能够解决植被区蚀变遥感异常提取方法难度大,假异常多,大量的与找矿关系不大的“面积型”异常出现,找矿没有针对性等多个问题。本发明采用光谱导向蚀变遥感异常信息提取技术获取的异常分布范围小,减少了与找矿关系不大的“面积型”异常,对植被区矿床的勘查针对性强,有利于更快更准的优选找矿靶区,对于矿产勘查工作可以起到节省时间、节约人力物力,事半功倍的作用,是科学技术进步促进生产发展的新技术;且如图14-图17所示,本发明所提供的提取方法以在部分地区取得了巨大成绩。
图18为本发明所提供的植被覆盖区蚀变遥感异常信息的提取系统结构图,如图18所示,一种植被覆盖区蚀变遥感异常信息的提取系统,包括:
遥感图像获取模块1801,用于获取植被覆盖区内的遥感图像。
预处理模块1802,用于对所述遥感图像进行预处理,得到处理后的遥感图像。
所述预处理模块1802具体包括:剔除单元,用于利用公式剔除所述遥感图像的边界信息,得到剔除后的遥感图像;其中,n为所述遥感图像的波段总数;xi为第i波段剔除边界前的遥感图像;yi为第i波段剔除边界后的值,i=1,…,n;清除单元,用于根据比值法、切割法、Q值法以及光谱角法清除所述剔除后的遥感图像的干扰信息,得到清除后的遥感图像;所述干扰异常包括云、水体、阴影区、白泥地、冰雪、湿地、干河道以及冲积扇对所述植被覆盖区造成的干扰异常;第一辨别单元,用于利用频域直方图辨别所述清除后的遥感图像是否符合正态分布,得到第一辨别结果;第一线性拉伸处理单元,用于若所述第一辨别结果表示为所述清除后的遥感图像符合正态分布,对所述清除后的遥感图像进行线性拉伸处理,得到第一线性拉伸后的遥感图像;第二线性拉伸处理单元,用于若所述第一辨别结果表示为所述清除后的遥感图像不符合正态分布,对所述清除后的遥感图像进行分区处理,得到分区后的遥感图像;对所述分区后的遥感图像进行线性拉伸处理,得到第二线性拉伸后的遥感图像;掩膜处理单元,用于将所述第一线性拉伸后的遥感图像以及所述第二线性拉伸后的遥感图像进行掩膜处理,得到处理后的遥感图像。
植被光谱特征确定模块1803,用于根据所述处理后的遥感图像确定所述植被覆盖区内植被的植被光谱特征;所述植被光谱特征为任一波长具有的反射率。
改进模块1804,用于利用所述植被光谱特征,对所述处理后的遥感图像进行光谱导向改进处理,得到改进后的遥感图像。
所述改进模块1804具体包括:协方差变换矩阵计算单元,用于利用公式计算所述遥感图像以及所述处理后的遥感图像的协方差变换矩阵;其中,C为协方差变换矩阵,X为植被光谱特征,T为转置矩阵,N为波段数;第一植被光谱特征确定单元,用于将所述遥感图像以及所述处理后的遥感图像进行对比,根据所述协方差变换矩阵确定第一植被光谱特征;第二植被光谱特征确定单元,用于将所述第一植被光谱特征进行变换,确定第二植被光谱特征;改进单元,用于根据所述第二植被光谱特征确定改进后的遥感图像。
所述第二植被光谱特征确定单元具体包括:最大值确定子单元,用于确定所述第一植被光谱特征的最大值;第二植被光谱特征确定子单元,用于根据所述最大值以及所述植被光谱特征确定所述第二植被光谱特征。
提取模块1805,用于根据所述改进后的遥感图像,提取所述植被覆盖区内的蚀变遥感异常信息。
所述提取模块1805具体包括:主成分分析单元,用于采用主成分分析法对所述改进后的遥感图像进行主成分分析处理,得到分析后的遥感图像;本征向量判读单元,用于采用本征向量判读法对所述分析后的遥感图像进行判读,得到判读后的遥感图像;异常分割单元,用于对所述判读后的遥感图像进行异常分割,得到分割后的遥感图像;优化单元,用于采用Q值法以及中值滤波法优化所述分割后的遥感图像,得到优化后的遥感图像;叠加单元,用于对所述优化后的遥感图像进行栅格与矢量叠加处理,得到叠加后的遥感图像;提取单元,用于根据所述叠加后的遥感图像提取所述植被覆盖区内的蚀变遥感异常信息。
在2017年期间到现在,我们利用这种方法在云南发现了多个矿(化)点,为当地的找矿做出了显著贡献,本发明采用本发明所提供的提取方法及系统,对植被区蚀变遥感异常信息进行提取,达到了抑制蚀变遥感异常信息的植被背景噪声的目的。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应解为对本发明的限制。
Claims (8)
1.一种植被覆盖区蚀变遥感异常信息的提取方法,其特征在于,包括:
获取植被覆盖区内的遥感图像;
对所述遥感图像进行预处理,得到处理后的遥感图像;
根据所述处理后的遥感图像确定所述植被覆盖区内植被的植被光谱特征;所述植被光谱特征为任一波长具有的反射率;
利用所述植被光谱特征,对所述处理后的遥感图像进行光谱导向改进处理,得到改进后的遥感图像;具体包括:利用公式计算所述遥感图像以及所述处理后的遥感图像的协方差变换矩阵;其中,C为协方差变换矩阵,X为植被光谱特征,T为转置矩阵,N为波段数;将所述遥感图像以及所述处理后的遥感图像进行对比,根据所述协方差变换矩阵确定第一植被光谱特征;将所述第一植被光谱特征进行变换,确定第二植被光谱特征;根据所述第二植被光谱特征确定改进后的遥感图像;
根据所述改进后的遥感图像,提取所述植被覆盖区内的蚀变遥感异常信息。
2.根据权利要求1所述的提取方法,其特征在于,所述对所述遥感图像进行预处理,得到处理后的遥感图像,具体包括:
根据比值法、切割法、Q值法以及光谱角法清除所述剔除后的遥感图像的干扰信息,得到清除后的遥感图像;所述干扰信息包括云、水体、阴影区、白泥地、冰雪、湿地、干河道以及冲积扇对所述植被覆盖区造成的干扰异常;
利用频域直方图辨别所述清除后的遥感图像是否符合正态分布,得到第一辨别结果;
若所述第一辨别结果表示为所述清除后的遥感图像符合正态分布,对所述清除后的遥感图像进行线性拉伸处理,得到第一线性拉伸后的遥感图像;
若所述第一辨别结果表示为所述清除后的遥感图像不符合正态分布,对所述清除后的遥感图像进行分区处理,得到分区后的遥感图像;对所述分区后的遥感图像进行线性拉伸处理,得到第二线性拉伸后的遥感图像;
将所述第一线性拉伸后的遥感图像以及所述第二线性拉伸后的遥感图像进行掩膜处理,得到处理后的遥感图像。
3.根据权利要求1所述的提取方法,其特征在于,所述将所述第一植被光谱特征进行变换,确定第二植被光谱特征,具体包括:
确定所述第一植被光谱特征的最大值;
根据所述最大值以及所述植被光谱特征确定所述第二植被光谱特征。
4.根据权利要求1所述的提取方法,其特征在于,所述根据所述改进后的遥感图像,提取所述植被覆盖区内的蚀变遥感异常信息,具体包括:
采用主成分分析法对所述改进后的遥感图像进行主成分分析处理,得到分析后的遥感图像;
采用本征向量判读法对所述分析后的遥感图像进行判读,得到判读后的遥感图像;
对所述判读后的遥感图像进行异常分割,得到分割后的遥感图像;
采用Q值法以及中值滤波法优化所述分割后的遥感图像,得到优化后的遥感图像;
对所述优化后的遥感图像进行栅格与矢量叠加处理,得到叠加后的遥感图像;
根据所述叠加后的遥感图像提取所述植被覆盖区内的蚀变遥感异常信息。
5.一种植被覆盖区蚀变遥感异常信息的提取系统,其特征在于,包括:
遥感图像获取模块,用于获取植被覆盖区内的遥感图像;
预处理模块,用于对所述遥感图像进行预处理,得到处理后的遥感图像;
植被光谱特征确定模块,用于根据所述处理后的遥感图像确定所述植被覆盖区内植被的植被光谱特征;所述植被光谱特征为任一波长具有的反射率;
改进模块,用于利用所述植被光谱特征,对所述处理后的遥感图像进行光谱导向改进处理,得到改进后的遥感图像;具体包括:协方差变换矩阵计算单元,用于利用公式计算所述遥感图像以及所述处理后的遥感图像的协方差变换矩阵;其中,C为协方差变换矩阵,X为植被光谱特征,T为转置矩阵,N为波段数;第一植被光谱特征确定单元,用于将所述遥感图像以及所述处理后的遥感图像进行对比,根据所述协方差变换矩阵确定第一植被光谱特征;第二植被光谱特征确定单元,用于将所述第一植被光谱特征进行变换,确定第二植被光谱特征;改进单元,用于根据所述第二植被光谱特征确定改进后的遥感图像;
提取模块,用于根据所述改进后的遥感图像,提取所述植被覆盖区内的蚀变遥感异常信息。
6.根据权利要求5所述的提取系统,其特征在于,所述预处理模块具体包括:
清除单元,用于根据比值法、切割法、Q值法以及光谱角法清除所述剔除后的遥感图像的干扰信息,得到清除后的遥感图像;所述干扰信息包括云、水体、阴影区、白泥地、冰雪、湿地、干河道以及冲积扇对所述植被覆盖区造成的干扰异常;
第一辨别单元,用于利用频域直方图辨别所述清除后的遥感图像是否符合正态分布,得到第一辨别结果;
第一线性拉伸处理单元,用于若所述第一辨别结果表示为所述清除后的遥感图像符合正态分布,对所述清除后的遥感图像进行线性拉伸处理,得到第一线性拉伸后的遥感图像;
第二线性拉伸处理单元,用于若所述第一辨别结果表示为所述清除后的遥感图像不符合正态分布,对所述清除后的遥感图像进行分区处理,得到分区后的遥感图像;对所述分区后的遥感图像进行线性拉伸处理,得到第二线性拉伸后的遥感图像;
掩膜处理单元,用于将所述第一线性拉伸后的遥感图像以及所述第二线性拉伸后的遥感图像进行掩膜处理,得到处理后的遥感图像。
7.根据权利要求5所述的提取系统,其特征在于,所述第二植被光谱特征确定单元具体包括:
最大值确定子单元,用于确定所述第一植被光谱特征的最大值;
第二植被光谱特征确定子单元,用于根据所述最大值以及所述植被光谱特征确定所述第二植被光谱特征。
8.根据权利要求5所述的提取系统,其特征在于,所述提取模块具体包括:
主成分分析单元,用于采用主成分分析法对所述改进后的遥感图像进行主成分分析处理,得到分析后的遥感图像;
本征向量判读单元,用于采用本征向量判读法对所述分析后的遥感图像进行判读,得到判读后的遥感图像;
异常分割单元,用于对所述判读后的遥感图像进行异常分割,得到分割后的遥感图像;
优化单元,用于采用Q值法以及中值滤波法优化所述分割后的遥感图像,得到优化后的遥感图像;
叠加单元,用于对所述优化后的遥感图像进行栅格与矢量叠加处理,得到叠加后的遥感图像;
提取单元,用于根据所述叠加后的遥感图像提取所述植被覆盖区内的蚀变遥感异常信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810050098.XA CN108171210B (zh) | 2018-01-18 | 2018-01-18 | 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810050098.XA CN108171210B (zh) | 2018-01-18 | 2018-01-18 | 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171210A CN108171210A (zh) | 2018-06-15 |
CN108171210B true CN108171210B (zh) | 2020-06-19 |
Family
ID=62515199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810050098.XA Active CN108171210B (zh) | 2018-01-18 | 2018-01-18 | 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171210B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063606B (zh) * | 2018-07-16 | 2021-05-18 | 中国地质科学院矿产资源研究所 | 矿化蚀变遥感信息提取方法及装置 |
CN109165580A (zh) * | 2018-08-09 | 2019-01-08 | 东华理工大学 | 高密度植被覆盖区条件下的遥感影像蚀变异常信息提取方法 |
CN109145881B (zh) * | 2018-10-09 | 2021-06-22 | 中国地质科学院矿产资源研究所 | 一种遥感图像膏盐信息提取方法及装置 |
CN109738948B (zh) * | 2018-12-20 | 2020-10-23 | 核工业北京地质研究院 | 一种提取岩芯氧化还原过渡带信息的光谱数据处理方法 |
CN112330700A (zh) * | 2020-11-16 | 2021-02-05 | 四川航天神坤科技有限公司 | 一种卫星影像的耕地地块提取方法 |
CN115753632B (zh) * | 2022-10-19 | 2024-05-31 | 山东大学 | 基于图像光谱的隧道内不良地质体实时判识方法及系统 |
CN116843884A (zh) * | 2023-07-05 | 2023-10-03 | 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) | 一种伟晶岩型稀有金属矿的识别方法及系统 |
CN117789999B (zh) * | 2024-02-27 | 2024-05-03 | 济宁医学院附属医院 | 一种医疗健康大数据优化采集方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539998A (zh) * | 2009-04-29 | 2009-09-23 | 中国地质科学院矿产资源研究所 | 蚀变遥感异常提取方法和系统 |
CN103383348A (zh) * | 2013-05-28 | 2013-11-06 | 吉林大学 | 植被覆盖区高光谱遥感蚀变矿物提取方法 |
CN103544477A (zh) * | 2013-09-30 | 2014-01-29 | 北京师范大学 | 基于改进的线性光谱混合模型的植被覆盖度估算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9830514B2 (en) * | 2013-12-27 | 2017-11-28 | Weyerhaeuser Nr Company | Method and apparatus for distinguishing between types of vegetation using near infrared color photos |
-
2018
- 2018-01-18 CN CN201810050098.XA patent/CN108171210B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539998A (zh) * | 2009-04-29 | 2009-09-23 | 中国地质科学院矿产资源研究所 | 蚀变遥感异常提取方法和系统 |
CN103383348A (zh) * | 2013-05-28 | 2013-11-06 | 吉林大学 | 植被覆盖区高光谱遥感蚀变矿物提取方法 |
CN103544477A (zh) * | 2013-09-30 | 2014-01-29 | 北京师范大学 | 基于改进的线性光谱混合模型的植被覆盖度估算方法 |
Non-Patent Citations (3)
Title |
---|
The Potentials of Multi-spectral Remote Sensing Techniques for Mineral Prognostication — Taking Mongolian Oyu Tolgoi Cu-Au Deposit as an Example;ZHANG Yujun等;《EARTH SCIENCE FRONTIERS》;20070930;第14卷(第5期);第63-70页 * |
不同植被覆盖率地区遥感矿化蚀变提取研究;沈利霞 等;《现代地质》;20080430;第22卷(第2期);第293-298页 * |
基于特征导向主成分分析遥感蚀变异常提取方法;谢明辉 等;《地球科学——中国地质大学学报》;20150831;第40卷(第8期);第1381-1385页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171210A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171210B (zh) | 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 | |
CN109961087B (zh) | 基于空间数据集分析的异常遥感信息提取方法及装置 | |
CN100547438C (zh) | 一种油气勘探方法及系统 | |
Kruse et al. | Fifteen years of hyperspectral data: northern Grapevine Mountains, Nevada | |
CN102749296A (zh) | 多光谱遥感斑岩铜矿床蚀变分带信息提取方法及装置 | |
Zhai | Inversion of organic matter content in wetland soil based on Landsat 8 remote sensing image | |
CN109063606B (zh) | 矿化蚀变遥感信息提取方法及装置 | |
CN108280433B (zh) | 一种植被覆盖区下金矿的识别方法及系统 | |
CN109145881B (zh) | 一种遥感图像膏盐信息提取方法及装置 | |
CN109406405A (zh) | 一种适用于盐湖水体矿化度的高分辨率遥感定量估算方法 | |
Omran | Rapid prediction of soil mineralogy using imaging spectroscopy | |
Salehi et al. | Mapping ultramafic complexes using airborne imaging spectroscopy and spaceborne data in Arctic regions with abundant lichen cover, a case study from the Niaqornarssuit complex in South West Greenland | |
CN109738369B (zh) | 一种采用航空高光谱遥感玉器的考古探测方法 | |
Jiang et al. | Estimation of rock copper content based on fractional-order derivative and visible near-infrared–shortwave infrared spectroscopy | |
CN114386497A (zh) | 面向铀成矿构造的航空高光谱和伽玛能谱数据融合方法 | |
Fan et al. | Application of an airborne hyper-spectral survey system CASI/SASI in the gold-silver-lead-zinc ore district of Huaniushan, Gansu, China | |
Rani et al. | Performance of image classification on hyperspectral imagery for lithological mapping | |
Fereydooni et al. | Full unmixing hydrothermal alteration minerals mapping by integration of pattern recognition network and directed matched filtering algorithm | |
Wu et al. | Provenance variations of the loess deposits in the East Asian monsoon boundary zone, Northeast China: Response to the variations of climate and wind regimes | |
Brandmeier | Remote sensing of Carhuarazo volcanic complex using ASTER imagery in Southern Peru to detect alteration zones and volcanic structures–a combined approach of image processing in ENVI and ArcGIS/ArcScene | |
Patteti et al. | Design of a feature-tuned ANN model based on bulk rock-derived mineral spectra for endmember classification of a hyperspectral image from an iron ore deposit | |
Parashar | Mapping of Alteration mineral zones by combining techniques of Remote Sensing and Spectroscopy in the parts of SE-Rajasthan | |
Seid et al. | Identification of lithology and structures in Serdo, Afar, Ethiopia using remote sensing and Gis techniques | |
Mohammadizad et al. | Advanced investigation of remote sensing to geological mapping of Zefreh region in central Iran | |
Ghannadpour et al. | Delineation of mineral potential zone using U-statistic method in processing satellite remote sensing images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |