CN108593575A - 一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法 - Google Patents

一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法 Download PDF

Info

Publication number
CN108593575A
CN108593575A CN201810348610.9A CN201810348610A CN108593575A CN 108593575 A CN108593575 A CN 108593575A CN 201810348610 A CN201810348610 A CN 201810348610A CN 108593575 A CN108593575 A CN 108593575A
Authority
CN
China
Prior art keywords
wave spectrum
spectrum
data
remote sensing
end member
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.)
Pending
Application number
CN201810348610.9A
Other languages
English (en)
Inventor
李志军
郭奇奇
欧俊
李丕蓉
何子轩
韩泽伟
尤孟
何珊
赵润东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201810348610.9A priority Critical patent/CN108593575A/zh
Publication of CN108593575A publication Critical patent/CN108593575A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N21/3151—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using two sources of radiation of different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06F3/04845—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range for image manipulation, e.g. dragging, rotation, expansion or change of colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Toxicology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法，所述方法包括以下步骤：基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物的波谱；将得到所述波谱，用混合调谐匹配滤波法进行结果分析，确定最终的端元波谱；依据端元波谱利用匹配滤波的方法进行单矿物和矿物组合的提取且根据提取结果圈定异常范围，再结合遥感底图圈定成矿预测区。本发明不仅更多考虑到矿物波谱信息，而且在沙漏工具中统一进行MNF、PPI、n‑维可视化、波谱识别等过程减轻工作量，提高了效率，且取得了较好的结果。

Description

一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法
技术领域
本发明涉及矿产资源勘查领域，具体而言，涉及一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法。
背景技术
伴随着我国经济的快速发展，矿产资源的需求与日俱增，各种矿产资源勘察的技术和方法也日趋成熟。目前利用高光谱遥感影像数据进行矿产资源勘查已成为一种趋势，但是在一些高海拔，未被高光谱影像完全覆盖的地区则缺少了利用高光谱影像进行找矿的机会，这对某些地区仍是一个亟待解决的问题。
目前，利用多光谱遥感数据通过一系列的光谱分析技术进行遥感异常靶区圈定和成矿预测已广泛应用于地质行业中。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷，提供一种基于高光谱数据光谱分析技术的多光谱遥感蚀变信息成矿预测方法，该方法可弥补一些地区高光谱数据资源不足的缺陷，同时又可利用多光谱遥感数据的优势结合各种矿物的波谱特性也可完成遥感异常靶区的圈定和成矿预测工作，且效果显著。
一种基于波谱沙漏工具的多光谱遥感成矿预测方法，所述方法包括以下步骤：
步骤1：基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物的波谱，所述波谱是指通过最小噪声分离(Minimum Noise Fraction，以下简称：MNF)、纯净像元指数(Pixel Purity Index，以下简称：PPI)、光谱角填图(Spectral Angle Mapper，以下简称：SAM)获取的矿物波谱；
步骤2：将得到所述波谱，用混合调谐匹配滤波(Mixture Tuned MatchedFiltering，以下简称：MTMF)法进行结果分析，确定最终的端元波谱；
步骤3：依据端元的波谱利用匹配滤波(matched filtering，以下简称：MF)的方法进行单矿物和矿物组合的提取且根据提取结果圈定异常范围，再结合遥感底图圈定成矿预测区；
所述遥感蚀变矿物为：Fe3+矿物、Mg-OH矿物、Al-OH矿物。
进一步地，如上所述方法，在基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物波谱之前需要对选用的Landsat8的OLI数据以及ASTER遥感影像数据进行预处理，具体包括：
Landsat8的OLI数据：
对下载的Landsat8的OLI数据进行辐射定标；
辐射定标后的Landsat8的OLI数据进行大气校正；
大气校正后对OLI数据的可见光、近红外-短波红外波段与全色波段进行融合；
融合后图像的进行拼接，裁剪；
ASTER数据：
ASTER数据的可见光、近红外-短波红外波段图层叠加；
叠加后的影像数据进行辐射定标；
辐射定标后的ASTER数据进行大气校正；
大气校正后的ASTER数据进行拼接，裁剪。
进一步地，如上所述方法，基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变Fe3+矿物波谱，具体包括以下措施：
打开ENVI5.1，对选用的OLI数据进行波谱重采样；
打开波谱沙漏工具，选择OLI数据作为所述的遥感影像数据；
数据维数判断：MNF，计算数据维数可以实现数据的降维，分离噪声，减少计算量；
端元波谱选择：PPI计算，通过n维可视化器对PPI的结果进行波谱端元的提取；
波谱识别：利用波谱沙漏工具(Spectral Hourglass Wizard，以下简称：SHW)、选用SAM、MTMF、线性波谱分离法(Linear Spectral Unmixing，以下简称：Unmixing)三种分析方法的任意一种进行波谱分析；
所述SAM法得到的是分类结果，每个像元值表示端元波谱的名称；
MTMF法得到的结果是每个端元波谱的MF匹配度和Infeasibility值，可利用散点图选择较好的识别结果；
Unmixing法得到的结果是丰度图像，像元值表示端元波谱所占的比重。
进一步地，如上所述方法，基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变Mg-OH矿物波谱，具体包括以下措施：
打开ENVI5.1，对选用的ASTER数据进行波谱重采样；
启动波谱沙漏工具，选择多光谱数据(选择ASTER数据作为所述的遥感影像数据)；
数据维数判断：MNF，计算数据维数可以实现数据的降维，分离噪声，减少计算量；
端元波谱选择：PPI计算，通过n维可视化器对PPI的结果进行波谱端元的提取；
波谱识别：利用SHW工具、选用SAM、MTMF、Unmixing三种分析方法的任一种种进行波谱分析；
所述SAM法得到的是分类结果，每个像元值表示端元波谱的名称；
MTMF法得到的结果是每个端元波谱的MF匹配度和Infeasibility值，可利用散点图选择较好的识别结果；
Unmixing法得到的结果是丰度图像，像元值表示端元波谱所占的比重。
进一步地，如上所述方法，基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变Al-OH矿物波谱，具体包括以下：
打开ENVI5.1，对选用的ASTER数据进行波谱重采样；
启动波谱沙漏工具，选择多光谱数据(选择ASTER数据作为所述的遥感影像数据)；
数据维数判断：MNF，计算数据维数可以实现数据的降维，分离噪声，减少计算量；
端元波谱选择：PPI计算，通过n维可视化器对PPI的结果进行波谱端元的提取；
波谱识别：利用SHW工具、选用SAM、MTMF、Unmixing三种分析方法的任一种种进行波谱分析；
所述SAM法得到的是分类结果，每个像元值表示端元波谱的名称；
MTMF法得到的结果是每个端元波谱的MF匹配度和Infeasibility值，可利用散点图选择较好的识别结果；
Unmixing法得到的结果是丰度图像，像元值表示端元波谱所占的比重。
进一步地，如上所述方法，所述依据端元波谱利用MF的方法进行单矿物和矿物组合的提取，具体包括以下措施：
打开n维可视化端元波谱曲线文件；
在Spectral工具的matched filtering工具中输入.mnf文件，在import的下拉列表中选择from plot windows，输入.sli文件，执行该操作；
将得到的灰度图像进行中值滤波；
滤波后的图像再经密度分割，将得到的目标像元灰度图依据匹配程度分为三级进行保存，一级为匹配程度最高者，二级次之，三级程度相对较低。
进一步地，如上所述方法，所述根据提取结果圈定异常范围，再结合遥感底图圈定成矿预测区包括：
将各矿物分过级的目标像元灰度图依次导入到mapgis6.7软件中，实现蚀变矿物丰度图像的彩色显示；导入遥感底图，圈定成矿预测区。
有益效果：
本发明提供的预测方法将高光谱数据的光谱分析技术应用于多光谱遥感数据中，主要是在波谱沙漏工具中进行，不仅更多考虑到矿物波谱信息，而且在沙漏工具中统一进行MNF、PPI、n-维可视化、波谱识别等过程减轻工作量，提高了效率，且取得了较好的结果。
附图说明
图1为本发明基于波谱沙漏工具的多光谱遥感成矿预测方法流程图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的在于提供一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法，所述方法不仅考虑了多光谱遥感数据的矿物波谱特性，而且利用高光谱遥感的光谱分析技术，通过波谱沙漏工具又将之前MNF、PPI、n-维可视化等过程统一进行既便捷又提高了效率，还能实现成矿预测。
实施例1：
如图1所示，一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法，所述方法包括以下步骤：
步骤1：基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物(组合)之Fe3+矿物(组合)波谱；
基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物(组合)之Mg-OH矿物(组合)波谱；
基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物(组合)之Al-OH矿物(组合)波谱；
步骤2：将得到的矿物(组合)的波谱，用MTMF(混合调谐匹配滤波)法进行结果分析，确定最终的端元波谱；
步骤3：依据端元波谱利用MF(匹配滤波)的方法进行单矿物和矿物组合的提取且根据提取结果圈定异常范围，再依据遥感底图圈定成矿预测区。
具体地，Fe3+矿物(组合)波谱提取系指对褐铁矿、针铁矿、黄钾铁矾的波谱提取，Mg-OH矿物(组合)波谱提取系指对绿泥石、绿帘石的波谱提取，Al-OH矿物(组合)波谱提取系指白云母、高岭石、地开石的波谱提取。
实施例2：
在实施例1的基础上，本实施例在基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物(组合)波谱之前需要对选用的Landsat8的OLI数据以及ASTER遥感影像数据进行预处理，本次对数据做预处理工作是基于ENVI5.1软件，具体包括：
(1)Landsat8的OLI数据：
①对下载的Landsat8的OLI数据进行辐射定标；②辐射定标后的Landsat8的OLI数据进行大气校正；③大气校正后对OLI数据的可见光、近红外-短波红外波段与全色波段进行融合；④融合后图像的进行拼接，裁剪。
(2)ASTER数据：
①ASTER数据的可见光、近红外-短波红外波段图层叠加；②叠加后的影像数据进行辐射定标；③辐射定标后的ASTER数据进行大气校正(ASTER数据进行大气校正需要将数据格式转为BIL)；④对图像进行拼接，裁剪。
具体地，遥感是利用地物电磁波辐射水平的灰度信息，通过处理、分析、解译，达到地物识别和专题研究的目的。但是，影像的成像过程受到很多因素的影响，如卫星速度变化、电磁波与大气的相互作用、随机噪声等，实际的图像灰度值并不完全是地物辐射电磁波能量大小的反映，造成影像的辐射失真和几何畸变。因此，在进行遥感图像处理前，还需要进行校正处理，也就是预处理，其目的是纠正原始图像中的几何与辐射变形，即通过对图像获取过程中产生的变形、扭曲，模糊和噪音的纠正，以得到一个尽可以在几何和辐射上真实的图像，从而提高遥感数据的质量，提高图像分析的精度。
所述ASTER的短波红外波段包含大量的地表蚀变矿物(组合)信息，在细分含镁羟基和铝羟基蚀变矿物方面具有明显的优势，Landsat 8OLI的可见光-近红外波段则具有识别含Fe 3+蚀变矿物(组合)的优势。
实施例3：
在实施例1或实施例2的基础上，本实施例为了进一步提高所需矿物波谱的识别效果，所述基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物(组合)之Fe3+矿物(组合)波谱，具体包括以下措施：
(1)启动ENVI5.1，对选用的OLI数据进行波谱重采样；
(2)打开波谱沙漏工具(Spectral Hourglass Wizard，SHW)，选择多光谱数据(选择OLI数据作为所述的遥感影像数据)；
(3)数据维数判断：MNF(Minimum Noise Fraction，最小噪声分离)，计算数据维数可以实现数据的降维，分离噪声，减少计算量；
(4)端元波谱选择：PPI(Pixel Purity Index，纯净像元指数)计算，通过n维可视化器对PPI的结果进行波谱端元的提取；
(5)波谱识别：选用SAM(Spectral Angle Mapper，光谱角填图)、MTMF(MixtureTuned Matched Filtering，混合调谐匹配滤波)、Unmixing(Linear Spectral Unmixing，线性波谱分离法)三种分析方法的任意一种进行波谱分析。
本次实验选择MTMF法分析结果，在INVESTIGATE MTMF RESULTS对话框的ExamineResult for列表中选择MTMF，在MTMF Rule Images列表中选择相应的MF Score，单击LoadMTMF Rule Image按钮，自动对MF score值大的部分进行申拉显示MF score和Infeasibility的散点图，在散点图上选择MF score值大和Infeasibility值小的点云，也就是右下部分点云。
显示各阈值的设置可因具体情况而定，如在DETERMINE DATA DIMENSIONALITY对话框中数据维数的判断可通过计算维数确定，即单击Calculate Dimensionality按钮，设定Spatial Coherence阈值判定数据维数，在PIXEL PURITY INDEX对话框中，PPI迭代次数(Number of PPI Iterations)，迭代次数越多，ENVI越能较好的发现极值像元，但所用时间也越多；阈值系数(PPI Threshold Value)，以数据位数为单位键入一个阈值，阈值应是噪声等级的2-3倍，OLI数据的噪声通常小于1DN，因此阈值以2至3为佳，较大阈值可使PPI找到更多的极值像元，但它所包含的不纯净像元也越来越多；最大内存用值(PPI MaximumMemory use value)，默认为10，可根据需要自动调节大小；在N-DIMENSIONAL VISUALIZER对话框中，系统自动从n维可视化窗口中选择端元波谱并以不同颜色标识，可手动加入其他端元波谱并结合n维可视化工具提供的功能对所选择的端元波谱进行编辑，单击RetrieveEndmembers按钮，将选择的端元波谱加入并自动显示在Endmember List中，单击PlotEndmembers按钮，将选择的端元波谱绘制在窗口中，根据以后的矿物波谱曲线知识，删除干扰波谱，单击Start Spectral Analyst按钮，选择重采样过的OLI的.li文件，在EditIdentify Methods weighting窗口中将Spectral Angle Mapper的权重选为1，其他默认，在Spectral Analyst面板上选择Apply按钮，选择之前步骤中得到的第一个波谱进行分析，点击OK，记下分值最高对应的地物。
实施例4：
在实施例3的基础上，本实施例波谱沙漏工具提取的Fe3+矿物波谱信息进行结果分析完成之后，还包括步骤：依据端元波谱利用MF(匹配滤波)的方法进行单矿物和矿物组合的提取，对提取后的结果进行中值滤波，密度分割，将得到的目标像元灰度图依据其匹配程度分为三级进行保存。
保存的方式为：先将文件保存为.evf文件，再将.evf文件保存为.shp文件。
实施例5：
本实施例在实施例1的基础上，为了进一步提高所需矿物波谱的识别效果，所述基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物(组合)之Mg-OH矿物(组合)波谱，具体包括以下措施：
(1)打开ENVI5.1，对选用的ASTER数据进行波谱重采样；
(2)启动波谱沙漏工具(Spectral Hourglass Wizard，SHW)输入数据；
(3)数据维数判断(MNF)；
(4)端元波谱选择(PPI和n-维可视化)；
(5)波谱识别(SAM、MTMF、Unmixing)；
(6)分析结果。
本实施例中，各阈值的设置可因具体情况而定。注意在N-DIMENSIONALVISUALIZER对话框中，其操作与上述第二种实施方式相似，但对于ASTER影像数据需采用重采样过的ATER的.li文件进行波谱匹配。
本次实验选择MTMF法分析结果，在INVESTIGATE MTMF RESULTS对话框的ExamineResult for列表中选择MTMF，在MTMF Rule Images列表中选择相应的MF Score，单击LoadMTMF Rule Image按钮，自动对MF score值大的部分进行申拉显示MF score和Infeasibility的散点图，在散点图上选择MF score值大和Infeasibility值小的点云，也就是右下部分点云。
实施例6：
本实施例在实施例5的基础上，波谱沙漏工具提取的Mg-OH矿物波谱信息进行结果分析完成之后，还包括步骤：依据端元波谱利用MF(匹配滤波)的方法进行单矿物和矿物组合的提取，对提取后的结果进行中值滤波，密度分割，将得到的目标像元灰度图依据其匹配程度分为三级进行保存。
保存方式为：先将文件保存为.evf文件，再将.evf文件保存为.shp文件。
实施例7：
本实施例在实施例1的基础上，为了进一步提高所需矿物波谱的识别效果，所述基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物(组合)之Al-OH矿物(组合)波谱，具体包括以下措施：
(1)打开ENVI5.1，对选用的ASTER数据进行波谱重采样；
(2)启动波谱沙漏工具(Spectral Hourglass Wizard，SHW)输入数据；
(3)数据维数判断(MNF)；
(4)端元波谱选择(PPI和n-维可视化)；
(5)波谱识别(SAM、MTMF、Unmixing)；
(6)分析结果。
本次实验选择MTMF法分析结果，在INVESTIGATE MTMF RESULTS对话框的ExamineResult for列表中选择MTMF，在MTMF Rule Images列表中选择相应的MF Score，单击LoadMTMF Rule Image按钮，自动对MF score值大的部分进行申拉显示MF score和Infeasibility的散点图，在散点图上选择MF score值大和Infeasibility值小的点云，也就是右下部分点云。
实施例8：
本实施例在实施例7的基础上，波谱沙漏工具提取的Al-OH矿物波谱信息进行结果分析完成之后，还包括步骤：
依据端元波谱利用MF(匹配滤波)的方法进行单矿物和矿物组合的提取，对提取后的结果进行中值滤波，密度分割，将得到的目标像元灰度图依据其匹配程度分为三级进行保存。
保存方式为：先将文件保存为.evf文件，再将.evf文件保存为.shp文件。
实施例9：
本实施例在实施例1的基础上，所述根据提取结果圈定异常范围，再结合遥感底图圈定成矿预测区包括以下措施：
(1)将各矿物(组合)分过级的目标像元灰度图依次导入到mapgis6.7软件中，实现蚀变矿物丰度图像的彩色显示；
(2)将导入到mapgis6.7软件中的3种类型的蚀变矿物分布图依次叠加，观察各类型蚀变矿物的分布情况，确定异常范围和综合异常区；
(3)导入遥感底图，本实验选择Landsat8的OLI影像作为遥感底图，结合遥感底图，圈定成矿预测区。
本实施例中，将分过级的各矿物(组合)的目标像元灰度图依次导入到mapgis6.7软件进行异常区的圈定时，还需借助mapgis6.7软件将保存的.SHP文件转换成mapgis6.7软件可识别的.wp文件。具体包括：打开mapgis6.7软件，单击“图像处理”、“文件转换”，打开文件转换的页面，单击“输入”，选择“装入SHAPE文件”，选择需要装入的文件，单击“文件”，选择“保存区”选项，完成对文件的保存。
将分过级的各矿物(组合)的目标像元灰度图依次导入到mapgis6.7软件进行异常区的圈定。还需要进行投影转换，具体包括以下措施：
(1)打开mapgis6.7软件，一次导入分过级的各矿物(组合)的目标像元灰度图，使导入的文件呈编辑状态；
(2)选中所有文件且在任意文件上单击鼠标右键，选择“修改地图参数”；
(3)打开“工程地图参数转换/设置”页面，选择“全部选中”，选中“投影转换”，单击“进行转换”按钮；
(4)出现“是否把全部文件进行投影转换”对话框，选择“是”；
(5)出现“文件投影转换”窗口，选择“转换过程中图元参数进行转换”；
(6)左键单击“当前投影”，在弹出的“corcvt60”对话框选择“否”，出现“输入投影参数”对话框，坐标系类型选择“投影平面直角”，椭球参数选择“WGS84”，投影类型选“通用横向墨卡托投影坐标系(UTM)”设置投影带类型和投影带序号，单击确定；
(7)单击“目的投影”按钮，坐标系类型选择“投影平面直角”，椭球参数选择“北京54”，投影类型选“高斯克吕格投影”设置投影带类型和投影带序号，单击确定；
(8)“开始转换”，“确定”“确定”。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于波谱沙漏工具的多光谱遥感成矿预测方法，其特征在于，所述方法包括以下步骤：
步骤1：基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物的波谱；所述波谱是指通过最小噪声分离(Minimum Noise Fraction，以下简称：MNF)、纯净像元指数(PixelPurity Index，以下简称：PPI)、光谱角填图(Spectral Angle Mapper，以下简称：SAM)获取的矿物波谱；
步骤2：将得到所述波谱用MTMF法进行结果分析，确定最终的端元波谱；
步骤3：依据端元波谱利用MF的方法进行单矿物和矿物组合的提取且根据提取结果圈定异常范围，再结合遥感底图圈定成矿预测区；
所述遥感蚀变矿物为：Fe3+矿物、Mg-OH矿物、Al-OH矿物。
2.根据权利要求1所述方法，其特征在于，在基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变矿物波谱之前需要对选用的Landsat8的OLI数据以及ASTER遥感影像数据进行预处理，具体包括：
Landsat8的OLI数据：
对下载的Landsat8的OLI数据进行辐射定标；
辐射定标后的Landsat8的OLI数据进行大气校正；
大气校正后对OLI数据的可见光、近红外-短波红外波段与全色波段进行融合；
融合后的图像进行拼接，裁剪；
ASTER数据：
ASTER数据的可见光、近红外-短波红外波段图层叠加；
叠加后的影像数据进行辐射定标；
辐射定标后的ASTER数据进行大气校正；
大气校正后的ASTER数据进行拼接，裁剪。
3.根据权利要求1所述方法，其特征在于，基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变Fe3+矿物波谱，具体包括以下措施：
启动ENVI5.1，对选用的OLI数据进行波谱重采样；
打开波谱沙漏工具，选择OLI数据作为所述的遥感影像数据；
数据维数判断：MNF，计算数据维数可以实现数据的降维，分离噪声，减少计算量；
端元波谱选择：PPI计算，通过n维可视化器对PPI的结果进行波谱端元的提取；
波谱识别：利用SHW工具、选用SAM、MTMF、Unmixing三种分析方法的任意一种进行波谱分析；
所述SAM法得到的是分类结果，每个像元值表示端元波谱的名称；
MTMF法得到的结果是每个端元波谱的MF匹配度和Infeasibility值，可利用散点图选择较好的识别结果；
Unmixing法得到的结果是丰度图像，像元值表示端元波谱所占的比重。
4.根据权利要求1所述方法，其特征在于，基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变Mg-OH矿物波谱，具体包括以下措施：
启动ENVI5.1，对选用的ASTER数据进行波谱重采样；
打开波谱沙漏工具，选择多光谱数据；
数据维数判断：MNF，计算数据维数可以实现数据的降维，分离噪声，减少计算量；
端元波谱选择：PPI计算，通过n维可视化器对PPI的结果进行波谱端元的提取；
波谱识别：利用SHW工具、选用SAM、MTMF、Unmixing三种分析方法的任意一种进行波谱分析；
所述SAM法得到的是分类结果，每个像元值表示端元波谱的名称；
MTMF法得到的结果是每个端元波谱的MF匹配度和Infeasibility值，可利用散点图选择较好的识别结果；
Unmixing法得到的结果是丰度图像，像元值表示端元波谱所占的比重。
5.根据权利要求1所述方法，其特征在于，基于波谱沙漏工具的多光谱遥感影像数据提取遥感蚀变Al-OH矿物波谱，具体包括以下：
启动ENVI5.1，对选用的ASTER数据进行波谱重采样；
打开波谱沙漏工具，选择多光谱数据；
数据维数判断：MNF，计算数据维数可以实现数据的降维，分离噪声，减少计算量；
端元波谱选择：PPI计算，通过n维可视化器对PPI的结果进行波谱端元的提取；
波谱识别：利用SHW工具、选用SAM、MTMF、Unmixing三种分析方法的任意一种进行波谱分析；
所述SAM法得到的是分类结果，每个像元值表示端元波谱的名称；
MTMF法得到的结果是每个端元波谱的MF匹配度和Infeasibility值，可利用散点图选择较好的识别结果；
Unmixing法得到的结果是丰度图像，像元值表示端元波谱所占的比重。
6.根据权利要求1所述方法，其特征在于，所述依据端元波谱利用MF的方法进行单矿物和矿物组合的提取，具体包括以下措施：
在ENVI5.1中打开n维可视化端元波谱曲线文件；
在Spectral工具的matched filtering工具中输入.mnf文件，在import的下拉列表中选择from plot windows，输入.sli文件，执行该操作；
将得到的灰度图像进行中值滤波；
滤波后的图像再经密度分割，将得到的目标像元灰度图依据匹配程度分为三级进行保存，一级为匹配程度最高者，二级次之，三级程度相对较低。
7.根据权利要求1所述方法，其特征在于，所述根据提取结果圈定异常范围，再结合遥感底图圈定成矿预测区包括：将各矿物分过级的目标像元灰度图依次导入到mapgis6.7软件中，实现蚀变矿物丰度图像的彩色显示；导入遥感底图，圈定成矿预测区。
CN201810348610.9A 2018-04-18 2018-04-18 一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法 Pending CN108593575A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810348610.9A CN108593575A (zh) 2018-04-18 2018-04-18 一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810348610.9A CN108593575A (zh) 2018-04-18 2018-04-18 一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法

Publications (1)

Publication Number Publication Date
CN108593575A true CN108593575A (zh) 2018-09-28

Family

ID=63613708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810348610.9A Pending CN108593575A (zh) 2018-04-18 2018-04-18 一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法

Country Status (1)

Country Link
CN (1) CN108593575A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801226A (zh) * 2018-12-13 2019-05-24 中国科学院西安光学精密机械研究所 基于sam和加权自相关cem算法的水面目标探测方法
CN114612779A (zh) * 2022-03-14 2022-06-10 中科海慧（北京）科技有限公司 一种基于时空大数据分析的地质矿产勘察方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105115906A (zh) * 2015-08-13 2015-12-02 成都理工大学 基于图像自身特征的绢云母化蚀变信息提取方法
CN105574621A (zh) * 2016-01-18 2016-05-11 中国地质科学院矿产资源研究所 基于遥感蚀变异常的斑岩铜矿预测系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105115906A (zh) * 2015-08-13 2015-12-02 成都理工大学 基于图像自身特征的绢云母化蚀变信息提取方法
CN105574621A (zh) * 2016-01-18 2016-05-11 中国地质科学院矿产资源研究所 基于遥感蚀变异常的斑岩铜矿预测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
夏洁: "西藏绒布地区遥感异常提取及成矿预测研究", 《中国优秀硕士学位论文全文数据库 基础科技辑》 *
李小娟 等编译: "《ENVI遥感影像处理教程》", 28 February 2007, 中国环境科学出版社·北京 *
陈雪: "冈底斯成矿带东段植被浅覆盖区遥感蚀变分带特征研究", 《中国优秀硕士学位论文全文数据库 基础科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801226A (zh) * 2018-12-13 2019-05-24 中国科学院西安光学精密机械研究所 基于sam和加权自相关cem算法的水面目标探测方法
CN114612779A (zh) * 2022-03-14 2022-06-10 中科海慧（北京）科技有限公司 一种基于时空大数据分析的地质矿产勘察方法

Similar Documents

Publication Publication Date Title
Peyghambari et al. Hyperspectral remote sensing in lithological mapping, mineral exploration, and environmental geology: an updated review
Tangestani et al. Evaluating Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data for alteration zone enhancement in a semi‐arid area, northern Shahr‐e‐Babak, SE Iran
CN100547438C (zh) 一种油气勘探方法及系统
Farahbakhsh et al. Computer vision-based framework for extracting tectonic lineaments from optical remote sensing data
US8615133B2 (en) Process for enhancing images based on user input
CN111476170A (zh) 一种结合深度学习和随机森林的遥感影像语义分割方法
CN111898507A (zh) 一种预测无标签遥感影像地表覆盖类别的深度学习方法
Gazzea et al. Automated power lines vegetation monitoring using high-resolution satellite imagery
CN104331698B (zh) 一种遥感图像城区提取方法
Ellis et al. Evaluation of hyperspectral remote sensing as a means of environmental monitoring in the St. Austell China clay (kaolin) region, Cornwall, UK
Hormese et al. Automated road extraction from high resolution satellite images
Fereydooni et al. A directed matched filtering algorithm (DMF) for discriminating hydrothermal alteration zones using the ASTER remote sensing data
Shahriari et al. Selection of less biased threshold angles for SAM classification using the real value–area fractal technique
Bedini Mapping alteration minerals at Malmbjerg molybdenum deposit, central East Greenland, by Kohonen self-organizing maps and matched filter analysis of HyMap data
Shahriari et al. Comparison of multi-temporal ASTER images for hydrothermal alteration mapping using a fractal-aided SAM method
CN105243387A (zh) 一种基于无人机影像的露天矿典型地物分类方法
CN110991430A (zh) 基于遥感图像的地物识别及覆盖率计算方法及系统
Ayoobi et al. Evaluating the effect of spatial subsetting on subpixel unmixing methodology applied to ASTER over a hydrothermally altered terrain
CN108593575A (zh) 一种基于波谱沙漏工具的多光谱遥感蚀变信息成矿预测方法
Huang et al. Cloud detection for high-resolution remote-sensing images of urban areas using colour and edge features based on dual-colour models
Ishidoshiro et al. Geological mapping by combining spectral unmixing and cluster analysis for hyperspectral data
Sengupta et al. Identification and mapping of high-potential iron ore alteration zone across Joda, Odisha using ASTER and EO-1 hyperion data
Ousmanou et al. Mapping and discrimination of the mineralization potential in granitoids from Banyo area (Adamawa, Cameroon), using Landsat 9 OLI, ASTER images and field observations
Liu A SAM-based method for large-scale crop field boundary delineation
CN109839356B (zh) 基于WorldView-3卫星数据的矿化蚀变信息提取方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180928

RJ01 Rejection of invention patent application after publication