CN1317569C - 高光谱矿物分层谱系识别方法 - Google Patents

Abstract

本发明为了推动高光谱遥感技术的工程化、实用化、智能化以及规模化发展，在对矿物离子基团、矿化蚀变类型与蚀变分带、蚀变矿物共生组合三个层次光谱特征研究、分析和总结的基础之上，根据矿物混合光谱中不同级次特征光谱参量的数理逻辑关联，建立“矿物大类—矿物类型—具体矿物—矿物变种”的矿物识别分层谱系；归纳并评价了一些常用的光谱参量的稳定性和在矿物识别中的相对权重，建立20余种蚀变矿物的光谱识别方法以及光谱识别库。从而在有效解决光谱变化或变异的基础之上，将专业人员的矿物光谱知识融入矿物识别中，开发了高光谱矿物分层谱系识别方法，使一般操作人员也可以进行矿物的识别，实现高光谱遥感矿物识别的智能化、批处理以及矿物面积性填图的规模化应用。

Description

高光谱矿物分层谱系识别方法

技术领域

本发明涉及一种矿物分层谱系的识别方法，尤其是涉及一种高光谱的矿物分层谱系的识别方法。

背景技术

高光谱具有图谱合一的特点，其区别于多光谱的优势在于可以利用光谱特征实现对地物或地物组分进行直接的识别。矿物识别和矿物填图是高光谱技术最成功的也是最能发挥其优势的应用领域。目前，高光谱遥感地物光谱识别的技术方法主要有以下方面：(1)对端元矿物的单个诊断性吸收特征如波形、对称性等进行增强处理后进行岩矿类型识别；(2)基于光谱特征的光谱匹配识别；(3)混合光谱分解模型。在了解和掌握实际工作区可能存在的矿物类别和已知地物光谱时，利用这些技术方法进行地物识别更为有用。但明显不足的是由于实际地物光谱变异、获取数据受观测角以及颗粒大小的影响而造成光谱变化或变异，准确匹配比较困难，同时难以确定混合光谱分解端元，造成岩矿识别与分析上的混淆和误差。另一方面，在实际操作中，需要科技人员或工作人员具有矿物学与光谱学的知识背景，限制了高光谱地学的工程化应用，难以满足高光谱遥感大范围区域性矿物填图的需求。

发明内容

本发明的目的是为了推动高光谱遥感技术的工程化、实用化、智能化以及规模化发展，在对矿物离子或离子基团、矿化蚀变类型与蚀变分带、蚀变矿物共生组合三个层次光谱特征研究、分析和总结的基础之上，根据矿物光谱或矿物混合光谱中不同级次特征光谱参量的数理逻辑关联，建立“矿物大类—矿物类型—具体矿物—矿物变种”的矿物识别分层谱系；归纳并评价了一些常用的光谱参量的稳定性和在矿物识别中的相对权重，建立20余种蚀变矿物的光谱识别规则以及光谱识别规则库。从而在有效解决光谱变化或变异的基础之上，将专业人员的矿物光谱知识融入矿物识别中，设计开发了高光谱矿物分层谱系识别方法，提高了矿物识别的可靠性，并使一般操作人员也可以进行矿物的识别，实现高光谱遥感矿物识别的智能化、批处理以及矿物面积性填图的规模化应用。

本发明高光谱矿物分层谱系识别方法的具体步骤是：

(1)建立矿物分层识别谱系：在对矿物离子或离子基团、矿化蚀变类型与蚀变分带、蚀变矿物共生组合三个层次光谱特征研究、分析和总结的基础之上，归纳并评价了一些常用的光谱参量的稳定性和在矿物识别中的相对权重；根据矿物光谱或矿物混合光谱中不同级次特征光谱参量的数理逻辑关联，建立“矿物大类、矿物类型、具体矿物、矿物变种”四个类型的矿物分层识别谱系；

(2)指定矿物光谱识别规则：以光谱的吸收谱带特征为主，其它光谱特征为辅；分别以主要吸收谱带、谱带组合特征、谱带精细特征和谱带变异特征为基础，对矿物进行分层识别；识别规则建立中充分考虑混合光谱的影响；根据不同光谱特征参量在矿物识别中的作用，给予其相应的权重，并充分考虑不同级次特征光谱参量的数理逻辑关联；

(3)建立矿物识别规则库：给定矿物(M)光谱不同吸收谱带位置的权重为W＝{ω₁，ω₂，ω₃，…，ω_j}j＝1，2，……，n，这里ω1＞ω2＞ω3……；利用IF-THEN规则可以建立矿物识别的逻辑关联，在此基础之上，建立矿物光谱识别规则库；

(4)光谱特征增强处理：对已进行大气校正和光谱重建的数据，进行去壳处理，消除背景影响，增强光谱的特征吸收，尤其是一些次级特征；

(5)矿物大类识别：在(4)处理数据的基础之上，根据矿物识别光谱规则，与光谱识别库紧密结合，利用一些诊断性光谱特征进行矿物大类的识别，如含Fe²⁺矿物、Fe³⁺矿物、Mn²⁺和矿物、碳酸盐矿物、含Al-OH键矿物、含Mg-OH键矿物等；

(6)区域分割处理：分别对(4)处理数据和(5)识别结果进行矩阵运算，分割出(5)结果的分布的数据块区域；

(7)矿物种类识别：对(6)的处理的不同大类结果分布数据，与光谱识别库紧密结合，分别利用矿物识别光谱规则，进行矿物种类识别，如在Al-OH键矿物大类分布区域进行明矾石类、蒙脱石类、白云母类、高岭石类等的识别；

(8)矿物变种的识别：利用(4)与(7)结果进行类似(6)的运算，分割出矿物种类分布的数据块区域，然后在针对不同的类型分布进行矿物变种的识别；

(9)识别结果的表现：采用黑白图象或彩色图象进行处理。

本发明高光谱矿物分层谱系识别方法的优点是，能够对多种矿物进行识别，使即使不是本领域的技术人员也能够进行光谱的识别。并具有可识别的智能化、批量化以及规模化处理能力，能适应区域性矿物填图的需要。

本发明高光谱矿物分层谱系识别方法的其他细节和特点可通过阅读下文结合附图详加描述的实施例即可清楚明了。

附图说明

图1是利用美国Cuprite地区的AVIRIS识别结果；

图2是利用新疆哈密东天山地区AL-OH类矿物浅色矿物航空Hymap数据的识别结果；

图3是利用新疆哈密东天山地区Mg-OH类矿物暗色矿物航空Hymap数据的识别结果；

图4、图5分别是根据本发明利用新疆哈密东天山地区航空Hymap数据识别白云母(图4)和绿泥石(图5)的影像波谱(图中虚线部分)、标准光谱(图中点划线部分)与野外实测光谱(图中实线部分)的对照分析；

图6是利用西藏驱龙地区航天Hyperion数据矿物识别结果与光谱对照分析；

图7是矿物分层识别谱系。

具体实施方式

本发明的数据是方法，是基于：

(1)矿物分层识别谱系的建立

在对矿物离子或离子基团、矿化蚀变类型与蚀变分带、蚀变矿物共生组合三个层次光谱特征研究、分析和总结的基础之上，归纳并评价了一些常用的光谱参量的稳定性和在矿物识别中的相对权重；根据矿物光谱或矿物混合光谱中不同级次特征光谱参量的数理逻辑关联，建立“矿物大类—矿物类型—具体矿物—矿物变种”的矿物分层识别谱系，具体如图7所示。

上述谱系并非严格意义上的矿物学上的分类，而是根据矿物的光谱识别光谱特征进行分类，具有可扩展性。

(2)矿物光谱识别规则

①以光谱的吸收谱带特征为主，其它光谱特征为辅；

②分别以主要吸收谱带、谱带组合特征、谱带精细特征和谱带变异特征为基础，对矿物进行分层识别；

③识别规则建立中充分考虑混合光谱的影响；

④根据不同光谱特征参量在矿物识别中的作用，给予其相应的权重，并充分考虑不同级次特征光谱参量的数理逻辑关联。

(3)矿物识别规则库

给定矿物(M)光谱不同吸收谱带位置的权重为

W＝{ω₁，ω₂，ω₃，…，ω_j}    j＝1，2，……，n

这里ω1＞ω2＞ω3……。利用IF-THEN规则可以建立矿物识别的逻辑关联，在此基础之上，建立矿物光谱识别规则库。下列为部分矿物光谱识别规则库。

对于矿物大类：

if ω₁∈[2165，2230]then M is Al-OH

if ω₁∈[2315，2330]then M is Mg-OH

if ω₁∈[2335，2386]then M is CO₃ ²⁺

if ω₁∈[1000，1100]then M is Fe²⁺

if ω₁∈[600，900]then M is Fe³⁺

if ω₁∈[450，600]then M is Mn²⁺

对于含矿Al-OH矿物大类可以进一步细分矿物种类：

if(ω₁∈2165 or 2175)and ω₂∈2440 then M is Alunite

if ω₁∈2205 and ω₂∈2386 then M is Halloysite or Smeckaolite

if ω₁∈2205 and ω₂∈2386 and ω₃∈2315 then M isSmeckaolite

if(ω₁∈2205 or 2215)and ω₂∈2440 then M is Montmorillite orMuscovite

if(ω₁∈2205 or 2215)and ω₂∈2440 and ω₃∈2355 then M isMuscovite

if(ω₁∈2205 or 2215)and ω₂∈2355 and ω₃∈2440 then M isIllite

本发明高光谱矿物分层谱系识别方法的具体步骤是：

(1)光谱特征增强处理：对已进行大气校正和光谱重建的数据，进行去壳处理，消除背景影响，增强光谱的特征吸收，尤其是一些次级特征；

(2)矿物大类识别：在(1)处理数据的基础之上，根据矿物识别光谱规则，与光谱识别库紧密结合，利用一些诊断性光谱特征进行矿物大类的识别，如含Fe²⁺矿物、Fe³⁺矿物、Mn²⁺和矿物、碳酸盐矿物、含Al-OH键矿物、含Mg-OH键矿物等；

(3)区域分割处理：分别对(1)处理数据和(2)识别结果进行矩阵运算，分割出(2)结果的分布的数据块区域；

(4)矿物种类识别：对(3)的处理的不同大类结果分布数据，与光谱识别库紧密结合，分别利用矿物识别光谱规则，进行矿物种类识别，如在Al-OH键矿物大类分布区域进行明矾石类、蒙脱石类、白云母类、高岭石类等的识别；

(5)矿物变种的识别：利用(1)与(4)结果进行类似(3)的运算，分割出矿物种类分布的数据块区域，然后在针对不同的类型分布进行矿物变种的识别。如在白云母类矿物分布区，可以进一步识别富铝白云母和贫铝白云母；

(6)识别结果的表现：采用黑白图象或彩色图象进行处理。

其中，图1是利用美国Cuprite地区的AVIRIS识别结果，图中对比度浅的区域为识别的矿物分布区。

图2是利用新疆哈密东天山地区AL-OH类矿物浅色矿物航空Hymap数据的识别结果，与图1相似，图中对比度浅的区域为识别的矿物分布区。

图3是利用新疆哈密东天山地区Mg-OH类矿物暗色矿物航空Hymap数据的识别结果；与图1相似，图中对比度浅(即亮度较高的区域)的区域为识别的矿物分布区。

图4、图5分别是根据本发明利用新疆哈密东天山地区航空Hymap数据识别白云母(图4)和绿泥石(图5)的影像波谱、标准光谱与野外实测光谱的对照分析；图中最上部分曲线代表野外验证波谱、中间曲线代表绿泥石的影像波谱、最下面曲线代表标准光谱。

图6是利用西藏驱龙地区航天Hyperion数据矿物识别结果与光谱对照分析。

其中上图：识别的矿物(灰白色)分布：中图：标准库波谱；下图：影象波谱

经验证，识别结果与在野外实况相当吻合，波谱曲线也相当匹配。因此，本发明具有普适性，适用于航天和航空不同仪器的高光谱数据，识别的矿物种类已达到20种以上，并具有矿物识别的智能化、批量化以及规模化处理能力，能适应区域性矿物填图的需要。

Claims (1)

1.一种高光谱矿物分层谱系识别方法，包括如下步骤：

(1)建立矿物分层识别谱系：在对矿物离子或离子基团、矿化蚀变类型与蚀变分带、蚀变矿物共生组合三个层次光谱特征研究、分析和总结的基础之上，归纳并评价了一些常用的光谱参量的稳定性和在矿物识别中的相对权重；根据矿物光谱或矿物混合光谱中不同级次特征光谱参量的数理逻辑关联，建立“矿物大类、矿物类型、具体矿物、矿物变种”四个类型的矿物分层识别谱系；

(2)指定矿物光谱识别规则：以光谱的吸收谱带特征为主，其它光谱特征为辅；分别以主要吸收谱带、谱带组合特征、谱带精细特征和谱带变异特征为基础，对矿物进行分层识别；识别规则建立中充分考虑混合光谱的影响；根据不同光谱特征参量在矿物识别中的作用，给予其相应的权重，并充分考虑不同级次特征光谱参量的数理逻辑关联；

(3)建立矿物识别规则库：给定矿物(M)光谱不同吸收谱带位置的权重为W＝{ω₁，ω₂，ω₃，…，ω_j}j＝1，2，……，n，这里ω1＞ω2＞ω3……；利用IF-THEN规则可以建立矿物识别的逻辑关联，在此基础之上，建立矿物光谱识别规则库；

(4)光谱特征增强处理：对已进行大气校正和光谱重建的数据，进行去壳处理，消除背景影响，增强光谱的特征吸收，尤其是一些次级特征；

(5)矿物大类识别：在(4)处理数据的基础之上，根据矿物识别光谱规则，与光谱识别库紧密结合，利用一些诊断性光谱特征进行矿物大类的识别，如含Fe²⁺矿物、Fe³⁺矿物、Mn²⁺和矿物、碳酸盐矿物、含Al-OH键矿物、含Mg-OH键矿物等；

(6)区域分割处理：分别对(4)处理数据和(5)识别结果进行矩阵运算，分割出(2)结果的分布的数据块区域；

(7)矿物种类识别：对(6)的处理的不同大类结果分布数据，与光谱识别库紧密结合，分别利用矿物识别光谱规则，进行矿物种类识别，如在Al-OH键矿物大类分布区域进行明矾石类、蒙脱石类、白云母类、高岭石类等的识别；

(8)矿物变种的识别：利用(4)与(7)结果进行类似(6)的运算，分割出矿物种类分布的数据块区域，然后在针对不同的类型分布进行矿物变种的识别；

(9)识别结果的表现：采用黑白图象或彩色图象进行处理。

Images