CN110188716A - 一种矿化信息提取方法及系统 - Google Patents
一种矿化信息提取方法及系统 Download PDFInfo
- Publication number
- CN110188716A CN110188716A CN201910480094.XA CN201910480094A CN110188716A CN 110188716 A CN110188716 A CN 110188716A CN 201910480094 A CN201910480094 A CN 201910480094A CN 110188716 A CN110188716 A CN 110188716A
- Authority
- CN
- China
- Prior art keywords
- sample
- remote sensing
- sensing data
- spectral
- hyperspectral
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000033558 biomineral tissue development Effects 0.000 title claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 138
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 98
- 239000011707 mineral Substances 0.000 claims abstract description 98
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims description 40
- 210000003462 vein Anatomy 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 20
- 206010061274 Malocclusion Diseases 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013211 curve analysis Methods 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 abstract description 3
- 241000950629 Icteria Species 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 9
- 230000004075 alteration Effects 0.000 description 6
- 239000011435 rock Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 241000132092 Aster Species 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000000862 absorption spectrum Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 229910021645 metal ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供一种矿化信息提取方法及系统,该方法包括:获取试验区待检测高光谱遥感数据;获取试验区各类常见矿物的光谱特征并建立特征光谱库,其中,所述光谱特征包括光谱数据、吸收谷和反射峰值,所述光谱库包括试验区域中每一类矿物的光谱特征。将待检测高光谱遥感数据与所建立的光谱库进行匹配,获取待检测高光谱遥感数据所表示矿物的类别及分布范围。本发明实施例根据试验区域中常见矿物的高光谱特征与试验区域中矿物种类的对应关系,建立光谱库,通过将待测高光谱遥感数据与光谱库进行匹配,识别待测高光谱遥感数据中所表示矿物的种类及分布范围,具有识别精度高、结果可靠的优点。
Description
技术领域
本发明涉及地质勘探技术领域,尤其涉及一种矿化信息提取方法及系统。
背景技术
遥感矿化蚀变信息是指从遥感数据中提取的、可能与成矿围岩蚀变矿物有关的一种量化信息,信息强度可由蚀变矿物引起的若干特征吸收光谱段变量或它们的数学变换数据大小确定。通常对传统单波段、多光谱遥感数据采用比值、主成分分析、光谱角分类、相关系数法、芒塞尔彩色空间变换等方法提取矿化蚀变信息。
传统单波段在波段数、波段范围、精细信息表达等方面的局限性,对地物光谱信息的解析能力较弱,导致对矿化信息分类的准确度较低。
发明内容
针对上述问题,本发明实施例提供一种矿化信息提取方法及系统。
第一方面,本发明实施例提供一种矿化信息提取方法,包括:
获取试验区待检测高光谱遥感数据;
对所述试验区常见矿物实测高光谱遥感数据进行分类,获取每一类矿物高光谱遥感数据的光谱特征;
将所述待检测高光谱遥感数据与光谱库进行匹配,获取待检测高光谱遥感数据所表示矿物的类别,所述光谱库包括每一类矿物高光谱遥感数据的光谱特征。
优选地,每一类矿物高光谱遥感数据的光谱特征,具体包括:矿脉样品的光谱特征、风化碎屑物样品的光谱特征、伴生矿物样品的光谱特征和尾矿样品的光谱特征,其中:
通过野外光谱测量或室内光谱测量获取所述矿脉样品的高光谱曲线,并根据所述矿脉样品的高光谱曲线获取所述矿脉样品的光谱特征;
通过野外光谱测量或室内光谱测量获取所述风化碎屑物样品的高光谱曲线,并根据所述风化碎屑物样品的高光谱曲线获取所述风化碎屑物样品的光谱特征;
通过野外光谱测量或室内光谱测量获取所述伴生矿物样品的高光谱曲线,并根据所述伴生矿物样品的高光谱曲线获取所述伴生矿物样品的光谱特征;
通过野外光谱测量或室内光谱测量获取所述尾矿样品的高光谱曲线,并根据所述尾矿样品的高光谱曲线获取所述尾矿样品的光谱特征。
优选地,所述光谱库通过如下方式获得:
通过光谱曲线分析获取所述矿脉样品的光谱特征、所述风化碎屑物样品的光谱特征、所述伴生矿物样品的光谱特征、所述尾矿样品的光谱特征;
将所述矿脉样品的光谱特征、所述风化碎屑物样品的光谱特征、所述伴生矿物样品的光谱特征和所述尾矿样品的光谱特征组成所述光谱库。
优选地,所述对所述试验区常见矿物实测高光谱遥感数据进行分类,之前还包括:
对所述待检测高光谱遥感数据进行图像合成、图像裁剪、图像配准和图像定标处理。
优选地,所述对所述试验区常见矿物实测高光谱遥感数据进行分类,具体如下:
通过光谱角分类法或主成成分分析法对所述试验区常见矿物实测高光谱遥感数据进行分类。
第二方面,本发明实施例提供一种矿化信息提取系统,包括:
获取模块,用于获取试验区待检测高光谱遥感数据;
分类模块,用于对所述试验区常见矿物实测高光谱遥感数据进行分类,获取每一类矿物高光谱遥感数据的光谱特征;
匹配模块,用于将所述待检测高光谱遥感数据与光谱库进行匹配,获取待检测高光谱遥感数据所表示矿物的类别,所述光谱库包括每一类矿物高光谱遥感数据的光谱特征。
第三方面,本发明实施例提供一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面提供的一种矿化信息提取方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的一种矿化信息提取方法。
本发明实施例提供的一种矿化信息提取方法及系统,根据试验区域中常见矿物的高光谱特征与试验区域中矿物种类的对应关系,建立光谱库,通过将待测高光谱遥感数据与光谱库进行匹配,识别待测高光谱遥感数据中所表示矿物的种类及分布范围,具有识别精度高、结果可靠的优点。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例中一种矿化信息提取方法的流程图;
图2为本发明实施例提供的一种矿化信息提取系统的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
高光谱遥感是上世纪末地球观测系统中最重要的技术突破之一,不同的矿物具有不同的光谱特征,高光谱遥感研究发现了矿化蚀变带在2.2μm处具有光谱吸收特征,其吸收光谱的半带宽在10nm-50nm之间,矿物中金属离子对植被的侵蚀,会引起植被的病变,使得植被近红外高反射峰就会向短波方向移动5nm-20nm。
通过建立矿物或者矿化蚀变带岩石的高光谱特征的解析,能够实现高光谱遥感找矿技术防范的实用化,提高遥感找矿的效率。
图1为本发明实施例中一种矿化信息提取方法的流程图,如图1所示,该方法包括:
S1,获取经预处理的待检测的高光谱数据;
S2,对所述试验区常见矿物实测高光谱遥感数据进行分类,获取每一类矿物高光谱遥感数据的光谱特征;
S3,将所述待检测高光谱遥感数据与光谱库进行匹配,获取待检测高光谱遥感数据所表示矿物的类别,所述光谱库包括每一类矿物高光谱遥感数据的光谱特征。
首先获取待检测高光谱遥感数据,待检测高光谱遥感数据是由卫星拍摄获取到的数据,本发明实施例中采用NASA于1999年12月18日发射高级星载热发射反照辐射计(Advanced Spaceborne Thermal Emission and Reflection Radiometer,简称ASTER)数据开展矿化信息提取,ASTER数据接收到的信息包括:可见光与近红外(Visible and NearInfra-red,简称VNIR),短波红外(Short wave-length Infra-red,简称SWIR)波段范围内产生的是地物光谱反射率,热红外(Thermal Infra-red,简称TIR)波段范围内的地物热辐射值。
一般而言,当需要对目标区域进行矿化信息提取的时候,可以从相关单位获取到卫星拍摄的该目标区域的高光谱遥感数据,将该目标区域的高光谱遥感数据作为待检测高光谱遥感数据。
由于待检测高光谱遥感数据中包含试验区所有种类矿物的光谱特征,并且不同种类矿物对应的光谱特征不同。将每一类的待检测高光谱遥感数据与光谱库进行匹配,获取每一类的待检测高光谱遥感数据所表示矿物的类别。光谱库中包含了试验区域中每一类矿物的光谱特征与矿物类别。具体地,光谱特征包括光谱数据、吸收谷和反射峰值。
本发明实施例提供的一种矿化信息提取方法及系统,根据试验区域中矿物种类与高光谱曲线对应关系,建立光谱库,通过将待测高光谱遥感数据与光谱库进行匹配,识别待测高光谱遥感数据中所表示矿物的种类,具有识别精度高、结果可靠的优点。
在上述实施例的基础上,优选地,所述光谱库通过如下方式获得:
通过光谱曲线分析获取所述矿脉样品的光谱特征、所述风化碎屑物样品的光谱特征、所述伴生矿物样品的光谱特征、所述尾矿样品的光谱特征;
将所述矿脉样品的光谱特征、所述风化碎屑物样品的光谱特征、所述伴生矿物样品的光谱特征和所述尾矿样品的光谱特征形成所述光谱库。
具体地,光谱库通过如下步骤进行建立:
首先,获取以往某个时刻的试验区域的高光谱遥感数据,然后对该高光谱遥感数据进行图像预处理。对照试验区地质资料,获取试验区常见矿物的种类。
一般来说,常见的矿物类别有矿脉、风化碎屑物、伴生矿物、尾矿等。然后对试验区域进行地质调查,找出试验区的矿脉样品为矿脉带中的一小部分,对多个矿脉样品进行光谱测量,获取矿脉样品的光谱曲线;对多个矿脉样品的光谱曲线进行分析获取矿脉样品的光谱特征。
由于同一种矿物的光谱曲线可能存在差异,通过曲线拟合分析获取试验区同一类矿物的光谱特征。
同样地,找出试验区风化碎屑物样品,风化碎屑物样品为风化碎屑物带中的一小部分,对多个风化碎屑物样品进行光谱测量,获取风化碎屑物样品的光谱曲线;对多个风化物碎屑样品的光谱曲线进行分析获取风化碎屑物样品的光谱特征。
相同地,找出试验区伴生矿物样品,伴生矿物样品为伴生矿物带中的一小部分,对多个伴生矿物样品进行光谱测量,获取伴生矿物样品的光谱曲线;对多个伴生矿物样品的光谱曲线进行分析获取伴生矿物样品的光谱特征。
找出试验区尾矿样品,尾矿样品为尾矿中的一小部分,对多个尾矿样品进行光谱测量,获取尾矿样品的光谱曲线;对多个尾矿样品的光谱曲线进行分析获取尾矿样品的光谱特征。
其中,对待检测高光谱遥感数据进行图像预处理,具体包括:
对所述待检测高光谱遥感数据进行图像合成、图像裁剪、图像配准和图像定标处理。
图像合成是指将多谱段黑白图像经多光谱图像彩色合成而变成彩色图像。
对于ASTER图像的单景影像,首先以可见光-近红外3个波段为参考波段,将6个短波红外波段及5个热红外波段与可见光-近红外波段精确配准,并重采样为15m的像元大小,然后将重采样后的波段与可见光-近红外波段合成为包含14个波段的合成图像。
图像镶嵌可以叠加两幅或多幅有重叠区域的图像(通常经过地理坐标定位)或将不同的无重叠区域的图像或图表镶嵌在一起再进行输出(通常是基于像元的)。单个波段、整个文件或经过地理坐标定位的多分辨率图像都可以进行镶嵌。在镶嵌过程中,可以使用羽化技术来融合图像边缘。
在实际工作中,经常需要根据研究工作范围对影像进行裁剪以减少冗余信息,突出主题信息,提高计算机器处理速度。图像裁剪有规则裁减和不规则裁剪两种形式。规则裁剪是指裁剪图像的边界是一个矩形,通过左上角和右下角两点的坐标就可以确定图像的裁剪位置。
图像配准流程:
首先对两幅图像进行特征提取得到特征点;
通过进行相似性度量找到匹配的特征点对;
然后通过匹配的特征点对得到图像空间坐标变换参数:
最后由坐标变换参数进行图像配准。
而特征提取是配准技术中的关键,准确的特征提取为特征匹配的成功进行提供了保障。
图像定标就是将图像灰度值转化为“相对反射率”来表示。本发明实施例采用的是ENVI软件中的“平场域”定标方法。基本原理为,选取各个波段灰度值几乎都为最亮的区域的平均值作为“参照白板的”反射灰度值,然后将其他区域中的灰度值与该参照灰度值做比值处理,求取图像中每个像元的“相对反射率”。
每一类矿物高光谱遥感数据的光谱特征,具体包括:所述试验区矿脉样品的光谱特征、所述风化碎屑物样品的光谱特征、所述伴生矿物样品的光谱特征和所述尾矿样品的光谱特征,其中:
通过野外光谱测量或室内光谱测量获取所述矿脉样品的高光谱曲线,并根据所述矿脉样品的高光谱曲线获取所述矿脉样品的光谱特征;
通过野外光谱测量或室内光谱测量获取所述风化碎屑物样品的高光谱曲线,并根据所述风化碎屑物样品的高光谱曲线获取所述风化碎屑物样品的光谱特征;
通过野外光谱测量或室内光谱测量获取所述伴生矿物样品的高光谱曲线,并根据所述伴生矿物样品的高光谱曲线获取所述伴生矿物样品的光谱特征;
通过野外光谱测量或室内光谱测量获取所述尾矿样品的高光谱曲线,并根据所述尾矿样品的高光谱曲线获取所述尾矿样品的光谱特征。
具体地,矿脉样品的高光谱曲线、风化碎屑物样品的高光谱曲线、伴生矿物样品的高光谱曲线和尾矿样品的高光谱曲线均是通过野外光谱测量或室内光谱测量获取的。
野外光谱测量一般是对野外出露较好的岩石,野外光谱测量需要一个稳定的气象条件,对测量的时间要求也较高,一般限定在正午前后2到3个小时时间段,冬季的时间将会更短,而且在一些大气强吸收的波段信号缺失。
室内光谱测量是针对野外风化严重并且不易测量的岩石,进行室内测量时,取岩石的新鲜样本在室内进行测量,可以测量样品在大气吸收波段的反射率,能够更好控制光照条件和观测的几何角度,但是测试的样本更有针对性,更纯洁,与实际遥感像元所代表的混杂地物类型相比,没有可比性,所以室内样本的光谱测试可以用于某些矿物组分的定量反演,对分析遥感图像只能做定性参考。
根据样品的高光谱曲线获取样品的光谱特征,具体地,对野外实测光谱为350-2500nm区间的光谱特征模拟到ASTER波段520-11650nm的14个波段中前9个波段范围内。
在上述实施例的基础上,优选地,所述对所述试验区常见矿物实测高光谱遥感数据进行分类,具体如下:通过光谱角分类法或主成成分分析法对所述试验区常见矿物实测高光谱遥感数据进行分类。
光谱角分类方法可以同时对多种岩性成分进行分类识别,为了准确的提取各类岩性,本发明实施例中采用光谱角分类方法对试验区常见矿物实测高光谱遥感数据进行分类。
另外地,还可以通过主成成分分析法对待检测高光谱遥感数据进行分类,实验证明,主成成分分析法对高光谱矿化信息的提取效果比较明显。
图2为本发明实施例提供的一种矿化信息提取系统的结构示意图,如图2所示,该系统包括获取模块201、分类模块202和匹配模块203,其中:
获取模块201用于获取试验区待检测高光谱遥感数据;
分类模块202用于对所述试验区常见矿物实测高光谱遥感数据进行分类,获取每一类矿物高光谱遥感数据的光谱特征;
匹配模块203用于将所述待检测高光谱遥感数据与光谱库进行匹配,获取待检测高光谱遥感数据所表示矿物的类别,所述光谱库包括每一类矿物高光谱遥感数据的光谱特征。
具体地,获取模块201获取卫星拍摄目标区域的待检测高光谱遥感数据,分类模块202对试验区常见矿物实测高光谱遥感数据进行分类,匹配模块203将待检测高光谱遥感数据与光谱库中存储的每一类矿物的光谱特征进行匹配,由于光谱库中矿物的类别是已知的,所以就可以知道每一类别的待检测高光谱遥感数据所表示的矿物类别及分布范围。
本系统实施例的具体执行方式与上述方法实施例的具体执行方式相同,详情请参考上述方法实施例,本系统实施例在此不再赘述。
图3为本发明实施例提供的一种电子设备的结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340,其中,处理器310,通信接口320,存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:
获取试验区待检测高光谱遥感数据;
对所述试验区常见矿物实测高光谱遥感数据进行分类,获取每一类矿物高光谱遥感数据的光谱特征;
将所述待检测高光谱遥感数据与光谱库进行匹配,获取待检测高光谱遥感数据所表示矿物的类别,所述光谱库包括每一类矿物高光谱遥感数据的光谱特征。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:
获取试验区待检测高光谱遥感数据;
对所述试验区常见矿物实测高光谱遥感数据进行分类,获取每一类矿物高光谱遥感数据的光谱特征;
将所述待检测高光谱遥感数据与光谱库进行匹配,获取待检测高光谱遥感数据所表示矿物的类别,所述光谱库包括每一类矿物高光谱遥感数据的光谱特征。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (8)
1.一种矿化信息提取方法,其特征在于,包括:
获取试验区待检测高光谱遥感数据;
对所述试验区常见矿物实测高光谱遥感数据进行分类,获取每一类矿物高光谱遥感数据的光谱特征;
将所述待检测高光谱遥感数据与光谱库进行匹配,获取待检测高光谱遥感数据所表示矿物的类别,所述光谱库包括每一类矿物高光谱遥感数据的光谱特征。
2.根据权利要求1所述方法,其特征在于,每一类矿物高光谱遥感数据的光谱特征,具体包括:矿脉样品的光谱特征、风化碎屑物样品的光谱特征、伴生矿物样品的光谱特征和尾矿样品的光谱特征,其中:
通过野外光谱测量或室内光谱测量获取所述矿脉样品的高光谱曲线,并根据所述矿脉样品的高光谱曲线获取所述矿脉样品的光谱特征;
通过野外光谱测量或室内光谱测量获取所述风化碎屑物样品的高光谱曲线,并根据所述风化碎屑物样品的高光谱曲线获取所述风化碎屑物样品的光谱特征;
通过野外光谱测量或室内光谱测量获取所述伴生矿物样品的高光谱曲线,并根据所述伴生矿物样品的高光谱曲线获取所述伴生矿物样品的光谱特征;
通过野外光谱测量或室内光谱测量获取所述尾矿样品的高光谱曲线,并根据所述尾矿样品的高光谱曲线获取所述尾矿样品的光谱特征。
3.根据权利要求2所述方法,其特征在于,所述光谱库通过如下方式获得:
通过光谱曲线分析获取所述矿脉样品的光谱特征、所述风化碎屑物样品的光谱特征、所述伴生矿物样品的光谱特征、所述尾矿样品的光谱特征;
将所述矿脉样品的光谱特征、所述风化碎屑物样品的光谱特征、所述伴生矿物样品的光谱特征和所述尾矿样品的光谱特征组成所述光谱库。
4.根据权利要求1所述方法,其特征在于,所述对所述试验区常见矿物实测高光谱遥感数据进行分类,之前还包括:
对所述待检测高光谱遥感数据进行图像合成、图像裁剪、图像配准和图像定标处理。
5.根据权利要求1所述方法,其特征在于,所述对所述试验区常见矿物实测高光谱遥感数据进行分类,具体如下:
通过光谱角分类法或主成成分分析法对所述试验区常见矿物实测高光谱遥感数据进行分类。
6.一种矿化信息提取系统,其特征在于,包括:
获取模块,用于获取试验区待检测高光谱遥感数据;
分类模块,用于对所述试验区常见矿物实测高光谱遥感数据进行分类,获取每一类矿物高光谱遥感数据的光谱特征;
匹配模块,用于将所述待检测高光谱遥感数据与光谱库进行匹配,获取待检测高光谱遥感数据所表示矿物的类别,所述光谱库包括每一类矿物高光谱遥感数据的光谱特征。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述矿化信息提取方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述矿化信息提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910480094.XA CN110188716B (zh) | 2019-06-04 | 2019-06-04 | 一种矿化信息提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910480094.XA CN110188716B (zh) | 2019-06-04 | 2019-06-04 | 一种矿化信息提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188716A true CN110188716A (zh) | 2019-08-30 |
CN110188716B CN110188716B (zh) | 2021-08-06 |
Family
ID=67720160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910480094.XA Active CN110188716B (zh) | 2019-06-04 | 2019-06-04 | 一种矿化信息提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188716B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765944A (zh) * | 2019-10-23 | 2020-02-07 | 长光禹辰信息技术与装备(青岛)有限公司 | 基于多源遥感影像的目标识别方法、装置、设备及介质 |
CN113281270A (zh) * | 2021-04-26 | 2021-08-20 | 中国自然资源航空物探遥感中心 | 一种高光谱波段选择方法、装置、设备及存储介质 |
CN114965315A (zh) * | 2022-05-18 | 2022-08-30 | 重庆大学 | 一种基于高光谱成像的岩体损伤劣化快速评估方法 |
CN115541557A (zh) * | 2022-10-28 | 2022-12-30 | 中国水利水电科学研究院 | 一种塑料表面生物膜中藻类和矿物的检测方法 |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050252A (zh) * | 2014-06-12 | 2014-09-17 | 核工业北京地质研究院 | 一种高光谱遥感蚀变信息提取方法 |
CN104808255A (zh) * | 2015-04-30 | 2015-07-29 | 武汉光谷北斗控股集团有限公司 | 基于分形理论的矿化异常信息挖掘方法 |
CN105606537A (zh) * | 2015-08-31 | 2016-05-25 | 山东科技大学 | 基于多类型光谱特征参数协同的矿物类型遥感识别方法 |
CN106682377A (zh) * | 2015-11-05 | 2017-05-17 | 核工业北京地质研究院 | 一种钻孔岩芯蚀变矿物的高光谱提取与定量估算方法 |
CN107389571A (zh) * | 2017-07-21 | 2017-11-24 | 中国科学院遥感与数字地球研究所 | 一种矿物组分高光谱遥感精细鉴别方法 |
CN109283148A (zh) * | 2018-09-30 | 2019-01-29 | 核工业北京地质研究院 | 一种基于光谱信息自动识别岩石矿物的方法 |
-
2019
- 2019-06-04 CN CN201910480094.XA patent/CN110188716B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050252A (zh) * | 2014-06-12 | 2014-09-17 | 核工业北京地质研究院 | 一种高光谱遥感蚀变信息提取方法 |
CN104808255A (zh) * | 2015-04-30 | 2015-07-29 | 武汉光谷北斗控股集团有限公司 | 基于分形理论的矿化异常信息挖掘方法 |
CN105606537A (zh) * | 2015-08-31 | 2016-05-25 | 山东科技大学 | 基于多类型光谱特征参数协同的矿物类型遥感识别方法 |
CN106682377A (zh) * | 2015-11-05 | 2017-05-17 | 核工业北京地质研究院 | 一种钻孔岩芯蚀变矿物的高光谱提取与定量估算方法 |
CN107389571A (zh) * | 2017-07-21 | 2017-11-24 | 中国科学院遥感与数字地球研究所 | 一种矿物组分高光谱遥感精细鉴别方法 |
CN109283148A (zh) * | 2018-09-30 | 2019-01-29 | 核工业北京地质研究院 | 一种基于光谱信息自动识别岩石矿物的方法 |
Non-Patent Citations (2)
Title |
---|
毕晓佳: ""高光谱遥感协同处理黑刺沟岩矿蚀变信息方法研究"", 《中国博士学位论文全文数据库 基础科学辑》 * |
王润生 等: ""遥感地质勘查技术与应用研究"", 《地质学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765944A (zh) * | 2019-10-23 | 2020-02-07 | 长光禹辰信息技术与装备(青岛)有限公司 | 基于多源遥感影像的目标识别方法、装置、设备及介质 |
CN113281270A (zh) * | 2021-04-26 | 2021-08-20 | 中国自然资源航空物探遥感中心 | 一种高光谱波段选择方法、装置、设备及存储介质 |
CN113281270B (zh) * | 2021-04-26 | 2023-06-23 | 中国自然资源航空物探遥感中心 | 一种高光谱波段选择方法、装置、设备及存储介质 |
CN114965315A (zh) * | 2022-05-18 | 2022-08-30 | 重庆大学 | 一种基于高光谱成像的岩体损伤劣化快速评估方法 |
CN115541557A (zh) * | 2022-10-28 | 2022-12-30 | 中国水利水电科学研究院 | 一种塑料表面生物膜中藻类和矿物的检测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110188716B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188716B (zh) | 一种矿化信息提取方法及系统 | |
Aspinall et al. | Considerations in collecting, processing, and analysing high spatial resolution hyperspectral data for environmental investigations | |
CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
Park et al. | AE—Automation and emerging technologies: Co-occurrence matrix texture features of multi-spectral images on poultry carcasses | |
Zhou et al. | Fusion of high spatial resolution WorldView-2 imagery and LiDAR pseudo-waveform for object-based image analysis | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
Pueschel | The influence of scanner parameters on the extraction of tree metrics from FARO Photon 120 terrestrial laser scans | |
CN107688003B (zh) | 一种消除植被冠层结构和地表背景影响的叶片反射率卫星遥感提取方法 | |
CN112669363B (zh) | 城市绿地三维绿量测算方法 | |
Kuzmin et al. | Automatic segment-level tree species recognition using high resolution aerial winter imagery | |
Axelsson et al. | Target detection in hyperspectral imagery using forward modeling and in-scene information | |
CN113724381B (zh) | 一种基于高分遥感影像的动态三维场景快速重建方法 | |
CN113591775A (zh) | 一种结合高光谱特征的多光谱遥感影像特定地物提取方法 | |
Schmitt et al. | From RGB camera to hyperspectral imaging: a breakthrough in Neolithic rock painting analysis | |
Wolfe et al. | Hyperspectral analytics in envi target detection and spectral mapping methods | |
Merzah et al. | Assessment of Atmospheric Correction Methods for Hyperspectral Remote Sensing Imagery Using Geospatial Techniques | |
JP6060377B2 (ja) | 画像クラスタ分析装置 | |
Wolfe et al. | Hyperspectral analytics in ENVI | |
Juola et al. | Multiangular spectra of tree bark for common boreal tree species in Europe | |
Kumar et al. | Objects detection in hyperspectral images using spectral derivative | |
Salehi et al. | Mineral mapping by hyperspectral remote sensing in West Greenland using airborne, ship-based and terrestrial platforms | |
Trubakov et al. | Selection of Satellite Image Series for the Determination of Forest Pathology Dynamics Taking Into Account Cloud Coverage and Image Distortions Based on the Data Obtained from the Key Point Detector | |
Wu et al. | Cloud extraction scheme for multi-spectral images using Landsat-8 OLI images with high brightness reflectivity covered | |
Guiang et al. | Cloud detection and characterization using topological data analysis | |
Ziegelmaier Neto et al. | Combining LiDAR and Spaceborne Multispectral Data for Mapping Successional Forest Stages in Subtropical Forests |
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 |