CN109145881B - 一种遥感图像膏盐信息提取方法及装置 - Google Patents
一种遥感图像膏盐信息提取方法及装置 Download PDFInfo
- Publication number
- CN109145881B CN109145881B CN201811172110.0A CN201811172110A CN109145881B CN 109145881 B CN109145881 B CN 109145881B CN 201811172110 A CN201811172110 A CN 201811172110A CN 109145881 B CN109145881 B CN 109145881B
- Authority
- CN
- China
- Prior art keywords
- abnormal information
- remote sensing
- abnormal
- information
- data
- 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
- 150000003839 salts Chemical class 0.000 title claims abstract description 122
- 238000000605 extraction Methods 0.000 title claims description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 280
- 238000012545 processing Methods 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 105
- 230000009466 transformation Effects 0.000 claims abstract description 67
- 238000005520 cutting process Methods 0.000 claims abstract description 53
- 238000012795 verification Methods 0.000 claims abstract description 48
- 238000005516 engineering process Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000011426 transformation method Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims description 47
- 230000004075 alteration Effects 0.000 claims description 42
- 238000009826 distribution Methods 0.000 claims description 37
- 238000007781 pre-processing Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 25
- 238000012417 linear regression Methods 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 13
- 125000002887 hydroxy group Chemical group [H]O* 0.000 claims description 12
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 abstract description 15
- 239000011707 mineral Substances 0.000 abstract description 15
- 238000011835 investigation Methods 0.000 abstract 1
- 235000002639 sodium chloride Nutrition 0.000 description 94
- 239000011159 matrix material Substances 0.000 description 18
- 235000010755 mineral Nutrition 0.000 description 14
- 239000011435 rock Substances 0.000 description 12
- 230000003595 spectral effect Effects 0.000 description 8
- 230000033558 biomineral tissue development Effects 0.000 description 7
- 125000005587 carbonate group Chemical group 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000005405 multipole Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- XAEFZNCEHLXOMS-UHFFFAOYSA-M potassium benzoate Chemical compound [K+].[O-]C(=O)C1=CC=CC=C1 XAEFZNCEHLXOMS-UHFFFAOYSA-M 0.000 description 4
- 238000012353 t test Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000132092 Aster Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 159000000001 potassium salts Chemical class 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- SMDOOINVMJSDPS-UHFFFAOYSA-N Astragaloside Natural products C1=C(O)C(OC)=CC(C2=C(C(=O)C3=C(O)C=C(O)C=C3O2)OC2C(C(OC3C(C(O)C(O)C(CO)O3)O)C(O)C(CO)O2)O)=C1 SMDOOINVMJSDPS-UHFFFAOYSA-N 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000001134 F-test Methods 0.000 description 1
- 229910000616 Ferromanganese Inorganic materials 0.000 description 1
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 1
- 241001396014 Priacanthus arenatus Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- QMNWISYXSJWHRY-XWJCTJPOSA-N astragaloside Chemical compound O1[C@H](C(C)(O)C)CC[C@]1(C)[C@@H]1[C@@]2(C)CC[C@]34C[C@]4(CC[C@H](O[C@H]4[C@@H]([C@@H](O)[C@H](O)CO4)O)C4(C)C)C4[C@@H](O[C@H]4[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O4)O)CC3[C@]2(C)C[C@@H]1O QMNWISYXSJWHRY-XWJCTJPOSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- BERDEBHAJNAUOM-UHFFFAOYSA-N copper(I) oxide Inorganic materials [Cu]O[Cu] BERDEBHAJNAUOM-UHFFFAOYSA-N 0.000 description 1
- LBJNMUFDOHXDFG-UHFFFAOYSA-N copper;hydrate Chemical compound O.[Cu].[Cu] LBJNMUFDOHXDFG-UHFFFAOYSA-N 0.000 description 1
- 229910052593 corundum Inorganic materials 0.000 description 1
- 239000010431 corundum Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010442 halite Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 235000011164 potassium chloride Nutrition 0.000 description 1
- 239000001103 potassium chloride Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001953 recrystallisation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06V20/13—Satellite images
-
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种遥感图像膏盐信息提取方法和装置，该方法包括：第一步骤，获取遥感图像数据并利用掩膜技术处理形成基础数据；第二步骤，将基础数据在选定区域内进行直方图计算处理确定选择数据，再采用一级正交变换法对选择数据进行基团的异常信息提取，并进行异常信息的切割和校验；第三步骤，在基团的异常信息的基础上结合多级驱动正交变换迭代技术获得膏盐异常信息，同时对膏盐异常信息进行判断处理以便满足校验要求，再进行膏盐异常信息的切割处理并输出。该方法能够获取更加准确的膏盐异常信息，抑制非膏盐信息，有利于更快更准的优选找矿靶区，对于矿产侦查工作可以起到节省时间、节约人力物力的作用。
Description
技术领域
本发明涉及地质勘探领域，具体的涉及一种遥感图像膏盐信息提取方法及装置。
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。目前诸多文献的蚀变遥感异常信息主要为包含了电子异常(原铁染异常)和基团异常(原羟基异常和碳酸根)的蚀变矿物及其组合信息，蚀变遥感异常信息能够作为找矿的标志，有其地质和光谱依据，并经过实践的证明与广泛应用。
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、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。尽管有蚀变岩存在也不一定有矿，但大型、特大型内生矿床一般均有强烈且较大范围的蚀变岩的存在。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。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。然而，蚀变的围岩中，存在一种蒸发岩系列，其沉积过程为：碳酸盐、硫酸盐、氯化盐，最后为钾盐，虽然地表钾盐难以保存，但其硫酸盐是找矿的重要标志。因此，寻找围岩蚀变则成为至关重要的步骤。传统的围岩蚀变的发现是靠勘查手段实现的。20世纪70年代Hunt和他领导的实验室，系统的发表了关于矿物岩石波谱测试结果的文章，为蚀变遥感异常信息能够作为找矿标志提供了光谱依据。Hunt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(Spectral Signature Diagram)”，该图可以方便地理解TM和ASTER遥感数据中常遇到的光谱特征。自此，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。
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，在干旱区技术趋于成熟。但是有膏盐的光谱隐没在羟基基团和碳酸根基团中，我们利用蚀变遥感异常提取的方法提取的异常是包含了羟基基团和碳酸根基团的异常，而且面积很大，对于膏盐类识别却非常不易。膏盐的异常信息被大部分隐没在羟基和碳酸根异常的各种信息中，因此很难从这些异常中判断膏盐的异常信息，在实际应用中有限。
发明内容
为解决现有技术在采用矿化蚀变异常信息提取时膏盐的异常信息隐没在羟基和碳酸根异常的各种信息中导致提取困难及应用受限等问题，本发明提供一种遥感图像膏盐信息提取方法，该方法采用多极驱动正交变换迭代技术进行信息提取，在羟基和碳酸根异常基础上实现膏盐信息的分离，提取的异常具有很好的结果。本发明还提供一种遥感图像膏盐信息提取装置。
本发明技术方案如下：
一种遥感图像膏盐信息提取方法，其特征在于，包括如下步骤：
第一步骤，获取遥感图像数据并利用掩膜技术处理形成基础数据；
第二步骤，将基础数据在选定区域内进行直方图计算处理确定选择数据，再采用一级正交变换法对选择数据进行基团的异常信息提取，并依次利用正态分布和多元线性回归法分别进行异常信息的切割和校验；
第三步骤，在基团的异常信息的基础上结合多级驱动正交变换迭代技术获得膏盐异常信息，同时对膏盐异常信息进行判断处理以便满足校验要求，再进行膏盐异常信息的切割处理并输出。
优选地，所述第三步骤是在基团的异常信息的基础上利用二级正交变换法获得膏盐异常信息，逐步迭代形成多级驱动从而获得新膏盐异常信息，并对二级正交变换法获得的膏盐异常信息或逐步迭代获得的新膏盐异常信息进行判断处理直至满足校验要求，再对满足校验要求的异常信息进行切割处理并输出。
优选地，所述第一步骤获取的遥感图像数据是多波段的遥感图像数据，在获取遥感图像数据后先进行预处理再利用掩膜技术处理形成基础数据，所述预处理包括去边界处理和去干扰处理；还对遥感图像数据进行波段选择，合成假彩色图像；
所述第三步骤在进行膏盐异常信息切割后还进行异常滤波优化并在优化后结合第一步骤的假彩色图像，利用坐标分层把栅格和矢量进行叠加处理，进而输出适合人眼观察的矿化蚀变遥感异常图像。
优选地，所述第二步骤是利用正态分布进行基团的异常信息的切割，切割后的数据采用蚀变异常中心坐标与样品坐标重合度比较，利用多元线性回归法获取回归平方和以及残差平方和来衡量回归效果并结合自变量值检验实现基团的异常信息的校验和评价。
优选地，所述第一步骤在获取遥感图像数据后先进行预处理再利用掩膜技术处理和线性拉伸后形成基础数据，所述预处理的去边界处理是将各波段的遥感图像数据结合二值图像处理技术去除边界信息，所述预处理的去干扰处理采用比值法、切割法、Q值法和/或光谱角法；
和/或，第三步骤所述的异常滤波优化依次采用Q值法和中值滤波法进行滤波。
一种遥感图像膏盐信息提取装置，其特征在于，包括依次连接的第一装置、第二装置和第三装置，
所述第一装置，获取遥感图像数据并利用掩膜技术处理形成基础数据；
所述第二装置，将基础数据在选定区域内进行直方图计算处理确定选择数据，再采用一级正交变换法对选择数据进行基团的异常信息提取，并依次利用正态分布和多元线性回归法分别进行基团的异常信息的切割和校验；
所述第三装置，在基团的异常信息的基础上结合多级驱动正交变换迭代技术获得膏盐异常信息，同时对膏盐异常信息进行判断处理以便满足校验要求，再进行膏盐异常信息的切割处理并输出。
优选地，所述第一装置包括依次连接的图像获取装置、预处理装置和基础数据生成装置以及与图像获取装置相连的波段选择处理装置，所述图像获取装置，用于获取原始的遥感图像数据；所述遥感图像数据是多波段的遥感图像数据；所述图像预处理装置用于对获取的遥感图像数据进行预处理，所述预处理包括去边界处理和去干扰处理；所述基础数据生成装置对预处理后的数据利用掩膜技术处理形成基础数据；所述波段选择处理装置用于对所述遥感图像数据进行波段选择，合成假彩色图像；
优选地，所述第三装置包括多级驱动正交变换迭代装置以及依次连接的异常信息判断装置、异常切割装置、滤波优化装置和合成装置，所述多级驱动正交变换迭代装置在基团的异常信息的基础上结合多级驱动正交变换迭代技术获得膏盐异常信息；所述异常信息判断装置判断膏盐异常信息是否满足校验要求，在满足校验要求时输出至异常切割装置，否则返回至多级驱动正交变换迭代装置；所述异常切割装置进行膏盐异常信息的切割处理；所述滤波优化装置进行异常滤波优化处理；所述合成装置将异常滤波优化处理结果结合第一装置的波段选择处理装置输出的假彩色图像，利用坐标分层把栅格和矢量进行叠加处理，进而输出适合人眼观察的矿化蚀变遥感异常图像。
优选地，所述第二装置包括依次连接的确定选择数据装置、一级正交变换装置、异常优化装置和异常校验装置，所述确定选择数据装置与第一装置的基础数据生成装置相连，用于将基础数据在选定区域内进行直方图计算处理确定选择数据；一级正交变换装置采用一级正交变换法对选择数据进行基团的异常信息提取；所述异常优化装置利用正态分布进行异常信息的切割；所述异常校验装置用于将切割后的数据次用蚀变异常中心坐标与样品坐标重合度比较，利用多元线性回归法获取回归平方和以及残差平方和来衡量回归效果并结合自变量值检验实现异常信息的校验和评价。
优选地，所述第三装置的多级驱动正交变换迭代装置是在基团的异常信息的基础上利用二级正交变换法获得膏盐异常信息，逐步迭代形成多级驱动从而获得新膏盐异常信息，所述异常信息判断装置对二级正交变换法获得的膏盐异常信息或逐步迭代获得的新膏盐异常信息进行判断处理直至满足校验要求，将满足校验要求的异常信息输出至异常切割装置。
优选地，所述图像预处理装置包括去边界处理模块和去干扰处理模块，所述去边界处理模块，用于将各波段的原始的遥感图像结合二值图像处理技术进行去边界处理，得到去边界后的遥感图像数据；所述去干扰处理模块，用于采用比值法、切割法、Q值法和/或光谱角法对所述去除边界后的遥感图像数据去干扰，得到去除干扰后的遥感图像数据；所述基础数据生成装置用于对所述去除干扰后的遥感图像数据进行掩膜技术处理和线性拉伸，得到基础遥感图像数据；
和/或，所述第三装置的所述滤波优化装置包括Q值法滤波模块和中值法滤波模块；所述Q值法滤波模块用于对所述异常信息进行Q值法滤波，所述中值法滤波模块用于对所述Q值法滤波后的图像数据进行中值法滤波处理。
本发明的技术效果如下：
本发明提供一种遥感图像膏盐信息提取方法，在获取遥感图像数据并利用掩膜技术处理形成基础数据后，进行研究对象的选择，将基础数据在选定区域内进行直方图计算处理确定选择数据，再采用一级正交变换法对选择的数据进行基团的异常信息提取，并依次利用正态分布和多元线性回归法分别进行异常信息的切割和校验，然后判断异常信息是否满足校验要求；若异常信息不满足所述校验要求，则对异常信息进行多级驱动正交变换迭代获得膏盐异常信息(可理解为是新异常信息)，直至满足校验要求，再进行新异常信息的切割处理并输出。本发明通过上述方法对蚀变异常信息进行多级驱动正交变换，通过不同级次的提取来实现隐没在基团信息中的膏盐信息的遥感异常提取的工作，能够解决干旱景观区膏盐信息异常提取方法难度大，假异常多等多个问题，有针对性的缩小和改善异常，从而为钾盐找矿提供更多的远景观区。利用多极驱动正交变换逐步逼近膏盐异常信息的提取，多级驱动正交变换是对数据空间的综合性分析基础上的本征信息的逐步提取过程，先采用一级正交变换获得基团的异常信息；在此基础上，优选利用二级正交变换获得含有膏盐信息的异常信息，逐步迭代形成多极驱动从而获得膏盐类的异常信息，相当于获取曲线的最值而采用的二阶导数，根据大数定律和概率论，多级驱动正交变换逐步获取遥感膏盐的异常信息，能够准确提取出羟基和碳酸根异常信息中的膏盐信息以便于后期的钾盐找矿，主要目的是获取更加准确的膏盐信息，抑制非膏盐信息，对钾盐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，是科学进步促进生产发展的新技术。本发明也可以扩展用在其它目标信息提取和监测中，如需要提取和检测某类污染物的信息，采用多极驱动正交变换，逐步获得污染物的信息。本发明在新疆发现多个石膏点和多个石盐点，为我国钾盐找矿做出了显著贡献。
本发明还涉及一种遥感图像膏盐信息提取装置，该提取装置与本发明遥感图像膏盐信息提取方法相对应，也可以理解为是实现本发明遥感图像膏盐信息提取方法的装置，设置依次连接的第一装置、第二装置和第三装置，各装置协同工作，第二装置能够将第一装置得到的基础的遥感图像数据现在选定区域特定处理并采用一级正交变换法进行基团的异常信息提取，依次利用正态分布和多元线性回归法分别进行异常信息的切割和校验，由第三装置判断异常信息是否满足校验要求；若异常信息不满足所述校验要求，则对异常信息进行多级正交变换获得新异常信息，再进行新异常信息的切割处理并输出，最终能够获取适合人眼观察的矿化蚀变遥感异常图像。本发明在羟基和碳酸根异常基础上，实现膏盐信息的分离，利用多极驱动正交变换逐步逼近膏盐异常信息的提取，便于用于后期的钾盐找矿，实践证明也具有非常好的有效性。
附图说明
图1是本发明一种遥感图像膏盐信息提取方法的一优选流程图。
图2是本发明一种遥感图像膏盐信息提取方法的另一优选流程图。
图3是预处理中的边界信息去除对比图。
图4是线性拉伸前后对比图。
图5是频率分布直方图。
图6是最终输出的一幅矿化蚀变遥感图像。
图7是本发明一种遥感图像膏盐信息提取的优选结构框图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种遥感图像膏盐信息提取方法，包括：第一步骤，获取遥感图像数据并利用掩膜技术处理形成基础数据；第二步骤，将基础数据在选定区域内进行直方图计算处理确定选择数据，再采用一级正交变换法对选择数据进行基团的异常信息提取，并依次利用正态分布和多元线性回归法分别进行异常信息的切割和校验；第三步骤，在基团的异常信息的基础上结合多级驱动正交变换迭代技术获得膏盐异常信息，同时对膏盐异常信息进行判断处理以便满足校验要求，再进行膏盐异常信息的切割处理并输出。也就是说，本发明为了准确提取膏盐异常信息用于找矿，在利用蚀变遥感异常提取方法提取出包含有羟基和碳酸根基团的异常后，采用多极驱动正交变换信息提取技术，在羟基和碳酸根基团异常的基础上，逐步地从空间向量中剥离出膏盐类的信息，实现膏盐信息的分离，这样提取的异常具有很好的结果。
优选地，本发明遥感图像膏盐信息提取方法的一优选流程图如图1所示。上述方法包括：S1：获取遥感图像数据；所述遥感图像数据是多波段的遥感图像数据；S2：对所述遥感图像数据进行预处理，得到基础遥感图像数据，所述预处理包括去边界处理和去干扰处理再利用掩膜技术处理；以及对所述遥感图像数据进行波段选择，合成假彩色图像。S1和S2即为第一步骤。S3：将基础数据在选定的区域内进行直方图计算处理确定选择数据，再采用一级正交变换法对选择数据进行异常信息提取，并利用正态分布进行异常信息的切割，切割后的数据采用蚀变异常中心坐标与样品坐标重合度比较，利用多元线性回归法获取回归平方和以及残差平方和来衡量回归效果并结合自变量值检验实现异常信息的校验和评价。S3即第二步骤，该步骤提取出包含有羟基和碳酸根基团的异常信息，并对提取出的异常信息进行切割和校验。第三步骤包括S4-S7，S4：在基团的异常信息的基础上利用二级正交变换法获得膏盐异常信息，逐步迭代形成多级驱动正交变换从而获得新膏盐异常信息，S5：对二级正交变换法获得的膏盐异常信息或逐步迭代获得的新膏盐异常信息进行判断处理，判断异常信息是否满足校验要求；若异常信息不满足所述校验要求则返回S4步骤的多级驱动正交变换从而获得新膏盐异常信息，直至满足校验要求；S6：对满足校验要求的异常信息进行异常分割，得到分割后的异常信息；S7：对所述分割后的异常信息进行滤波优化，得到优化后的异常信息，将所述优化后的异常信息与所述合成的假彩色图像合成，输出适合人眼观察的矿化蚀变遥感异常图像。
下面结合图2所示的另一优选流程图对遥感图像膏盐信息提取方法进行详细说明。
第一步骤中，步骤S1：获取遥感图像数据；所述遥感图像数据是多波段的遥感图像数据；在本实施例中，上述遥感是指非接触的，远距离的探测技术。一般指运用传感器/遥感器对物体的电磁波的辐射、反射特性的探测。遥感是通过遥感器这类对电磁波敏感的仪器，在远离目标和非接触目标条件下探测目标地物、获取其反射、辐射或散射的电磁波信息。遥感图像数据是指运载工具中搭载的电磁波获取装置采集到的、记载在胶片上的电磁波信息；该电磁波信息在不同的波段内采集到的图片合成多通道的图像数据，该图像数据是数字化的数据。
步骤S2，对该遥感图像数据进行图像数据预处理，再利用掩膜技术处理和线性拉伸，得到基础遥感图像数据；以及优选对该遥感图像数据进行波段选择，合成假彩色图像。
图像数据预处理，是指为消除图像中无关的，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，而在图像分析前进行的一系列数据处理过程。优选地，在本实施例中，预处理包括去边界处理和去干扰处理，优选去边界处理是将各波段的遥感图像数据结合二值图像处理技术去除边界信息，优选去干扰处理采用比值法、切割法、Q值法和/或光谱角法；预处理后进行掩膜技术处理和线性拉伸，得到基础数据(即基础遥感图像数据)，从另一层面讲，也可以将得到基础数据之前的处理均理解为是数据预处理，如果这样理解的话，对图像进行以下预处理步骤，包括：去边框、去干扰、掩膜处理和线性拉伸。下面对本发明采用的几种预处理方法进行详细的介绍。
上述边框即是指边界，边框信息即是边界信息。各波段在平面(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，在获取遥感图像数据时，每个波段所获取的数据是不一样的，如图3所示对比图中的符号A所示，如果所研究的区域正好含有边界信息，这将会影响数据处理的准确度，此时需要将边界信息去除，使得每一个波段都含有有效信息。本发明所采用的方法是，对每一个波段是否含有信息进行判断，如果含有信息，则赋值为1，没有信息则赋值为0，生成一个二值图像，最后把每一个波段生成的二值图像相乘，生成一个新的二值图像，最后再将每个波段对应的遥感数据与生成的新的二值图像相乘，实现去除边界信息的目的。具体公式如下：
其中n指所使用的遥感图像波段总数，i＝1,…,n，xi和yi指分别指i波段去除波段前后的值。如图3所示的符号B代表的去除边界信息后的图像。
上述干扰是指对图像数据分析有影响的数据，像噪声信息、遮挡信息等等都属于干扰信息，在遥感图像数据中，往往有云、水体、阴影区、白泥地、冰雪、湿地、干河道、冲积扇等九类常见干扰信息。由于一般干扰地物能够在TM/ETM的743彩色合成图像或ASTER的631彩色合成图像都能够有明显的特征，比如云的白色等，故一般情况下，目测就可以判断存在干扰。对于干扰的去除有比值法、高端或低端切割法、Q值法、光谱角法等。
上述高端或低端切割法是利用干扰地物在遥感图像上某个波段有高反射或强吸收的特征，即某波段干扰地物有高值或者低值，比如水体在TM/ETM的第7波段有低值，采用低端切割方法处理，而云在TM/ETM的第1波段有高值，采用高端切割方法处理，白泥地在TM/ETM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，i＝0,…,n，n指所使用的遥感图像波段总数，xi和yi指分别指i波段去除干扰信息前和后的波段值，b∈[1,…,n]，Cb是常数，xb是原始b波段对应的值。这个公式的目的就是：给定一个约束的条件，使得这个条件大于或小于某一个数值的图像保留下来，其他的全部被赋值为零。
上述比值法常用于去除阴影、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，TM/ETM图像的阴影区第一波段明显大于地7波段，因此，采用第7波段比第一波段的方法，设定一个阈值进行去除。或者采用第5波段比第4波段或者第4波段比第3波段等等。公式如下：
其中，i＝0,…,n，n指所使用的遥感图像波段总数，xi和yi指分别指i波段去除“尖锐”信息前和后的波段值，a∈[1,…,n]，Ca是常数，xa，xb是原始a、b波段对应的值。这个公式的目的就是：给定一个约束的条件，使得这个条件大于或小于某一个数值的图像保留下来，其他的全部被赋值为零。
上述Q值法主要解决雪边或湖边湿地、干河道、冲积区、薄云等干扰。定义Q值如下：
Q＝(xa×ka-xb×kb)/xc×kc
其中，xa，xb，xc为参与主成分分析的波段，ka，kb，kc为参与主成分变化的xa，xb，xc对应本征向量的值。
上述光谱角法常用于去除薄云等去除难度较大的干扰。光谱角法把每一个多维空间点以空间向量来表征，对比空间向量角的相似性。该方法是一种监督分类，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，也可以是从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：
式中(α,β)为n维向量α,β的内积，按内积定义
(α,β)＝α1β1+α2β2+…+αnβn
当α,β为列向量时(α,β)＝α′β+β′α
|α|、|β|为向量α、β的长度，
求出α，β的内积和长度，便可求出夹角的cos，查表可得其夹角。
上述掩膜技术处理的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代表不需要参加计算的数据，1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“尖锐”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)，c0，c1，c2为常数。
利用掩膜对我们的数据进行处理，利用掩膜τ对我们的数据A进行处理：
X＝τ∩A
∩为掩膜处理算法，用于去除边框和干扰，
线性拉伸：掩膜后的数据B，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i∈[0,n]，xj,k＝xi为逻辑操作。
我们取pi的最大与最小值，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拉伸后的值，j＝1…m；k＝1…n；经过上述处理，获得基础数据Y。拉伸前后的对比图如图4所示。
第二步骤，S3：将基础数据在选定区域内进行直方图计算处理并确定选择数据，再采用一级正交变换法对建模数据进行异常信息的提取，并依次利用正态分布和多元线性回归法分别进行异常信息的切割和校验；其中，所述异常信息为矢量；具体地，如图2所示，先进行研究对象选择：
S31：对获取的所述基础遥感图像数据在选定的小区域内进行直方图计算处理确定建模数据，选定的小区域为某一窗口区域，具体是通过该窗口区域内的像素值的偏度系数和峰度系数进行直方图计算处理进行判断，若满足预设条件，则得到待选择图像数据。
在基础数据Y上，假设存在一块区域M×N，这个区域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]，统计这个窗口内的像素值的直方图，公式如下：
其中，i∈[0,n]，xj,k＝xi为逻辑操作。
这个区域内遥感图像的某一个波段像元值为xj,k(j＝1…m；k＝1…n)，像元均值为
标准差为σ，利用偏度系数和峰度系数对直方图进行判断。
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。
如图5所示的频率直方图分布，若直方图满足上述偏度系数和峰度系数的预设条件，则这个M×N区域就是我们所选择的图像数据。
S32：在上述S31中获得选择的图像数据后，再采用一级正交变换法对选择数据进行异常信息的提取；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正交基，它占有总信息量的第一大分额。垂直于它的另一个坐标轴则代表其余信息量的方向，这就是第二正交基。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，这些轴逐渐将全部信息量分配(消耗)掉，它并不能全部包含在一个次一级正交基中，而是有多少个原始参数就会有几个正交基。各正交基的信息量总和与变换前的信息量总和相等，这就是信息量守恒。
对获取的选择图像数据采用一级正交变换法提取异常，获得矿化蚀变异常信息。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量。即将数据通过某种线性变换，从一个空间变换至另一个空间，且空间中的各个基向量之间是相互垂直的。
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。假设有p个新变量ξ1，ξ2，……，ξp，使这p个新变量是原变量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＝λL (3)
由式(2)、(3)可知：L可称为式(2)的变换矩阵，也可称为式(3)的本征矩阵，各Lik是此本征向量的分量；λ为协方差矩阵C的本征值。l和L有以下特点：
求协方差矩C
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，可以说第一个正交基“构成”的信息量与总信息量的比例是l1/S，前两个正交基“构成”的信息量与总信息量之比是(l1+l2)/S，如此等等。有时为了方便譬如可以说“前4个分量构成信息量的p％”。某正交基的本征值就是若消去该正交基后，对相应的本征向量所引入的均方误差值。
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。考虑第四个本征向量的各个分量是否满足蚀变异常信息对应的特征，若不符合，需对该第四本征向量进行符合转化。举例来说，如下表1：
表1
如果某一异常信息对应的本征向量的分量的特征为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。如果用于蚀变遥感切割的本征向量4要求Vc4为正号，而计算结果为负号，则需要经过转换变成正号，公式如下：
其中，
为Vc4经过符合转化后的结果。
将进行符号转化后的、与异常信息对应的本征向量4代入式(2)，获得矿化蚀变异常信息，该异常信息是向量信息。
S33：异常优化和校验，即依次利用正态分布和多元线性回归法分别进行异常信息的切割和校验，具体地，利用正态分布进行异常信息的切割，切割后的数据次用蚀变异常中心坐标与样品坐标重合度比较，利用多元线性回归法获取回归平方和以及残差平方和来衡量回归效果并结合自变量值检验实现异常信息的校验和评价。
在正交变换前，经过处理后使得每个波段的直方图为正态分布，转化后的异常正交基(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，X为随机变量，σ称为标准误差。对于正交变换来说，σ称为标准离差，定义如下：
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，正交变换结果可以把均值(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+k*SF；或L＝127.5+k*127.5/4；H＝L+1
式中H、L分别为切割高、低门限值；k为倍数；σ为标准离差；SK为比例因子；SF和SK由主分量分析报告给出。
对异常分割后的数据X采用其蚀变异常中心坐标与我们既定样品Y的坐标其重合度进行比较，如果重合度大于某个给定的值ε，那么定义y为给定的检验变量(矿点或已知异常点)，对于膏盐遥感异常，假设膏盐光谱在遥感数据波段中的样本值为x1,x2,…,xn为n个自变量(对应的变化后的数据X)，共观测m次，首先假设y与n个自变量之间存在线性关系：
y＝a0+a1×x1+a2x2+…+anxn+ε
式中，a0,a1,a2,…,an为回归系数，是常数，表示在其它自变量不变情况下，xj(j＝1,2,…n)增加或减少一个单位时的平均变化量，ε为去除n个自变量对y的影响后的随机误差，上式称为多元线性回归模型。多元线性回归其条件是(1)y与x1,x2,…,xn之间具有线性关系；(2)每个观测值yj(j＝1,2,…,m)相互独立；(3)ε服从正态分布。
首先用a0+a1×x1+a2x2+…+anxn来估计y的均值E(y)，假定ε服从均值为0，方差为σ2的正态分布，即ε～N(0,σ2),则y服从均值为E(y)，方差为σ2的正态分布，即y～N[E(y),σ2]，那么m组样本观测数据：
x11,x12,…,x1n,y1
x21,x22,…,x2n,y2
…………………
xm1,xm2,…,xmn,ym
式中，xij表示xj在第i次的观测值。有如下公式：
上式为n元线性回归的数学模型，式中，a0,a1,a2,…,an为n+1个待定参数，ε1,ε2,…,εm为m个相互独立并且服从同一正态分布的随机变量。为了简化表示，利用矩阵形式：
则n元线性回归的数学模型为
Y＝AX+E
根据公式来进行最小二乘估计，首先假设b0,b1,b2,…,bn分别为n+1个回归系数a0,a1,a2,…,an的最小二乘估计值，于是观测值如下表示：
yj＝b0xj1+b1xj2+…+bnxjn+ej
ej为误差εj的估计值，称残差，假设
为yj的估计值，那么，
上述式中，j＝1,2,…,m。残差ej表示实际值yj与估计值
偏离程度。为了使估计值
与实际值yj拟合的最好，必须使残差平方和，
达到最小，根据高等数学原理，极值在函数微分值为0处，确立方程，
从上述公式中得到正规方程，
根据矩阵X，系数两边等式用C和D表示，则，
那么，正规方程的矩阵形式为
CB＝(X′X)B＝X′y＝D
B为未知向量，如果矩阵系数C满秩，其逆矩阵存在，可以反解出未知向量B，
B＝A-1D＝(X′X)X′y
向量B为优化参数。
回归方程的假设检验和评价可采用离差分析法。定义总变异，
SS为回归平方和，是回归值
与均值
差值的平方和，反映了自变量X的变化引起Y的波动，自由度df回＝n(n为自变量个数)。
MS为残差平方和，是实测值yj与回归值
差值的平方和，是由试验误差及其它因素引起的，自由度df残＝m-n-1。
总变异自由度为m-1。
如果观测值给定，总变异确定，可以用SS和MS来衡量回归效果，SS越大回归效果越显著，MS越大回归效果不好。
为了检验总的回归效果，定义了无量纲指标-决定系数R2来表示，
R2反映回归离差对总变异的贡献比例。R＝R1/2称为复相关系数，反映全部自变量与因变量的相关程度。R2和R值越大，回归效果越好。
对满足预设回归效果的所述切割后的异常信息的蚀变异常中心坐标的每个分量进行假设检验，对满足检验条件的分量保留。综上，通过步骤S32和S33，便可获得优化的矿化蚀变异常信息。
上述为总体回归效果检验，不能说明每个自变量x1,x2,…,xn对因变量y都重要，有些自变量对因变量可能不起作用，或者作用为其他自变量所代替，这就需要把这些自变量从回归方程中剔除，建议每个自变量xi是否显著，假设H0：ai＝0,i＝1,2,…n。在第三步骤中，对上述经过优化获得的蚀变异常信息进行校验，判断异常信息是否满足要求；优选地，本申请采用下述三个校验方式：F值检验、t检验和p值检验。
(1)F值检验
F检验(F-test)，最常用的别名叫做联合假设检验(joint hypotheses test)，此外也称方差比率检验、方差齐性检验。它是一种在零假设(null hypothesis,H0)之下，统计值服从F-分布的检验。
在H0：ai＝0假设下，
对给定置信度α，从F值分布表中查与β对应的临界值Fβ,如果|Fi|〉Fβ，拒绝假设H0，认为n个自变量总体回归效果显著，反之，总体回归效果不显著。
(2)t检验
t检验，亦称student t检验(Student's t test)，主要用于样本含量较小(例如n<30)，总体标准差σ未知的正态分布。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。在H0：ai＝0假设下，t检验公式
对给定检验水平β，从t值分布表中查与β对应的临界值tβ,如果|ti|〉tβ，拒绝假设H0，认为ai与0值有显著差异，不应剔除，反之，应剔除。
(3)p值检验
假设检验是推断统计中的一项重要内容。用SAS、SPSS等专业统计软件进行假设检验，在假设检验中常见到P值(P-Value，Probability，Pr)，P值是进行检验决策的另一个依据。
P值即概率，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的P值，一般以P<0.05为有统计学差异，P<0.01为有显著统计学差异，P<0.001为有极其显著的统计学差异。其含义是样本间的差异由抽样误差所致的概率小于0.05、0.01、0.001。实际上，P值不能赋予数据任何重要性，只能说明某事件发生的几率。统计结果中显示Pr>F，也可写成Pr(>F)，P＝P{F0.05>F}或P＝P{F0.01>F}。
假设H0：ai＝0，服从自由度分别为1与m-n-1的p分布统计量，
对给定检验水平β，从p值分布表中可以查到临界值pβ(1,m-n-1)，如果pi〉pβ(1,m-n-1),拒绝假设H0，认为xi对y值有重要作用，不应剔除，反之，应剔除。
S4：在基团的异常信息的基础上利用二级正交变换法获得膏盐异常信息，逐步迭代形成多级驱动正交变换从而获得新膏盐异常信息，S5：对二级正交变换法获得的膏盐异常信息或逐步迭代获得的新膏盐异常信息进行判断处理，判断异常信息是否满足校验要求；若异常信息不满足所述校验要求则返回S4步骤的多级驱动正交变换从而获得新膏盐异常信息，直至满足校验要求。
假设给定值ε，F值，t值，p值判断，如果异常信息满足上述F值检验、t值检验和p值检验的各个要求，则对上述异常信息进行切割处理，如果不满足校验要求，那么采用多极驱动正交变换，上面获取的xi为基团异常信息。
在数学中，就是找出一些新变量v1，v2，……，vp，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＝lL
式中：L为本征矩阵，各Lik是此本征向量的分量；l为C矩阵的本征值。l和L有以下特点：
称为迹，或总信息量，对应于不同λ的L(即各主分量)线性不相关；从线性代数中知道协方差矩阵C的本征多项式为det(lI-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：
求协方差矩C
求本征值λ|lI|-C＝0
I为
求本征向量L(lI-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，可以说第一个正交基“构成”的信息量与总信息量的比例是l1/S，前两个正交基“构成”的信息量与总信息量之比是(l1+l2)/S，如此等等。有时为了方便譬如可以说“前4个分量构成信息量的p％”。某正交基的本征值就是若消去该正交基后，对相应的本征向量所引入的均方误差值。
对各波段的新异常的本征向量进行符号判别处理，判断异常信息是否满足异常特征，若不满足，则对所述异常信息进行符号转化，得到符号转化的异常信息；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。对应关系和前述的表1相同。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。
本次正交变换与一级正交变换区别在于利用xi取代起始值X中的每个变量，从而获得更加准确的数据。
S6：对满足校验要求的异常信息进行异常切割
与S33中的异常切割原理相同，切割也可以称为分割，对所述符合转化的异常信息按照(X+kσ)标准进行异常分割，得到分割后的异常信息；其中，所述X为表示异常信息的随机变量，k表示比例因子，σ为标准离差。
S7：对所述分割后的异常信息进行滤波优化，得到优化后的异常信息
为防止去除过多，伤害有价值信息，在异常提取之后优选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。优选采用Q值法进行后处理，Q定义为:Q＝(％5×k5-％7×k7)/％1×k1
式中(％N)表示TM第N波段或数据库第N通道中的像素值，如％1表示TM第1波段或数据库第1通道中的像素值,％5表示TM第5波段或数据库第5通道中的像素值，％7表示TM第7波段或数据库第7通道中的像素值；kn表示TM第n波段的贡献系数(由PCA本征向量所决定)，如k1表示TM第1波段的贡献系数,k5表示TM第5波段的贡献系数,k7表示TM第7波段的贡献系数。
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，也可以是不同的形状，如线状，圆形，十字形，圆环形等。
S8：将所述优化后的异常信息与所述合成的假彩色图像合成，得到适合人眼观察的矿化蚀变遥感异常图像。也就是说，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，y为对应的坐标，z为特征值，f(x,y,z)为矢量值，栅格g(x′,y′)，x和y为对应的坐标，g(x′,y′)为栅格灰度值，令，x＝x′y＝y′，从而实现栅格g(x′,y′)灰度值和矢量g(x′,y′)的叠加。
最终输出一幅适合人眼观察的矿化蚀变遥感异常图像，可输出成为JPG或者TIF格式的最终图像。如图6所示最终图像能够显示膏盐类的遥感蚀变异常。
本发明先采用一级正交变换获得基团的异常信息，作为一级驱动，在此基础上，利用二级正交变换获得含膏盐类的异常信息，逐步迭代形成多极驱动从而获得膏盐类的异常信息，多极驱动正交变换逐步从空间向量中剥离出遥感膏盐异常信息，若上述异常信息不满足上述检验要求，则对异常信息进行多级正交变换获得新异常信息，然后再进行新异常信息的切割处理并输出。也就是说：若异常信息不满足上述检验要求，则再次对异常信息进行正交变换，即多次正交变换，也即多级驱动正交变换，直至进行多次正交变换的异常信息最终满足上述检验要求，最后再对获得的新异常信息进行切割处理并输出。多次正交变换的具体步骤与前述一级正交变换的具体步骤一致，在此不再具体详述。
本发明还涉及一种遥感图像膏盐信息提取装置，该提取装置与本发明遥感图像膏盐信息提取方法相对应，也可以理解为是实现本发明遥感图像膏盐信息提取方法的装置，参见图7所示的优选结构框图，设置依次连接的第一装置、第二装置和第三装置。具体地，第一装置，获取遥感图像数据并利用掩膜技术处理形成基础数据。优选地，第一装置包括依次连接的图像获取装置、预处理装置和基础数据生成装置以及与图像获取装置相连的波段选择处理装置，所述图像获取装置，用于获取原始的遥感图像数据；所述遥感图像数据是多波段的遥感图像数据；所述图像预处理装置用于对获取的遥感图像数据进行预处理，所述预处理包括去边界处理和去干扰处理；所述基础数据生成装置对预处理后的数据利用掩膜技术处理和线性拉伸处理形成基础数据；所述波段选择处理装置用于对所述遥感图像数据进行波段选择，合成假彩色图像。其中，图像预处理装置优选包括去边界处理模块和去干扰处理模块，所述去边界处理模块，用于将各波段的原始的遥感图像结合二值图像处理技术进行去边界处理，得到去边界后的遥感图像数据；所述去干扰处理模块，用于采用比值法、切割法、Q值法和/或光谱角法对所述去除边界后的遥感图像数据去干扰，得到去除干扰后的遥感图像数据。
第二装置，将基础数据在选定区域内进行直方图计算处理确定选择数据，再采用一级正交变换法对选择数据进行基团的异常信息提取，并依次利用正态分布和多元线性回归法分别进行基团的异常信息的切割和校验。具体地，第二装置包括依次连接的确定选择数据装置、一级正交变换装置、异常优化装置和异常校验装置，所述确定选择数据装置与第一装置的基础数据生成装置相连，用于将基础数据在选定区域内进行直方图计算处理确定选择数据；一级正交变换装置采用一级正交变换法对选择数据进行基团的异常信息提取；所述异常优化装置利用正态分布进行异常信息的切割；所述异常校验装置用于将切割后的数据次用蚀变异常中心坐标与样品坐标重合度比较，利用多元线性回归法获取回归平方和以及残差平方和来衡量回归效果并结合自变量值检验实现异常信息的校验和评价。
第三装置，在基团的异常信息的基础上结合多级驱动正交变换迭代技术获得膏盐异常信息，同时对膏盐异常信息进行判断处理以便满足校验要求，再进行膏盐异常信息的切割处理并输出。也就是说，对在第二装置中获得的异常信息进行判断，判断其是否满足校验要求；若异常信息满足所述校验要求，则对异常信息进行多级正交变换获得新异常信息，再进行新异常信息的切割处理并输出。优选地，第三装置包括多级驱动正交变换迭代装置以及依次连接的异常信息判断装置、异常切割装置、滤波优化装置和合成装置，所述多级驱动正交变换迭代装置在基团的异常信息的基础上结合多级驱动正交变换迭代技术获得膏盐异常信息；所述异常信息判断装置判断膏盐异常信息是否满足校验要求，在满足校验要求时输出至异常切割装置，否则返回至多级驱动正交变换迭代装置；所述异常切割装置进行膏盐异常信息的切割处理；所述滤波优化装置进行异常滤波优化处理；所述合成装置将异常滤波优化处理结果结合第一装置的波段选择处理装置输出的假彩色图像，利用坐标分层把栅格和矢量进行叠加处理，进而输出适合人眼观察的矿化蚀变遥感异常图像。进一步地，多级驱动正交变换迭代装置是在基团的异常信息的基础上利用二级正交变换法获得膏盐异常信息，逐步迭代形成多级驱动从而获得新膏盐异常信息，所述异常信息判断装置对二级正交变换法获得的膏盐异常信息或逐步迭代获得的新膏盐异常信息进行判断处理直至满足校验要求，将满足校验要求的异常信息输出至异常切割装置。优选地，滤波优化装置包括Q值法滤波模块和中值法滤波模块；所述Q值法滤波模块用于对所述异常信息进行Q值法滤波，所述中值法滤波模块用于对所述Q值法滤波后的图像数据进行中值法滤波处理。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。
Claims (8)
1.一种遥感图像膏盐信息提取方法，其特征在于，包括如下步骤：
第一步骤，获取遥感图像数据并利用掩膜技术处理形成基础数据；
第二步骤，将基础数据在选定区域内进行直方图计算处理确定选择数据，再采用一级正交变换法对选择数据进行基团的异常信息提取，并依次利用正态分布和多元线性回归法分别进行异常信息的切割和校验；
第三步骤，在基团的异常信息的基础上结合多级驱动正交变换迭代技术先利用二级正交变换法获得膏盐异常信息，再根据大数定律和概率论逐步迭代形成多级驱动从而获得新膏盐异常信息，并对二级正交变换法获得的膏盐异常信息或逐步迭代获得的新膏盐异常信息进行判断处理直至满足校验要求从而提取出羟基和碳酸根异常信息中的膏盐信息，再对满足校验要求的膏盐异常信息进行切割处理并输出。
2.根据权利要求1所述的方法，其特征在于，所述第一步骤获取的遥感图像数据是多波段的遥感图像数据，在获取遥感图像数据后先进行预处理再利用掩膜技术处理形成基础数据，所述预处理包括去边界处理和去干扰处理；还对遥感图像数据进行波段选择，合成假彩色图像；
所述第三步骤在进行膏盐异常信息切割后还进行异常滤波优化并在优化后结合第一步骤的假彩色图像，利用坐标分层把栅格和矢量进行叠加处理，进而输出适合人眼观察的矿化蚀变遥感异常图像。
3.根据权利要求2所述的方法，其特征在于，所述第二步骤是利用正态分布进行基团的异常信息的切割，切割后的数据采用蚀变异常中心坐标与样品坐标重合度比较，利用多元线性回归法获取回归平方和以及残差平方和来衡量回归效果并结合自变量值检验实现基团的异常信息的校验和评价。
4.根据权利要求3所述的方法，其特征在于，所述第一步骤在获取遥感图像数据后先进行预处理再利用掩膜技术处理和线性拉伸后形成基础数据，所述预处理的去边界处理是将各波段的遥感图像数据结合二值图像处理技术去除边界信息，所述预处理的去干扰处理采用比值法、切割法、Q值法和/或光谱角法；
和/或，第三步骤所述的异常滤波优化依次采用Q值法和中值滤波法进行滤波。
5.一种遥感图像膏盐信息提取装置，其特征在于，包括依次连接的第一装置、第二装置和第三装置，
所述第一装置，获取遥感图像数据并利用掩膜技术处理形成基础数据；
所述第二装置，将基础数据在选定区域内进行直方图计算处理确定选择数据，再采用一级正交变换法对选择数据进行基团的异常信息提取，并依次利用正态分布和多元线性回归法分别进行基团的异常信息的切割和校验；
所述第三装置，在基团的异常信息的基础上结合多级驱动正交变换迭代技术先利用二级正交变换法获得膏盐异常信息，再根据大数定律和概率论逐步迭代形成多级驱动从而获得新膏盐异常信息，并对二级正交变换法获得的膏盐异常信息或逐步迭代获得的新膏盐异常信息进行判断处理直至满足校验要求从而提取出羟基和碳酸根异常信息中的膏盐信息，再对满足校验要求的膏盐异常信息进行切割处理并输出。
6.根据权利要求5所述的装置，其特征在于，所述第一装置包括依次连接的图像获取装置、预处理装置和基础数据生成装置以及与图像获取装置相连的波段选择处理装置，所述图像获取装置，用于获取原始的遥感图像数据；所述遥感图像数据是多波段的遥感图像数据；所述图像预处理装置用于对获取的遥感图像数据进行预处理，所述预处理包括去边界处理和去干扰处理；所述基础数据生成装置对预处理后的数据利用掩膜技术处理形成基础数据；所述波段选择处理装置用于对所述遥感图像数据进行波段选择，合成假彩色图像；
所述第三装置包括多级驱动正交变换迭代装置以及依次连接的异常信息判断装置、异常切割装置、滤波优化装置和合成装置，所述多级驱动正交变换迭代装置在基团的异常信息的基础上结合多级驱动正交变换迭代技术先利用二级正交变换法获得膏盐异常信息，再根据大数定律和概率论逐步迭代形成多级驱动从而获得新膏盐异常信息；所述异常信息判断装置对二级正交变换法获得的膏盐异常信息或逐步迭代获得的新膏盐异常信息进行判断处理直至满足校验要求，在满足校验要求时输出至异常切割装置，否则返回至多级驱动正交变换迭代装置；所述异常切割装置进行膏盐异常信息的切割处理；所述滤波优化装置进行异常滤波优化处理；所述合成装置将异常滤波优化处理结果结合第一装置的波段选择处理装置输出的假彩色图像，利用坐标分层把栅格和矢量进行叠加处理，进而输出适合人眼观察的矿化蚀变遥感异常图像。
7.根据权利要求6所述的装置，其特征在于，所述第二装置包括依次连接的确定选择数据装置、一级正交变换装置、异常优化装置和异常校验装置，所述确定选择数据装置与第一装置的基础数据生成装置相连，用于将基础数据在选定区域内进行直方图计算处理确定选择数据；一级正交变换装置采用一级正交变换法对选择数据进行基团的异常信息提取；所述异常优化装置利用正态分布进行异常信息的切割；所述异常校验装置用于将切割后的数据次用蚀变异常中心坐标与样品坐标重合度比较，利用多元线性回归法获取回归平方和以及残差平方和来衡量回归效果并结合自变量值检验实现异常信息的校验和评价。
8.根据权利要求7所述的装置，其特征在于，所述图像预处理装置包括去边界处理模块和去干扰处理模块，所述去边界处理模块，用于将各波段的原始的遥感图像结合二值图像处理技术进行去边界处理，得到去边界后的遥感图像数据；所述去干扰处理模块，用于采用比值法、切割法、Q值法和/或光谱角法对所述去边界后的遥感图像数据去干扰，得到去除干扰后的遥感图像数据；所述基础数据生成装置用于对所述去除干扰后的遥感图像数据进行掩膜技术处理和线性拉伸，得到基础遥感图像数据；
和/或，所述第三装置的所述滤波优化装置包括Q值法滤波模块和中值法滤波模块；所述Q值法滤波模块用于对所述异常信息进行Q值法滤波，所述中值法滤波模块用于对所述Q值法滤波后的图像数据进行中值法滤波处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811172110.0A CN109145881B (zh) | 2018-10-09 | 2018-10-09 | 一种遥感图像膏盐信息提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811172110.0A CN109145881B (zh) | 2018-10-09 | 2018-10-09 | 一种遥感图像膏盐信息提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109145881A CN109145881A (zh) | 2019-01-04 |
| CN109145881B true CN109145881B (zh) | 2021-06-22 |
Family
ID=64811042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811172110.0A Active CN109145881B (zh) | 2018-10-09 | 2018-10-09 | 一种遥感图像膏盐信息提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109145881B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110782101A (zh) * | 2019-12-11 | 2020-02-11 | 山东省煤田地质规划勘察研究院 | 一种基于多元地学信息叠加识别的矿产预测方法 |
| CN111552004B (zh) * | 2020-04-24 | 2023-04-18 | 中国地质科学院矿产资源研究所 | 一种遥感数据角度异常信息提取方法及系统 |
| CN115639159B (zh) * | 2022-12-08 | 2023-04-11 | 航天宏图信息技术股份有限公司 | 一种基于多光谱影像的废水污染监测方法和装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101510374B (zh) * | 2009-03-12 | 2011-01-05 | 中国科学院遥感应用研究所 | 一种基于历史数据及遥感数据的土地利用图自动更新方法 |
| CN103383348B (zh) * | 2013-05-28 | 2015-09-30 | 吉林大学 | 植被覆盖区高光谱遥感蚀变矿物提取方法 |
| CN108171210B (zh) * | 2018-01-18 | 2020-06-19 | 中国地质科学院矿产资源研究所 | 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 |
| CN108427964B (zh) * | 2018-03-05 | 2020-05-12 | 中国地质科学院矿产资源研究所 | 一种遥感图像与地球化学的融合方法及系统 |
-
2018
- 2018-10-09 CN CN201811172110.0A patent/CN109145881B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109145881A (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109063606B (zh) | 矿化蚀变遥感信息提取方法及装置 | |
| Sheikhrahimi et al. | Mapping hydrothermal alteration zones and lineaments associated with orogenic gold mineralization using ASTER data: A case study from the Sanandaj-Sirjan Zone, Iran | |
| Valentín et al. | A deep residual convolutional neural network for automatic lithological facies identification in Brazilian pre-salt oilfield wellbore image logs | |
| 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 | |
| CN103456018B (zh) | 基于融合和pca核模糊聚类的遥感图像变化检测方法 | |
| Deilmai et al. | Comparison of two classification methods (MLC and SVM) to extract land use and land cover in Johor Malaysia | |
| CN105844279B (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
| CN109145881B (zh) | 一种遥感图像膏盐信息提取方法及装置 | |
| Lorenz et al. | Feature extraction for hyperspectral mineral domain mapping: A test of conventional and innovative methods | |
| Flood et al. | Effective grain size distribution analysis for interpretation of tidal–deltaic facies: West Bengal Sundarbans | |
| Yang et al. | Robust hyperspectral image target detection using an inequality constraint | |
| CN103456020B (zh) | 基于treelet特征融合的遥感图像变化检测方法 | |
| Taibi et al. | Robust reservoir rock fracture recognition based on a new sparse feature learning and data training method | |
| CN108280433B (zh) | 一种植被覆盖区下金矿的识别方法及系统 | |
| Ayoobi et al. | Evaluation of subpixel unmixing algorithms in mapping the porphyry copper alterations using EO-1 Hyperion data, a case study from SE Iran | |
| Li et al. | Spectral–spatial depth-based framework for hyperspectral underwater target detection | |
| Zhang et al. | A New Approach for Mineral Mapping Using Drill-Core Hyperspectral Image | |
| Rajyalakshmi et al. | Taxonomy of satellite image and validation using statistical inference | |
| CN110660051B (zh) | 一种基于导航金字塔的张量投票处理方法 | |
| WO2024018277A2 (en) | Machine learning based borehole data analysis | |
| CN116385593A (zh) | 基于定量半监督学习的高光谱遥感矿物填图方法 | |
| Rizk et al. | Toward real-time seismic feature analysis for bright spot detection: A distributed approach | |
| Palo et al. | Seismic fault analysis using graph signal regularization | |
| CN111552004B (zh) | 一种遥感数据角度异常信息提取方法及系统 |
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 |