CN111141698A - 一种基于热红外比辐射率的岩性分类方法 - Google Patents

一种基于热红外比辐射率的岩性分类方法 Download PDF

Info

Publication number
CN111141698A
CN111141698A CN201911400145.XA CN201911400145A CN111141698A CN 111141698 A CN111141698 A CN 111141698A CN 201911400145 A CN201911400145 A CN 201911400145A CN 111141698 A CN111141698 A CN 111141698A
Authority
CN
China
Prior art keywords
lithology
spectrum
spectral
classification
emissivity
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.)
Withdrawn
Application number
CN201911400145.XA
Other languages
English (en)
Inventor
张宏睿
杨立强
孙友宏
张庆现
刁习
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.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
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 China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN201911400145.XA priority Critical patent/CN111141698A/zh
Publication of CN111141698A publication Critical patent/CN111141698A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Multimedia (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种基于热红外比辐射率的岩性分类方法，其包括以下步骤：对TASI数据进行预处理(相对辐射校正、大气校正和温度与发射率分离)，基于PPI的端元提取，依据相似系数进行I级岩性分类，应用SDEM算法进行II级岩性分类，基于彩色合成法辅助岩性填图。本发明的有益之处在于：(1)将岩性填图与热红外高光谱数据进行了结合，大大节省了人力、物力和时间，具有非常重要的意义；(2)在SDEM的基础上，又采用了彩色图像合成法，弥补了部分岩性无法被分类的不足；(3)结合野外工作，可以获得精确的岩性分类结果。

Description

一种基于热红外比辐射率的岩性分类方法
技术领域
本发明涉及一种岩性分类方法，具体涉及一种基于热红外比辐射率的岩性分类方法，属 于地球科学和物理的交叉领域。
背景技术
当今世界科技水平与日俱增，遥感对地监测技术成为了其中重要的一部分。遥感手段由于 具有功能全面、时效性高等特点，已成为对地观测的主要手段之一，在土地利用监测、森林火 灾监测、农业、军事、地质等方面发挥了巨大的作用。
随着二十世纪八十年代成像光谱技术的出现，高光谱遥感成为光学遥感领域最为重要的研 究方向之一。如今，高光谱技术不仅拥有着“图谱合一”的特点，还有大量光谱及地物信息，被 广泛应用于环境监测、军事分析、灾害评估、植被覆盖调查和地质找矿等众多领域。将高光谱 遥感技术应用于地质上的岩性识别和区域填图，将会在很大程度上减少人力物力及时间，是高 光谱技术应用最为成功的方面之一。
TASI数据，即航空热红外数据。目前，高光谱研究的重点普遍都是放在可见光领域，对 于热红外领域的研究不多。然而TASI数据在以往的传感器基础上，提升了光谱分辨率和空间 分辨率，在地质应用领域中具备广阔的前景。但目前，TASI数据应用于地质的经验较少， 对于矿物信息提取、地质岩性分类填图则更是少之又少了。
通过热红外遥感技术获取地物的发射率与温度信息，一直以来都是热红外遥感领域的热 门，同时也是难点所在。至今已出现了许多分离高光谱数据温度和比辐射率的方法，目前关 于这些算法的思路主要有以下两种。
第一种：利用不同的先验知识，在保持特定发射率谱的前提下充分利用特定发射率的信息， 建立特定发射率与某些谱带的某些可计算参数之间的经验关系，使辐射传输方程正则化。这种 想法被广泛使用，所开发的算法更适合于多光谱数据，并且还可以扩展到高光谱数据。例如： 1985年，Gillespie提出的比辐射率归一化法(Normalized EmissivityMethod，NEM)；1990 年，Kealy和Gahell提出的a剩余法；1990年，法国遥感先驱Becker和他的学生李召 良定义了温度无关光谱指数(TISI)，根据白天和夜晚的TISI可以计算地表比辐射率；1998年， Gillespie等依据ASTER数据提出的ASTER-TES算法，该算法是目前公认的最为准确的算 法，应用范围最广，是ASTER卫星数据的官方算法。
第二种：因为地物比辐射率与上/下行大气比辐射率不同，前者较后者光滑，1998年Borel 利用这一特点建立了特定函数，当该特定函数的计算结果达到极值时，可认为此时温度为地 物的最适温度，基于此，他提出了光谱平滑迭代法(ISSTES算法)。2003年，Borel将ISSTES 算法与ISAC算法结合，提出了Automatic Retrieval of Temperature andEMIssivity using Spectral Smoothness(ARTEMISS)算法。
国内学者在温度与发射率分离方面也做出了许多的努力，尽管起步较晚，但是仍有许多 不凡的成果可供参阅，例如：
2001年，覃志豪在对大气平均作用温度进行正确替换分析的基础上，提出了一种适用 于TM6数据的方法，简化了单通道方法，提高了反演精度。在参数估计适中的情况下，其 绝对精确度小于0.4K，即使参数出现错误，精度也在1.1K以内。
2003年，肖青等在土壤热红外比辐射率特性研究中利用ISSTES法进行了比辐射率和温 度的分离，光谱仪的分辨率为1cm时，该算法获得温度优于0.6K、比辐射率优于0.01的反 演精度。
2006年，唐世浩定义ALPHA差分谱，并进一步提出了一个消除维恩近似影响的校正项， 并在此基础上提出了新的温度与发射率分离算法，该新的算法利用ALPHA推导出辐射方法和ASTER-TES算法的优点，而不考虑大气辐射的影响。该新的算法原理清晰，过程简单，求解速度快，结果精度高，并且适用的温度范围广。
2008～2010年，王新鸿和欧阳晓莹研究开发了大气残留指数法(DRRI)。该方法计算速 度快，精度高，可应用于经大气校正后的高光谱热红外数据。
到目前为止，已有许多方法被应用于识别高光谱遥感岩石和矿物中，特别是在可见光-近 红外波段范围内，已经大致形成了一套关于岩性识别的体系，按照岩性识别的不同依据， 可将识别算法分为两个大类：根据谱带强度相似性对目标地物进行分类和根据目标地物波普 特征分类。
谱带强度包含每个谱带反射率、发射率和辐射度信息。利用光谱强度提取岩石信息的主要 算法是：图像增强法和统计分析法。图像增强法适用于多光谱图像，它主要通过比率计算或矢 量空间变换来增强图像中的岩石和矿物信息。图像增强法通过对谱带的反射率的比率计算即空 间域变换来增强图像信息，多被应用于岩性识别、岩矿信息提取及识别领域。统计分析法主 要包括：聚类分析、神经网络、遗传算法等，其有着约束能力最小、支持向量计算等特征。
按照波形特征进行目标识别的算法主要包括：光谱角匹配、光谱二值编码匹配、交叉相关 匹配、光谱信息散度等。
目前，提取岩石和矿物信息的主要方法主要被应用于可见光、反射热红外领域，对于热 红外高光谱领域，由于后者的复杂性，故研究程度较低，难以完全应用。所以，现今尚未有 将高光谱技术应用于岩性分类中，在地质的岩性分类这方面几近空白。
岩石光谱特征不仅与矿物本身密切相关，同时与矿物单体结晶的空间格架、表面微形貌密 切相关。因此，有必要充分利用热红外数据所包含的丰富的岩性信息，深入探索基于热红外数 据的岩性识别方法。
发明内容
本发明的目的在于：充分利用热红外数据所包含的丰富的岩性信息，提供一种基于热红 外数据的岩性识别方法。
为了实现上述目标，本发明采用如下的技术方案：
一种基于热红外比辐射率的岩性分类方法，其特征在于，包括以下步骤：
步骤1：对TASI数据进行预处理
对研究区的TASI数据进行预处理包括三步，分别是：相对辐射校正、大气校正和温度 与发射率分离；
步骤2：基于PPI的端元提取
(1)获取纯净像元
使用Forward MNF Estimate Noise Statistics工具对原始高光谱图像进行噪声估计，之后 通过特征值来选取MNF变换输出的波段数，执行MNF变换后得到结果图像及MNF特征值 曲线，随后选取MNF变换后的图像的除去噪声信息以外的信息集中的波段，设置迭代次数 为10000次，阈值系数为2，最后获得迭代10000次的纯净像元指数函数图像及PPI变换图 像，筛选PPI指数大于10的区域作为感兴趣区；
(2)选择端元波谱
根据MNF变换结果构建n维可视化散点图，并根据散点相互分布关系选择描画不同的 端元，用不同的颜色体现；
(3)确定端元光谱的类型
将所选定的端元的平均波谱曲线绘制出来，随后将波谱曲线与ENVI软件自带的JHU 标准光谱库进行对比，确定端元光谱的类型；
步骤3：依据相似系数进行I级岩性分类
利用相似系数聚类分析技术对光谱曲线进行分组，随后分别对各组的光谱曲线做主成分 分析并提取第一主成分，得到可以代表各组光谱特征的特征光谱曲线，最后利用各组特征光 谱曲线对TASI比辐射率数据进行光谱角匹配，得到I级岩性填图结果；
步骤4：应用SDEM算法进行II级岩性分类
首先，基于像元光谱数据和已知光谱数据计算兰氏距离、光谱信息散度、光谱差曲线标 准差和光谱排序编码，然后根据兰氏距离和光谱信息散度计算出谱带强度相似性评价指数、 根据光谱差曲线标准差和光谱排序编码计算出波形相似性评价指数，之后将谱带强度相似性 评价指数和波形相似性评价指数相乘得到总相似性评价指数，最后依据最小指数原则判定岩 性类别；
步骤5：基于彩色合成法辅助岩性填图
(1)选择3个差异波段
首先分析各个预处理后的光谱相关度的高低，然后对比分析反演后的比辐射率波谱数 据，人为的将波段分为三组，分别从三组波段中提取B、G、R三个波段；
(2)岩性预分类
应用ENVI软件将每个样本像元及其周围8个像元的波谱取均值，对比得出不同的岩性 波谱曲线处于峰值与谷值或差异较大的3个波段作为彩色合成波段，获得预分类效果；
(3)岩性类别判定
在岩性类别判定时，挑选明显地被预分为多类，且在光谱相似匹配岩性填图中却仅分为 I类的区域进行有针对性的补充野外查证，进而判断预分类类别是否为光谱相似匹配岩性填 图中漏提的端元。
前述的基于热红外比辐射率的岩性分类方法，其特征在于，在步骤1中，相对辐射校正 的方法具体如下：
采用4×4像素块大小计算每个子块的局部平均值和局部标准偏差，在求得的局部标准 偏差的最小值和局部标准偏差之间建立多个单独的间隔，之后将含有大小不同的局部标准偏 差的像素块按照标准偏差大小填入对应的间隔中，计算每个间隔中包含的子块的数量，最后 将包含区块数目最多的间隔所对应的区块的局部标准偏差的平均值作为图像的整体噪声水 平，得到高斯噪声分布图。
前述的基于热红外比辐射率的岩性分类方法，其特征在于，在步骤1中，大气校正的方 法具体如下：
采用基于稀疏表示的热红外高光谱影像去噪方法去除影像噪声，以8×8像元作为字典 学习和图像恢复的图像块尺寸，将经相对辐射校正后得到的高斯噪声分布图中噪声水平较低 的波段作为训练样本集来源。
前述的基于热红外比辐射率的岩性分类方法，其特征在于，在步骤1中，温度与发射率 分离的方法具体如下：
在遥感热红外辐射下局部地热力平衡条件下，将暴露在地表的岩石当做朗伯体，由基尔 霍夫定律得传感器接收的光谱辐亮度
Figure BDA0002347285930000051
并依据参数物理量对应传感器的波段之间 的卷积函数关系得出传感器接收时地表岩石的出射辐射Lj，在实际应用过程中，忽略传感器 和地面间大气的微小影响，得到新的地表岩石的出射辐射L'j，根据下式获得地表温度估值T：
Figure BDA0002347285930000052
式中，εj(T)为地表岩石的光谱发射率，Bj(Ts)为温度Ts时的普朗克函数，Latm↓,λ为等效 大气下行辐射。
本发明的有益之处在于：
(1)本发明提供的岩性分类方法将岩性填图与热红外高光谱数据进行了结合，大大节 省了人力、物力和时间，具有非常重要的意义；
(2)传统的波形匹配算法存在一定缺陷——在端元提取过程中，若存在端元的漏提(缺 失)，则该部分岩性将无法被分类，而本发明提供的岩性分类方法在光谱离散能级波形匹配 法(Spectral Divergence Energy Level Matching，SDEM)的基础上，又采用了彩色图像合成 法，弥补了部分岩性无法被分类的不足；
(3)本发明提供的岩性分类方法结合野外工作，可以获得精确的岩性分类结果。
附图说明
图1是甘肃柳园研究区的构造位置简图；
图2是甘肃柳园研究区的矿产资源分布图；
图3是甘肃柳园研究区TASI数据高斯噪声分布图；
图4(a)和图4(b)分别是去燥前和去燥后的影像；
图5是去燥前后发射率波谱的对比图；
图6是基于PPI的端元提取法的流程图；
图7是MNF变换后得到的结果图像；
图8是MNF变换后得到的MNF特指值曲线图；
图9是描画的研究区的5维可视化端元图；
图10是研究区目标地物部分端元的波谱曲线图；
图11是相似系数聚类分析图；
图12(a)至图12(f)是基于相似系数聚类的样本光谱分类结果；
图13(a)至图13(f)是各组的光谱特征曲线图；
图14是SDEM算法的流程图；
图15是使用SDEM算法对第3组岩性的I级分类结果进行细分的结果；
图16是研究区主要岩性在不同波段下的不同反射率；
图17是选定的岩性彩色合成预分类的波段组合；
图18是岩性预分类示意图；
图19是预分类中间成果图；
图20(a)和图20(b)是需要补充的端元类别查证示意图；
图21是类别判断示意图；
图22(a)和图22(b)分别是基于彩色合成法和基于SDEM法的填图结果；
图23(a)和图23(b)分别是基于彩色合成法和基于SDEM法的填图结果。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
一、研究区及其概况
选取甘肃柳园花牛山地区为研究区，以下简称研究区或柳园研究区。
1、柳园研究区的自然地理概况
柳园研究区位于甘肃省酒泉市瓜州县，地理坐标为：95°10'00″E～95°46'00″E，41°08'00″N～41°16'00″N，面积746km2，区内海拔1700～2000m。气候属典型大陆性～半沙漠型气候。除雨季有突发性洪水外，无经常性地表泾流。常年多风，年平均气温8.8℃，年 极端最低气温-29.3℃。区内交通较便利，大部分地区可通行汽车。
2、柳园研究区的区域地质概况
(1)构造
柳园研究区位于北山造山带中带，其结构单元属于塔里木—华北板块，二级结构单元为 敦煌微板块。
柳园研究区的构造位置简图见图1，图中各图例的含义分别如下：1-缝合线、2-构造分 区界限、3-国界、4-省界、5-边界断裂及编号(①红柳河-牛圈子-洗肠井断裂；②黑河断裂)、 6-研究区。
北山造山带经历了多期板块分裂，形成了复杂的造山带结构。以区域地层划分为主，结 合岩浆岩的时空分布特征、造山活动的构造特征和区域深部断裂带的韧性变形特征，将造山 带由北到南划分为八个结构单元：雀儿山古生代岩浆弧、红石山晚古生代蛇绿构造混杂岩带、 白山晚古生代岩浆弧、马鬃山早古生代岩浆弧、牛圈子早古生代弧后盆地、双鹰山早古生代 被动陆缘、红柳园古生代裂谷和石板墩前陆基底。
红石山晚古生代蛇绿岩构造混杂带代表了塔里木板块与哈萨克斯坦板块之间的碰撞缝 合线。白山晚古生代岩浆弧和马鬃山早古生代岩浆弧是基底断裂带或逆冲推覆带；牛圈子早 古生代弧后盆是弧后盆地构造混杂带或蛇绿构造混杂带；红柳园的古生代裂谷与其南、北单 元见均是区域性深大断裂或韧性变形带。
北山造山带是中国西北地区重要的成矿带，已经发现许多重要的黑色、有色、稀有、贵 金属和非金属矿藏。北山造山带具有多周期复合造山带的特点，在长期的地质发育史上，北 山造山带经历了多期次、多阶段的板块裂解—俯冲—拼接的复杂地质演化过程，主要体现在 沟—弧—盆—裂谷体系及其在造山前期多岛(块)海洋和俯冲造山阶段的软碰撞。在主要造 山期，多周期俯冲碰撞、斜向收敛和构造运移，以及造山带挤压和构造逃逸和延伸断陷的复 杂构造演化史。该地区曾经历了复杂的地质构造变化和岩浆活动，具备非常优越的成矿地质 条件。
(2)地层岩性
柳园研究区地层缺失较多，主要发育的地层有：中奥陶统花牛山群中岩组(O2hnb)、新近 系苦泉组(N2k)、第四系全系统(Q4 pl-al)。
中奥陶统花牛山群中岩组(O2hnb)：区内发育有中奥陶统花牛山群中岩组地层，该层呈带 状东西向展布，出露于花牛山一带。该地奥陶统呈一南南西向倾斜的单斜岩层，上部和下部 均被华力西中期花岗岩体(γ4)所侵入。主要岩性为：千枚岩、泥板岩、黑云二长混合岩、 黑云斜长混合岩和玄武岩等。
新近系苦泉组(N2k)：集中分布于柳园研究区东北部。该组地层被华力西中期花岗岩 体(γ4)强烈侵入。主要岩性为：紫红色砂岩、泥岩等。
第四系全系统(Q4 pl-al)：区内第四系分布于苦泉组相似，多位于柳园研究区东北部， 呈厚层状。地层部，呈厚层状。地层主要岩性为：砂岩、粉砂质泥岩、第四季沉积物等。
(3)岩浆岩
柳园研究区岩浆活动频繁，具多期次的特点，侵入作用强烈。侵入岩出露面积约400km2， 约占柳园研究区总面积60％。岩体规模大小不等，多见岩基、岩株和岩墙状侵入体。区内 大量脉岩发育，在地层及岩体中多成群组出现。
柳园研究区内华力西中期岩浆侵入运动最为强烈，其次为华力西早期侵入运动，即海西 运动，发生于晚古生代中泥盆世—早二叠世，区内若干主要侵入岩体分别是：
Σ4 1：花南沟超基性岩体，华力西早期第一次侵入岩，主要岩性为橄榄岩、辉橄岩。
γδ4 2b：柳园镇北花岗闪长岩体，华力西中期第二次侵入岩，主要岩性为花岗闪长岩。
πγ4 2c：花牛山南似斑状花岗岩体，华力西中期第三次侵入岩，主要岩性为斑状花岗岩、 含斑花岗岩。
γ4 2d：双峰山/双井子/大骆驼脖子沟花岗岩体，华力西中期第四次侵入岩，主要岩性为红 色花岗岩。
3、柳园研究区的区域矿产地质概述
柳园研究区域位于塔里木板块的东北边缘，是中国西北地区重要的成矿带之一。该地区 经历了复杂的地质构造变化和岩浆活动，具有形成矿石的优越地质构造条件。区域内发现有 非常丰富的地质矿床，包括：花南沟金矿床、南金滩金矿床、花牛山铅锌银铜铁多金属矿床 以及一系列金、铜、铀矿床。区内多典型的金属成矿区。
柳园研究区的矿产资源分布图见图2，图中各图例的含义分别如下：1-成矿带界限、2- 金矿床/点、3-铜矿床/点、4-钼矿床、5-铅锌银铜铁多金属矿床/点、6-铁矿床/点、7-铀矿点。
区域矿物金属主要是金、钼、铬、铁、铜、铅、锌和钨。非金属矿物主要包括萤石、晶体、硅灰石和蛇纹岩。它们都与岩体和构造，岩体或岩石形成矿石密切相关，或者起到了在转移活动层中形成矿石的元素的作用，部分岩石本身的一部分是矿体。大多数中酸性岩浆侵 入体位于复杂的倾斜轴上，其翼部由奥陶系和志留系地层组成。岩体的延伸方向与褶皱轴线 一致，两者都是东北向或近东西向分布。表明岩体侵入活动时间与褶皱活动时间基本相似， 应当属于同一构造时期的侵入体。而超基本岩石侵入明显受断层构造控制。岩体多沿花牛山 -察客尔呼都格大断裂带分布，或在主断裂带和次生断裂的交汇处分布。
铁矿：柳园研究区内发现铁矿点4处，分布在柳园研究区中部花西滩和中南部牛坡子附 近，主要发育在中奥陶统花牛山群中岩组(Ohnb-2)地层当中。
金矿：柳园研究区内发现金矿点3处，分别为花牛山金矿点、南金滩金矿点和老金坡金 矿点，主要发育在花岗闪长岩体(γδ4 2b)和花岗岩体(γ4 2d)当中。
铅锌矿：柳园研究区内发现1处铅锌矿，为花牛山铅锌矿，发育在花岗闪长岩体(γδ4 2b) 与花岗岩体(γ4 2d)的接触部位。
银金矿：柳园研究区内发现1处银金矿，为南泉银金矿，发育在花岗闪长岩体(γδ4 2b) 中。
铜矿：柳园研究区内发现3处铜矿化点，其中南泉附近2处，花南沟1处，主要发育在花岗闪长岩体(γδ4 2b)与花岗岩体(γ4 2d)的接触部位、中奥陶统花牛山群中岩组(Ohnb-2)地层当中。
二、基于热红外比辐射率的岩性分类方法
步骤1：对TASI数据进行预处理
对柳园研究区的TASI数据进行预处理，包括三步：相对辐射校正、大气校正和温度与 发射率分离。
(1)相对辐射校正
采用4×4(像素)的块大小计算每个子块的局部平均值(LM)和局部标准偏差(LSD)。 在求得的局部标准偏差的最小值和局部标准偏差的平均值的1.2倍之间划分150个单独的间 隔，之后将含有大小不同的局部标准偏差的像素块按照标准偏差大小填入对应的间隔中，计 算每个间隔中包含的子块的数量最后将包含区块数目最多的间隔所对应的区块的局部标准 偏差的平均值作为图像的整体噪声水平。
基于上述工作，估算了柳园研究区TASI数据的高斯噪声水平，得到的高斯噪声分布图 如图3所示。
由图3可以看出，在前15个波段，噪声水平较低，在这之后噪声水平增长迅速。
(2)大气校正
采用基于稀疏表示的热红外高光谱遥感影像去噪方法(SR-Denoising)去除影像噪声， 以8×8像元作为字典学习和图像恢复的图像块尺寸，将1至15波段作为训练样本集来源。
为便于定量评价去噪效果，对波段10添加不同水平的高斯白化噪声 (Noise-Equivalent-Spectral-Radiance)，用峰值信噪比(PSNR：Peak-Signal-to-Noise-Ratio)作为评价指标，定量对比了基于稀疏表示的热红外高光谱遥感影像去噪方法(SR-Denoising) 与传统贝叶斯收缩方法(BayesShrink)的性能。在不同噪声水平(5≤NESR≤50)的PSNR 指标下，SR-Denoising方法均优于BayesShrink方法，表明SR-Denoising方法能更好的去噪 以复原图像。
去噪的定性表现是：在噪声水平较低时，经SR-Denoising方法去噪后的图像较好地保 留了影像信息，而BayesShrink方法在去噪的同时也损失了影像本身的信息；在噪声水平较 高时，BayesShrink方法未能有效去除噪声，而SR-Denoising方法仍然达到了较好的复原效 果。
去噪前后，影像的对比见图4(a)和图4(b)，发射率波谱的对比见图5。
(3)温度与发射率分离
ASTER-TES算法和ARTEMISS算法虽然确实可以得到更准确的发射率曲线，但是ASTER-TES算法不足以充分利用TASI数据的高光谱数据的优势，ARTEMISS算法对传感 器的光谱分辨率有较高的要求。针对这些问题，我们将稀疏约束算法与字典学习相结合，进 行温度与发射率的分离。
温度和特定辐射分离的基本问题是N+1个未知数(N个比辐射率值和1个温度值)通过N个光谱测量求解，可以表示为如式(1)所示的方程式：
ε(λi)B(T,λi)+[1-ε(λi)]Lsky(λi)＝Ls(λi){i＝1,2,3,…,n} (1)
其中，λi为传感器第i波段相应波长，Lsky(λi)为相应波段大气下行辐射，Ls(λi)为对 应波段地物辐射ε(λi)B(T,λi)与反射大气下行辐射[1-ε(λi)]Lsky(λi)之和，ε(λi)和T为待求未知量。
为了简化随后的推导，将上述方程转换成包含n维变量的方程，如式(2)所示：
εB(T)+[1-ε]Lsky＝Ls (2)
式中ε、B(T)、Lsky、Ls均为n维向量，相互间运算均为数组运算。
为了减少欠定方程的求解区间并使其尽可能准确地描述地面参数，有必要建立合理的约 束。因此，将温度和发射率分离的问题转化为由式(3)表示的优化问题：
Figure BDA0002347285930000101
引入拉格朗日算子来表示式(3)的解，如式(4)所示：
Figure BDA0002347285930000102
第一约束
Figure BDA0002347285930000103
与Ls之间的逻辑关系等同
Figure BDA0002347285930000104
的形式的约束条件，在实际操作中可以根据每 个谱带的噪声水平为每个谱带分配不同的权重。pr(ε,T)为式(4)中约束条件 Condition(ε,T)的正则项。
因此，该温度发射率分离算法的核心便是围绕Condition(ε,T)及其正则项pr(ε,T)展 开的。李成轶等(2017)曾研究和评估了应用于TASI数据的ASTER-TES算法和光谱平滑算法的性能。其中，ASTER-TES算法利用地面发射率谱的最小发射率值与光谱对比度 MMD之间的经验关系作为温度发射率分离过程的约束条件；光谱平滑算法以地面发射率光 谱比大气光谱明显更平滑的特点作为先验条件，随着传感器光谱分辨率的降低，先验条件迅 速减弱(建议的光谱分辨率优于20cm-1)。从约束条件可以看出，前者显然不足以发挥TASI 数据的高光谱数据优势，后者对传感器的波谱分辨率有较高的要求，另外，实践证明作为该约束条件正则项的各种光谱平滑度指标对噪声较为敏感，而且有时会得到不符合物理规律(如发射率大于1)的结果，需要在式(4)中机械添加其他约束项。为了研建一套针对机 载热红外高光谱数据且更加健壮的温度与发射率分离约束条件，我们采用从已有的发射率波谱库(如ASTER光谱库、MODIS UCSB光谱库)和实测地物发射率波谱建立其先验条件Condition(ε)的方法，得到一个合理的地物温度与发射率分离的算法。
在遥感热红外辐射下局部地热力平衡条件下，将暴露在地表的岩石当做朗伯体，由基尔 霍夫定律得传感器接收的光谱辐亮度
Figure BDA0002347285930000111
为：
Figure BDA0002347285930000112
式(5)中，
Figure BDA0002347285930000115
为传感器接收时的光谱辐亮度，ελ为地表岩石的光谱发射率，Bλ(Ts) 为温度Ts时的普朗克函数，Latm↓,λ为等效大气下行辐射，Esun,λ(θS)为达到地表的太阳直射福 照度，θS为不同时间点的太阳天顶角大小，
Figure BDA0002347285930000116
为岩石表层和传感器之间的大气透过 率，
Figure BDA0002347285930000117
为大气的上行辐射。没有太阳光直射时可将式(5)简化为：
Figure BDA0002347285930000113
式(6)中的参数物理量对应传感器的波段为卷积函数的关系，可得出传感器接收时地 表岩石的出射辐射Lj：
Lj＝εjτjBj(Ts)+τj(1-εj)Latm↓,j+Latm↑,j (7)
Lj为传感器接收时地表岩石的出射辐射，是由传感器接收光谱辐亮度中对应参数卷积而 得，为简化公式表达，将对应通用代号λ用具体分析时的岩性代号j代替。
在实际应用过程中，忽略传感器和地面间大气的微小影响，得到新的地表岩石的出射辐 射L'j：
L'j＝εjτjBj(Ts)+τj(1-εj)Latm↓,j (8)
将数值相比即可获得地表温度估值T：
Figure BDA0002347285930000114
步骤2：基于PPI的端元提取
在高光谱匹配算法中，缺少用于研究区的实用且通用的光谱库，因此不得不从影像中提 取端元波普，并与标准波普库对比、提取，建立可用于研究区的光谱库。常用的端元提取法 包括：PPI端元提取，基于几何顶点的端元提取、基于SMACC的端元提取，其中，PPI(Pixel Purity Index)端元提取法最为常用。通过该方法可以获得端元光谱，但是不能辨别光谱对应 的岩性类别，因此需要对比标准管够酷分析并确定各个端元类别。PPI端元提取法具体过程 见图6。
(1)获取纯净像元
采用纯净像元指数(PPI)端元提取法，通过使用纯净像元指数工具来计算高光谱图像 的纯净像元指数，进而在图像中寻找波谱最“纯净”的像元。
PPI通常运用排除了噪声波段的最小噪声分离(Minimum NoiseFraction，MNF)结果图 像，因此在进行PPI端元提取之前，需将原始高光谱图像进行MNF变换以去除其噪声。MNF) 是类似于主成份变换的一种线性变换，不同的是，它含有两次叠置的主成份分析，它可以将 多波段的图像的主要信息集中在前面几个波段中，从而分离数据中的噪声(即噪声白化)， 并减少计算量。
使用Forward MNF Estimate Noise Statistics工具对原始高光谱图像进行噪声估计，之后 通过特征值来选取MNF变换输出的波段数，在本实施例中，特征值大于1的波段有32个， 那么输出波段数为32。执行MNF变换后得到结果图像及MNF特征值曲线，其中，MNF变换后得到的结果图像如图7所示，MNF变换后得到的MNF特征值曲线如图8所示。
从图7和图8中可知，MNF变换将图像中原有的主要信息，即除去噪声信息以外的信息基本都集中到了前10个波段。
随后选取MNF变换后的图像的前10个波段(后面的波段基本是噪声，减少计算量)，设置迭代次数为10000次，阈值系数为2，最后获得迭代10000次的纯净像元指数函数图像及PPI变换图像，筛选PPI指数大于10的区域作为感兴趣区，可被认为是“纯净”像元。
(2)选择端元波谱
根据MNF变换结果构建n维可视化散点图，实验中选择前5个波段构建5维散点图，并根据散点相互分布关系选择描画不同的端元，用不同的颜色体现，见图9。
从图9中可见，将研究区岩性端元分为25种，每种颜色代表一个端元。在此过程中，大都是依赖目视分辨各个端元，且端元多且复杂，因此不可避免的会有端元漏提的现象出现。
(3)确定端元光谱的类型
对于端元波谱的鉴别，我们将所选定的端元的平均波谱曲线绘制出来，图10为部分端 元的波谱曲线，随后将波谱曲线与ENVI软件自带的JHU标准光谱库进行对比，对比结果： 研究区主要岩性包括：白云质大理岩、花岗岩、辉绿岩、闪长岩、安山岩、玄武岩、石英岩等几种。
步骤3：依据相似系数进行I级岩性分类
利用相似系数聚类分析技术对光谱曲线进行分组(即利用相似系数来描述岩石光谱的相 似程度)，随后分别对各组的光谱曲线做主成分分析并提取第一主成分，得到可以代表各组 光谱特征的特征光谱曲线，最后利用各组特征光谱曲线对TASI比辐射率数据进行光谱角匹 配，得到I级岩性填图结果。
在柳园研究区，利用PPI端元提取方法从遥感提取出工作区几乎全部岩性的端元光谱 25条，随后利用SDEM对以上25条端元光谱曲线与JHU标准光谱库进行光谱相似性匹配， 随后又根据野外数据对光谱曲线中的岩性进行了修正和补充。该25条光谱曲线对应的岩石 类别主要为：白云质大理岩、花岗岩、辉绿岩、闪长岩、安山岩、玄武岩、石英岩等。
利用相似系数聚类分析技术对以上25条端元光谱曲线进行了分组，相似系数聚类分析 图见图11，依据其相似水平总共分了6类，分别展示了各个相似组合及每一步的相似性水 平。从图10可以看出，光谱之间相似系数的聚类主要取决于光谱形状的整体特征，这是整 个波段的特征，而不是某个单一吸收波段的特征。
基于相似系数聚类的样本光谱分类结果见图12(a)至图12(f)。从图12(a)至图 12(f)可以直观地看出不同类别之间发射率特征的差异。
每组的主要岩性见表1。
表1每组的主要岩性
组别 主要岩性
1组 大理岩、灰岩、斜长花岗岩、花岗闪长岩
2组 安山岩、英安岩、二长闪长岩、云母板岩
3组 白云石大理岩、闪长岩、辉长闪长岩、玄武岩
4组 辉绿岩、蛇纹岩
5组 石英岩、二云石英、硅质岩
6组 花岗岩、长英质岩
对各组的光谱曲线做加权平均处理，得到代表各组光谱特征的曲线，各组的光谱特征曲 线如图13(a)至图13(f)所示。
利用各组光谱特征曲线对TASI比辐射率数据进行光谱匹配，从而得到I级岩性填图结 果(每组由不同颜色表示)。
步骤4：应用SDEM技术进行II级岩性分类
与植被不同，一般情况下，岩石没有典型的光谱特征，虽然不同岩性之间存在波普差异， 但是并不很明显。在许多情况下，不同岩性之间在具有相同的矿物成分的情况下，很容易出 现“异物同谱”现象，不同岩性的光谱特征间的微小差异，需要在充分挖掘其波普特征的情况 下才能有效提取。鉴于此，在I级岩性分类的基础上，采用SDEM法进行岩性的细化分类， 获得II级岩性分类结果。
光谱离散能级波形匹配法(SDEM)是一种结合了光谱波形特征和光谱谱带强度特征， 基于高光谱热红外数据(TASI)，根据以往算法改进所得的一种新算法。
参照图14，SDEM算法主要包括四步：
步骤(1)：基于像元光谱数据和已知光谱数据，计算兰氏距离(LD)、光谱信息散度(SID)、光谱差曲线标准差(SSD)和光谱排序编码(SSE)；
步骤(2)：根据兰氏距离(LD)和光谱信息散度(SID)计算出谱带强度相似性评价指数(SE)，根据光谱差曲线标准差(SSD)和光谱排序编码(SSE)计算出波形相似性评 价指数(SF)；
步骤(3)：将谱带强度相似性评价指数(SE)和波形相似性评价指数(SF)相乘得到总相似性评价指数(S)；
步骤(4)：依据最小指数原则判定岩性类别。
SDEM算法可以识别岩石光谱之间的微小差异，有效地降低数据噪声，同时充分考虑光 谱带强度和波形特征。与传统的岩性分类方法——高光谱角度映射方法(SAM)相比，该 种算法可以更准确地区分相似的岩性光谱并识别混淆的岩性，以及对具有“异物同谱”的岩石 有更好的区分能力。
从图12(a)至图12(f)可以看出，第3组中的光谱曲线非常相似，“异物同谱”现象很严重。只有通过完全挖掘光谱信息，才能更有效地进行岩性区分。鉴于此，我们使用光谱离散级别波形匹配方法(SDEM)对第3组岩性的I级分类结果进行了细分。结果见图15。
如图15所示，不同类型的岩石基本上可以分离，因此光谱离散级波形匹配方法对光谱 相似但岩性不同的区域可以进行有效区分。随后使用这种光谱匹配方法细分剩余的5组I级 岩性分类结果，得到甘肃柳园地区全区的岩性分类II级成果(不同岩性由不同颜色表示)。
步骤5：基于彩色合成法辅助岩性填图
从避免因端元漏提引起的岩性漏分为出发点，采用基于彩色合成法辅助岩性填图的方法 作为基于热红外比辐射率的岩性分类方法的补充和完善，提出基于彩色合成法辅助岩性填图 的方法。
(1)选择3个差异波段
彩色合成法需采用3个波段进行彩色合成，以获得岩性预分类结果。通常合成图像的波 段选取有两种途径，第一种是采用数学方法，通过信息熵，标准差等信息的客观计算；第二 种是基于肉眼观察的合成途径，是一种主观的判断，如目视解译等。为了合理地选择彩色合 成波段组合，我们首先分析各个预处理后的光谱相关度的高低，然后对比分析反演后的比辐 射率波谱数据。
首先打开经预处理过后的研究区热红外高光谱图象，并对其进行主成分分析(PCA变 换)，随后使用计算机统计工具分析各个波段间的相关系数，各个波段间相关系数见表2。
表2各个波段间相关系数
Figure BDA0002347285930000151
由表2中数据可知，由于所有图象数据均来自高光谱图象，高光谱相邻波段间差异小， 且研究区面积较大，地物种类复杂，因此不同波段的信息量差异较小。但是，由于信息来源 基数相当之大，因此即使相关系数差异达千分之一(0.001)，其影响也是巨大的，基于此， 认为该相关系数分析结果可靠。
不难看出，随着波长增长(波段序号增加)，不同波长情况下所反映的地物信息程度的 相关系数逐渐减小，为使得相关系数的差异最大化，就要使得R、G、B三个波段间波长差 异最大化，即使得波段系数差异尽可能大。故此在波段选则时人为的将该32个波段分为三组： 第1至11波段为一组，第12至第22波段为一组，第23至第32波段为一组，分别从三组波段中 提取B、G、R三个波段。
在表2中，提取并比较以波段序号相差为11左右的波段间的相关系数，例如1-12-23 的波段组合，为保证其准确性，对表2中每个相关系数的3*3的邻域区域也考虑进去，以达 到进一步分析目视像元差异的效果。
(2)岩性预分类
应用ENVI软件将每个样本像元及其周围8个像元的波谱取均值，图16为研究区主要 岩性在不同波段下的不同反射率，即若干特征光谱曲线的合成，对比得出不同的岩性波谱曲 线处于峰值与谷值或差异较大的3个波段作为彩色合成波段，以凸显类别的差异，获得预分 类效果。
在基于波段系数相差为11左右的基础上，对研究区广泛分布的花岗岩波谱曲线进行分 析，认为在波长R为11.5，G为10.46，B为9.3时，能较明显准确地分辨各类型岩性，因此选择了(R：31，G：22，B：11)作为岩性彩色合成预分类的波段组合(见图17)，以 较好地获得岩性预分类效果。岩性预分类示意图如图18所示，从图18中能预先确定该区域 主要共有5个岩性类别。预分类中间成果图见图19。
(3)岩性类别判定
在进行预分类后，需要对预分类别结果进行岩性类别的判断，以确定其填图岩性。由于 本文的初衷不是依靠大量野外工作来确定预分类的所有类别，而是将该方法作为光谱相似匹 配岩性填图法的补充，以补充光谱相似匹配岩性填图中漏提的岩性类别端元，因此，在岩性 类别判定时，挑选明显地被预分为多类，且在光谱相似匹配岩性填图中却仅分为I类的区域 进行有针对性的补充野外查证，进而判断预分类类别是否为光谱相似匹配岩性填图中漏提的 端元。
图20(a)和图20(b)为需要补充的端元类别查证示意图，从图20(a)和图20(b) 中可以看到，图20(a)(岩性光谱区分成果图)中的一小片区域，该区域将大片蓝色分为 了一类，而图20(b)(彩色合成法预分类结果)在相同的区域存在紫色、浅蓝和深蓝3中 不同颜色区域，因此疑似有漏提端元，需要补充查证。图21为类别判断示意图，结合当地 野外资料及岩矿鉴定结果，确定了不同颜色区域所代表的岩性。
为了验证彩色合成法的可行性，结合当地野外资料，重点查证了如上所述漏提端元，同 时对大部分共有类别也进行了查证。从彩色合成法填图结果(图19)发现，彩色合成法填 图结果与基于光谱离散能级波形匹配法岩性填图结果在类别区分方面基本一致，这证明了彩 色合成法岩性填图的可行性，而且彩色合成法在某些细节部分能更加细致地区分岩性，所得 结果更符合地表实际情况，反应了彩色合成法具有一定的优势，能进一步补充和完善光谱匹 配思路下的岩性填图。
结果显示，该方法能较好地补充漏提端元，完善最终填图成果。
三、基于热红外比辐射率的岩性分类方法的评价
(1)基于光谱离散能级波形匹配法的岩性分类的评价
高光谱图像具有丰富的光谱信息，其窄波段可以有效地区分岩石或矿物的吸收特征，从 而成功识别不同岩性。
为了研究岩性分类的精度，检验分类方法的有效性，我们将分类结果与野外实际情况进 行了对比。选取了研究区176个野外验证点以验证岩性分类精度，验证结果见表3。
表3岩性填图查证结果对比矩阵
Figure BDA0002347285930000171
Figure BDA0002347285930000181
由表3中数据可知，阳起黝帘岩、硅板岩、蛇纹岩、强蚀变煌斑岩、绿泥绢云板岩、堇青黑云长英质角岩、碎裂状硅质蚀变岩的验证精度达100％，岩性野外验证成果与岩性分类成果基本一致。
可见，光谱离散能级波形匹配法可以在很大程度上识别地物的光谱信息，对具有“异物 同谱”现象的光谱或相似光谱具有较好的识别效果。
从表3中的验证结果来看，对于石英岩、钾长花岗岩、白云质大理岩、闪长岩等岩性种 类，分类总体效果与实际情况基本符合。此方法可以作为传统岩性分类方法示范，列入岩性 填图示范流程。
(2)基于彩色合成法辅助岩性填图的评价
选出柳园研究区2个局部区进行分析。
在类别划分填图效果方面，基于彩色合成法的填图结果见图22(a)，基于SDEM法的填图结果见图22(b)，从图22(a)和图22(b)可以看出，基于彩色合成法将区域大致 划分为四类，而基于光谱离散能级波形匹配法将区域划分为两类。在类别判定上，a-1为细 粒二长花岗岩，a-2为中细粒黑云二长闪长岩，a-3为中细粒角闪石英闪长岩，a-4为中细粒 英云闪长岩，b-1为钾长花岗岩，b-2为闪长岩。从判定结果来看，a-1与b-1皆判定为花岗 岩大类，a-2、a-3、a-4与b-2皆判定为闪长岩大类，两种方法结果高度吻合，基于彩色合成 法具有细分的效果，而基于光谱离散能级波形匹配法具有归类的效果，简言之即彩色合成法 在SDEM的基础上细化分类结果。
在岩性边界填图效果方面，基于彩色合成法的填图结果见图23(a)，基于SDEM法的填图结果见图23(b)，从图23(a)和图23(b)可以看出，基于彩色合成方法和光谱离 散级波形匹配方法，我们提取了局部区域的两个岩性边界。结果显示两种方法的结果是一致 的，但是，我们仍然可以找到两种方法之间的一些细微差别——彩色合成方法岩性边界提取相对清晰、自然，光谱离散级波形匹配方法容易在边缘出现各色交杂，使界线呈现相对模糊。
综上，结合野外数据资料，确定：SDEM分类方法与彩色合成方法的联合分类法精度更 高，准确度更有保障。
需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方 式所获得的技术方案，均落在本发明的保护范围内。

Claims (4)

1.一种基于热红外比辐射率的岩性分类方法，其特征在于，包括以下步骤：
步骤1：对TASI数据进行预处理
对研究区的TASI数据进行预处理包括三步，分别是：相对辐射校正、大气校正和温度与发射率分离；
步骤2：基于PPI的端元提取
(1)获取纯净像元
使用Forward MNF Estimate Noise Statistics工具对原始高光谱图像进行噪声估计，之后通过特征值来选取MNF变换输出的波段数，执行MNF变换后得到结果图像及MNF特征值曲线，随后选取MNF变换后的图像的除去噪声信息以外的信息集中的波段，设置迭代次数为10000次，阈值系数为2，最后获得迭代10000次的纯净像元指数函数图像及PPI变换图像，筛选PPI指数大于10的区域作为感兴趣区；
(2)选择端元波谱
根据MNF变换结果构建n维可视化散点图，并根据散点相互分布关系选择描画不同的端元，用不同的颜色体现；
(3)确定端元光谱的类型
将所选定的端元的平均波谱曲线绘制出来，随后将波谱曲线与ENVI软件自带的JHU标准光谱库进行对比，确定端元光谱的类型；
步骤3：依据相似系数进行I级岩性分类
利用相似系数聚类分析技术对光谱曲线进行分组，随后分别对各组的光谱曲线做主成分分析并提取第一主成分，得到可以代表各组光谱特征的特征光谱曲线，最后利用各组特征光谱曲线对TASI比辐射率数据进行光谱角匹配，得到I级岩性填图结果；
步骤4：应用SDEM算法进行II级岩性分类
首先，基于像元光谱数据和已知光谱数据计算兰氏距离、光谱信息散度、光谱差曲线标准差和光谱排序编码，然后根据兰氏距离和光谱信息散度计算出谱带强度相似性评价指数、根据光谱差曲线标准差和光谱排序编码计算出波形相似性评价指数，之后将谱带强度相似性评价指数和波形相似性评价指数相乘得到总相似性评价指数，最后依据最小指数原则判定岩性类别；
步骤5：基于彩色合成法辅助岩性填图
(1)选择3个差异波段
首先分析各个预处理后的光谱相关度的高低，然后对比分析反演后的比辐射率波谱数据，人为的将波段分为三组，分别从三组波段中提取B、G、R三个波段；
(2)岩性预分类
应用ENVI软件将每个样本像元及其周围8个像元的波谱取均值，对比得出不同的岩性波谱曲线处于峰值与谷值或差异较大的3个波段作为彩色合成波段，获得预分类效果；
(3)岩性类别判定
在岩性类别判定时，挑选明显地被预分为多类，且在光谱相似匹配岩性填图中却仅分为I类的区域进行有针对性的补充野外查证，进而判断预分类类别是否为光谱相似匹配岩性填图中漏提的端元。
2.根据权利要求1所述的基于热红外比辐射率的岩性分类方法，其特征在于，在步骤1中，相对辐射校正的方法具体如下：
采用4×4像素块大小计算每个子块的局部平均值和局部标准偏差，在求得的局部标准偏差的最小值和局部标准偏差之间建立多个单独的间隔，之后将含有大小不同的局部标准偏差的像素块按照标准偏差大小填入对应的间隔中，计算每个间隔中包含的子块的数量，最后将包含区块数目最多的间隔所对应的区块的局部标准偏差的平均值作为图像的整体噪声水平，得到高斯噪声分布图。
3.根据权利要求1所述的基于热红外比辐射率的岩性分类方法，其特征在于，在步骤1中，大气校正的方法具体如下：
采用基于稀疏表示的热红外高光谱影像去噪方法去除影像噪声，以8×8像元作为字典学习和图像恢复的图像块尺寸，将经相对辐射校正后得到的高斯噪声分布图中噪声水平较低的波段作为训练样本集来源。
4.根据权利要求1所述的基于热红外比辐射率的岩性分类方法，其特征在于，在步骤1中，温度与发射率分离的方法具体如下：
在遥感热红外辐射下局部地热力平衡条件下，将暴露在地表的岩石当做朗伯体，由基尔霍夫定律得传感器接收的光谱辐亮度
Figure FDA0002347285920000031
Figure FDA0002347285920000032
并依据参数物理量对应传感器的波段之间的卷积函数关系得出传感器接收时地表岩石的出射辐射Lj，在实际应用过程中，忽略传感器和地面间大气的微小影响，得到新的地表岩石的出射辐射L'j，根据下式获得地表温度估值T：
Figure FDA0002347285920000041
式中，εj(T)为地表岩石的光谱发射率，Bj(Ts)为温度Ts时的普朗克函数，Latm↓,λ为等效大气下行辐射。
CN201911400145.XA 2019-12-30 2019-12-30 一种基于热红外比辐射率的岩性分类方法 Withdrawn CN111141698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911400145.XA CN111141698A (zh) 2019-12-30 2019-12-30 一种基于热红外比辐射率的岩性分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911400145.XA CN111141698A (zh) 2019-12-30 2019-12-30 一种基于热红外比辐射率的岩性分类方法

Publications (1)

Publication Number Publication Date
CN111141698A true CN111141698A (zh) 2020-05-12

Family

ID=70522181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911400145.XA Withdrawn CN111141698A (zh) 2019-12-30 2019-12-30 一种基于热红外比辐射率的岩性分类方法

Country Status (1)

Country Link
CN (1) CN111141698A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950427A (zh) * 2020-08-06 2020-11-17 中国地质科学院矿产资源研究所 基于热红外波谱特征和bp神经网络模型的石榴子石亚类识别方法
CN112101388A (zh) * 2020-11-04 2020-12-18 南京诺源医疗器械有限公司 一种高光谱图像端元提取方法及系统
CN112597826A (zh) * 2020-12-08 2021-04-02 核工业北京地质研究院 一种对高光谱sasi数据进行岩性分类的方法
CN113034645A (zh) * 2021-03-23 2021-06-25 中国地质科学院地质力学研究所 一种岩性填图的方法、装置和存储介质
CN113049521A (zh) * 2021-03-29 2021-06-29 自然资源实物地质资料中心 识别碳酸盐岩的方法、装置及设备、存储介质
CN113421194A (zh) * 2021-06-04 2021-09-21 贵州省地质矿产勘查开发局 一种根据布格重力异常图像提取隐伏断层的方法
CN115045714A (zh) * 2022-08-17 2022-09-13 北工建设有限公司 矿物开采预警方法、设备及计算机可读存储介质
WO2023133512A1 (en) * 2022-01-07 2023-07-13 Schlumberger Technology Corporation Systems and methods for measuring physical lithological features based on calibrated photographs of rock particles

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063700A (zh) * 2010-10-08 2011-05-18 北京大学 卫星遥感图像生成方法及其系统
CN103454693A (zh) * 2013-09-12 2013-12-18 核工业北京地质研究院 一种白岗岩型铀矿勘查成矿要素遥感图谱特征识别方法
CN104568778A (zh) * 2015-01-15 2015-04-29 浙江理工大学 一种基于高光谱成像的纺织品成分鉴别方法
CN104991287A (zh) * 2015-07-27 2015-10-21 中国地质调查局武汉地质调查中心 中南半岛成矿带典型区铜金矿遥感找矿模型建立方法
CN107727244A (zh) * 2017-11-23 2018-02-23 中国科学院地理科学与资源研究所 一种非接触式地表温度测定仪及方法
CN108195771A (zh) * 2017-12-18 2018-06-22 河海大学 一种海洋高光谱遥感影像目标识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063700A (zh) * 2010-10-08 2011-05-18 北京大学 卫星遥感图像生成方法及其系统
CN103454693A (zh) * 2013-09-12 2013-12-18 核工业北京地质研究院 一种白岗岩型铀矿勘查成矿要素遥感图谱特征识别方法
CN104568778A (zh) * 2015-01-15 2015-04-29 浙江理工大学 一种基于高光谱成像的纺织品成分鉴别方法
CN104991287A (zh) * 2015-07-27 2015-10-21 中国地质调查局武汉地质调查中心 中南半岛成矿带典型区铜金矿遥感找矿模型建立方法
CN107727244A (zh) * 2017-11-23 2018-02-23 中国科学院地理科学与资源研究所 一种非接触式地表温度测定仪及方法
CN108195771A (zh) * 2017-12-18 2018-06-22 河海大学 一种海洋高光谱遥感影像目标识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔银亮 等: "《遥感地质与成矿预测》", 30 June 2011, 地质出版社 *
王兴振: ""热红外高光谱（TASI）数据岩性识别方法研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
程洁 等: ""基于相关性的中红外温度与发射率分离算法"", 《光谱学与光谱分析》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950427A (zh) * 2020-08-06 2020-11-17 中国地质科学院矿产资源研究所 基于热红外波谱特征和bp神经网络模型的石榴子石亚类识别方法
CN111950427B (zh) * 2020-08-06 2022-02-15 中国地质科学院矿产资源研究所 基于热红外波谱特征和bp神经网络模型的石榴子石亚类识别方法
CN112101388A (zh) * 2020-11-04 2020-12-18 南京诺源医疗器械有限公司 一种高光谱图像端元提取方法及系统
CN112597826A (zh) * 2020-12-08 2021-04-02 核工业北京地质研究院 一种对高光谱sasi数据进行岩性分类的方法
CN113034645A (zh) * 2021-03-23 2021-06-25 中国地质科学院地质力学研究所 一种岩性填图的方法、装置和存储介质
CN113034645B (zh) * 2021-03-23 2021-09-03 中国地质科学院地质力学研究所 一种岩性填图的方法、装置和存储介质
CN113049521A (zh) * 2021-03-29 2021-06-29 自然资源实物地质资料中心 识别碳酸盐岩的方法、装置及设备、存储介质
CN113049521B (zh) * 2021-03-29 2023-09-26 自然资源实物地质资料中心 识别碳酸盐岩的方法、装置及设备、存储介质
CN113421194A (zh) * 2021-06-04 2021-09-21 贵州省地质矿产勘查开发局 一种根据布格重力异常图像提取隐伏断层的方法
CN113421194B (zh) * 2021-06-04 2022-07-15 贵州省地质矿产勘查开发局 一种根据布格重力异常图像提取隐伏断层的方法
WO2023133512A1 (en) * 2022-01-07 2023-07-13 Schlumberger Technology Corporation Systems and methods for measuring physical lithological features based on calibrated photographs of rock particles
CN115045714A (zh) * 2022-08-17 2022-09-13 北工建设有限公司 矿物开采预警方法、设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN111141698A (zh) 一种基于热红外比辐射率的岩性分类方法
CN106127725B (zh) 一种基于多分辨率cnn的毫米波雷达云图分割方法
CN109919875B (zh) 一种高时频遥感图像特征辅助的居民地提取与分类方法
CN100547438C (zh) 一种油气勘探方法及系统
Rogge et al. Mapping of NiCu–PGE ore hosting ultramafic rocks using airborne and simulated EnMAP hyperspectral imagery, Nunavik, Canada
Degerli et al. Evaluation from rural to urban scale for the effect of NDVI-NDBI indices on land surface temperature, in Samsun, Türkiye
CN106650689A (zh) 一种沿海城市时间序列土地利用信息提取方法
CN110806605B (zh) 高纬度高寒地区稀土-铀矿遥感找矿方法
CN106971156A (zh) 一种基于面向对象分类的稀土开采区遥感信息提取方法
CN105574621A (zh) 基于遥感蚀变异常的斑岩铜矿预测系统及方法
CN103632363A (zh) 基于多尺度融合的对象级高分辨率遥感影像变化检测方法
Yang et al. The impact analysis of water body landscape pattern on urban heat island: a case study of Wuhan City
CN104537375A (zh) 一种基于卫星遥感数据的褐铁矿化信息提取方法
CN108898096B (zh) 一种面向高分影像的信息快速精确提取方法
CN113625363B (zh) 伟晶岩型锂矿的找矿方法及装置、计算机设备及介质
CN106251310A (zh) 一种多光谱遥感异常信息提取方法
CN114112906B (zh) 一种基于无人机低空遥感和局部地形的水体特征提取系统
Chibani et al. A combined field and automatic approach for lithological discrimination in semi-arid regions, the case of geological maps of bir later region and its vicinity, Nementcha mounts, Algeria
Han et al. A new method for extraction of alteration information using the Landsat 8 imagery in a heavily vegetated and sediments‐covered region: A case study from Zhejiang Province, E. China
Al Kuwari et al. Optimal satellite sensor selection utilized to monitor the impact of urban sprawl on the thermal environment in doha city, Qatar
Ouko et al. A pre-exploration technique for mapping petroleum potential areas based on induced surface alterations and possible traps
Chen et al. Using geochemical data for prospecting target areas by the sequential maximum angle convex cone method in the Manzhouli area, China
CN114387501A (zh) 冲洪积扇沉积遥感智能识别方法及装置
Han et al. Automatic Classification Method of Quaternary Lithology in Vegetation Cover Area Combining Spectral, Textural, Topographic, Geothermal, and Vegetation
Zhiqiang et al. Research on multi-scale segmentation of remote sensing images of typical feature in Rare Earth mining area

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200512

WW01 Invention patent application withdrawn after publication