Ⅰ 高光谱矿物信息提取
8.6.1 方法与流程
8.6.1.1 产品生成业务化流程
常用的高光谱矿物填图标准方法：先运用最大噪声分离（MNF）变换对反射率数据进行波谱降维，用像元纯度指数（PPI）分析进行空间降维，然后用N维可视化方法来确定图像端元，进行端元识别，确定矿物波谱，最后用合适的方法进行矿物填图，并对结果进行优化操作。矿物填图流程图如图8.40所示。
1）数据降维。利用MNF变换进行光谱数据减维，分离数据中的噪声，减小运算量。观察最终特征值和MNF图像，确定数据的固有维数，选择合适的MNF波段进行PPI指数计算。
2）计算图像的PPI指数。计算MNF图像的PPI指数，最终产生PPI图像，图像中像元的DN值代表像元被记录为极值的次数，从直方图中选择阈值，仅选择最纯的像元以保证被分析的像元数最小，这些像元被输入到分离特定光谱端元的交互式可视化算法中。
3）N维可视化进一步提纯纯净像元。在N维可视化中，光谱可视为n维散点图中的一个点，n是波段数。通过选择n维散点图的顶点和拐角，进一步提纯纯净像元。将最终确定的端元输入到图像中的感兴趣区（ROI），从图像中提取每个感兴趣区平均反射率光谱曲线作为成像光谱矿物填图的候选端元。
图8.40 常见高光谱矿物填图流程
4）建立真实波谱库。将采集端元的波谱曲线输出，经过波谱分析（用波谱特征拟合算法与USGS标准波谱库进行匹配识别）得到的波谱曲线图，确定端元矿物并建立该矿物的真实波谱库。
5）选择合适的填图方法，辅以自行建立的真实波谱库，提取出各类矿物。并对提取结果做最小图斑去除、类合并等操作，优化矿物提取结果。
8.6.1.2 矿物信息提取的高光谱数据预处理
先将成像高光谱数据进行辐射定标、大气校正等过程得到光谱反射率数据。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射定标和光谱重建是地物识别和定量分析不可缺少的环节。只有经过辐射标定、辐射校正和大气校正，剔除由于大气散射、吸收、地形起伏及传感器本身不稳定带来的各种失真，将记录的图像值转换为地面的反照率值，重建像元地面光谱，才能根据光谱特征，有效地识别地物，反演地物成分。
8.6.1.3 典型矿物光谱吸收特征分析
首先打开波谱数据库系统图8.41调出所研究的典型矿物的光谱进行分析。
根据主要谱带的位置将矿物划分为含Fe2＋矿物、Fe3＋矿物、Mn2＋矿物、碳酸盐矿物、含Al-OH键矿物、含Mg-OH键矿物等大类。
Al-OH：诊断谱带一般位于2165～2215 nm附近；
Mg-OH：诊断谱带一般位于2315～2335 nm附近；
Fe2＋：诊断谱带一般位于1000～1100nm附近；
图8.41 波谱库系统主界面
Fe3＋：诊断谱带一般位于600～900nm附近；
Mn2＋：诊断谱带一般位于450～600nm附近。
以主吸收谱带和次要吸收谱带的组合特征，并考虑到吸收谱带在不同岩石中的变异，识别矿物族。如对Al-OH键矿物可分为明矾石族、蒙脱石族、白云母族、高岭石族；含Mg-OH矿物可分为绿泥石族、黑云母族、绿帘石族、蛇纹石族、滑石-透闪石族等；碳酸盐矿物包括方解石族、白云石族等。
1）对于Al-OH键矿物：
明矾石族：两个吸收特征分别位于2175nm（2165～2175nm，± 10nm）和2325nm。
蒙脱石族：位于2215nm（2205～2215 nm，± 10nm）的主要吸收特征伴随有一个2440nm的次级吸收。
白云母-伊利石族：位于2205nm（2195～2215 nm，± 20nm）的主要特征吸收伴随有三个次级吸收峰，分别位于2355nm，2440nm和2115nm。
高岭石族：2200nm附近的OH-谱带，在该谱带左翼存在次一级的谱带（2160nm）。
图8.42为典型Al-OH键矿物波谱特征图。
图8.42 几种典型Al-OH键矿物波谱特征图
2）对于碳酸盐矿物：
方解石族：位于2330 nm～2340 nm的主要谱带。
菱铁矿族：同时具有Fe2＋在1000nm与
图8.43为典型碳酸盐矿物波谱特征图。
图8.43 几种典型碳酸盐矿物波谱特征图
3）对于Mg-OH键矿物：
绿泥石族：位于2330 nm主要吸收特征伴随有一个2386 nm及2224 nm两个次级吸收。
绿帘石族：位于2330 nm主要吸收特征伴随有一个2225～2226 nm的次级吸收。
蛇纹石族：位于2320 nm附近主要吸收特征伴随有2110 nm为中心的较宽的弱谱带。
滑石-透闪石族：位于2290～2310 nm附近的较宽的双峰谱带和2385 nm附近的次级吸收。
图8.44为典型Mg-OH键矿物波谱特征图。
图8.44 几种典型Mg-OH键矿物波谱特征图
8.6.1.4 矿物识别技术
目前，基于成像光谱数据的矿物识别的方法主要有：基于光谱波形参数、基于光谱相似性测度、基于混合光谱模型、基于地质统计规律、基于光谱知识的智能识别等。
（1）光谱波形参数提取与蚀变识别的技术方法
岩石矿物单个诊断性吸收特征峰可以用吸收波段位置（λ）、吸收深度（H）、吸收宽度（W）、吸收面积（A）、吸收对称性（d）、吸收的数目（n）和排序参数作完整地表征（陈述彭等，1998）。根据端元矿物的单个诊断性吸收波形，从成像光谱数据中提取并增强这些参数信息，可直接用于识别岩矿类型。如HSI编码与吸收波段图（Kruse，1988）是利用连续统去除后的光谱图像，定义出波段吸收中心位置图像，波段深度图像及波段半极值宽度（FWHM）图像，并分别赋予HSI空间的明度（H）、强度（I）和饱和度（S），然后逆变换到RGB色度空间。代表性的方法还有光谱特征拟合（SFF）等。
光谱特征拟合（SFF，Spectral feature fitting）：光谱特征拟合是一种基于光谱吸收特征的方法，使用最小二乘法技术将图像中每一个像元的光谱曲线与所选择的参考光谱曲线的吸收特征进行拟合。是选择包含目标矿物特定吸收谱带的光谱区间，利用最小二乘拟合方法，比较像元光谱与目标光谱吸收特征的整体形态和吸收深度。该方法对噪音和地形有较好地抑制作用。
（2）基于相似性测度的识别技术方法
成像光谱最大的优势在于利用有限细分的光谱波段，去再现像元对应物的光谱曲线。这样，利用整个光谱曲线进行矿物匹配识别，可以在一定程度上改善单个波形的不确定性影响（如光谱漂移、变异等），提高识别的精度（甘甫平等，2000）。基于整个波形的识别技术方法是在参考光谱与像元光谱组成的二维空间中，合理地选择测度函数度量标准光谱或实测光谱与图像光谱的相似程度。这类方法主要有光谱角制图（SAM）技术、光谱二值编码（Binary encoding）技术等。
（3）基于光谱知识模型识别的技术方法
基于光谱知识模型识别的技术方法是建立在一定的光学、光谱学、岩矿结晶学和数学理论之上的信号处理技术方法。它不仅能够克服利用单一谱形识别所存在的缺陷，而且从地物光谱学原理入手、从本质上理解认识岩矿光谱的物理机制与物理过程，建立光谱数学物理模型，识别并定量提取岩矿信息。这在一定程度上能精确地量化地表物质的组成及深入地描述地物组成的物理特性，以进一步探测地物所蕴藏的成生环境本质。例如，建立在Hpake（1981）光谱双向反射理论基础之上的线性混合光谱分解模型（SMA/SUM），可以根据不同地物或者不同像元光谱反射率响应的差异，构造光谱线性分解模型，从而识别地物，量化地物成分，挖掘地物成生环境信息。
（4）基于地质统计特征的分类识别方法
该类方法是基于地物在图像上的统计分布规律，建立地质模型进行图像分类识别。比较典型的有（Ieohku，etal，1996），概率模型（Porbabilistic Model），几何光学模型（Geomertic-optical Model），随机几何模型（Stochastic Geometric Model）及非参数地质统计模型（Non-paramertic GeostatisticTechnique）。
（5）基于光谱知识的智能识别方法
传统的及上述的成像光谱识别方法利弊共存。对于高维与超大容量的成像光谱数据及大量的实验室光谱研究结果等迫切要求新的高效的遥感定量分析技术。因此，专家系统、人工神经网络、模糊识别等基于光谱知识的智能识别应运而生。神经网络技术是应用最广泛的识别技术（Gong，1996；Jimenez，et al.，1998；Benediktsson，et al.，1995；Garcia Haro，et al.，1998）。Goetting 和 Lyon（1986）建立一个试验性专家系统；Kruse等（1993）建立了基于知识的成像光谱矿物自动匹配制图系统。以Dempster-Shafer证据理论为基础格架的证据推理方法也得到了一定程度的应用。基于光谱知识的智能识别技术方法与系统将是成像光谱遥感地物信息识别、提取与量化及实用化的最佳选择与发展方向，极具潜力。
8.6.2 结果与分析
8.6.2.1 蛇纹石矿物的填图及效果分析
对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.45所示。
图8.45 蛇纹石波谱匹配图
图8.46 五种填图方法结果对比
用前文简述的常用五种方法提取蛇纹石的具体位置，并进行对比分析，填图结果如图8.46所示。
用SAM矿物填图方法，可以快速提取端元采集出的所有地物，并用彩色分类影像来显示，使人们很直观地看出该矿物的分布范围。
光谱特征拟合将为每个参照波谱输出一幅比例图像和 RMS 图像或一幅合成的“拟合”图像（Scale/RMS）。较高的拟合值表明该像元与参照波谱匹配较好。但是波谱特征拟合效果并不是很好，因为如果输入了错误的参照端元或使用了错误的波长范围，也会出现一个远远大于1的比例值。
MTMF（混合调制匹配滤波）结果将以一系列灰阶图像的形式出现，两幅图像对应一个被选波谱。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。不可行性（Infeasibility）值以sigma噪声为单位，显示了匹配滤波结果的可行性。用于准确制图的像元有一个大于背景分布值的较高的匹配滤波值和一个较低的不可行性值。对得出的浮点图进行密度分割等操作，也能很好的得出蛇纹石的分布范围。
MF（匹配滤波结果）将以一系列灰阶图像的形式出现，每幅图像对应一个选择的端元。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。对MF的结果图做密度分割等操作，也可明显地看出蛇纹石的分布范围。
线性光谱分解的结果将以一系列灰阶图像的形式出现，每幅灰阶图像加上一个RMS误差图像对应于一个端元。经过发现，此方法的提取效果并不是很好，噪声较多。因此在实际应用中，并不建议使用此方法。
通过以上对比分析，发现SAM，MTMF，MF三种方法在本地区都比较适合蛇纹石这种矿物的填图，只是MTMF，MF两种方法还需对结果图进行密度分割处理，稍显繁复，但填图效果良好。
8.6.2.2 白云母矿物的填图及效果分析
对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库（图8.47）。因为随着白云母中Al含量的减少，Al-OH的谱带位置逐渐向长波方向移动，所以可以分辨出贫铝白云母和富铝白云母的波谱曲线。
图8.47 白云母波谱匹配图
用上述五种方法提取蛇纹石的具体位置，填图结果如图8.48所示。
经过以上五种填图方法的对比分析发现，SAM填图方法效果最佳，不仅明确填出白云母矿物的范围，而且避免了误差引起的填图错误。此外，对光谱特征拟合后的结果图做密度分割等操作，所提取的矿物范围也较好。因此，两种方法均适合进行白云母的矿物填图。
8.6.2.3 绿帘石矿物的填图及效果分析
对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.49所示。
用上述五种方法提取蛇纹石的具体位置，填图结果如图8.50所示。
经过以上五种填图方法的对比分析，发现SAM填图方法效果最好。但光谱特征拟合、MTMF和MF三种方法对绿帘石也有较好的显示，对他们的结果图做密度分割等操作，也能较好的提取出蛇纹石的范围，因此，以上四种方法都适合蛇纹石矿物的提取填图。
图8.48 五种填图方法结果对比
图8.49 绿帘石波谱匹配图
8.6.2.4 绿泥石矿物的填图及效果分析
选取HyMap数据，选取USGS标准波谱库中绿泥石的光谱曲线作为参考光谱。利用上面的方法提取绿泥石的具体位置，填图结果如图8.51所示。
8.6.2.5 多种矿物填图情况
（1）HyMap数据1情况分析
依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。
SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如下（图8.52 ，图5.3）。
Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比（图8.54 ，图8.55）。实验发现富铝白云母（黄颜色图例）在阈值设置为0.97和0.96时，分类效果变化非常大，由于软件对该阈值的设定只支持小数点后2位，所以不能进一步的精确，对比分析两种阈值的分类效果，得出二进制编码方法对富铝白云母的提取效果不是很好。
Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.56和图8.57所示。
Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如下（图8.58至图8.60）。
（2）HyMap数据2情况分析
依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。
SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.61所示。
最小距离填图：最小距离填图的参数设置及填图效果差异如图8.62和图8.63所示。
（3）模拟数据情况分析
依据地面区域地质资料，在模拟的反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。
图8.50 五种填图方法结果对比
图8.51 三种填图方法结果对比
图8.52 局部区域填图效果
图8.53 整体区域填图效果
图8.54 填图效果1
图8.55 填图效果2
图8.56 局部区域填图效果截图
图8.57 整体区域填图效果
图8.58 不同阈值局部地区填图效果
图8.59 填图效果（Threshold＝0.001）
图8.60 填图效果（Threshold＝0.005）
图8.61 SAM 方法填图
图8.62 参数1下效果图
图8.63 参数2下效果图
SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，阈值的设定情况和填图效果如图8.64所示。
图8.64 SAM 填图效果
Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，阈值的设定和填图效果情况如图8.65所示。多次试验发现该方法对提取chlorite和chlorite＋serpentine的效果不是很理想。
图8.65 填图效果
Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，阈值的设定和填图效果情况如图（其中Max Distance Error＝2000 ，图8.66）。
图8.66 填图效果
Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如图8.67所示。
图8.67 填图效果（Threshold＝0.005）
8.6.2.6 矿物信息填图结果分析
综合前面的分析结果，开展了矿物信息提取结果图，为了分析矿物信息填图效果，搜集了前人对此试验区（图8.68）进行的矿物填图结果（图8.69）。
图8.68 矿物信息研究的区域图
图8.69 前人的矿物提取结果填图结果
为开展蚀变矿物识别精度分析，可对比研究区本次提取的蚀变矿物分布图（图8.70）与前人提取的蚀变矿物信息分布图结果，逐像素进行对比（由于分辨率不同需做像素变换），如果研究区总的点数为N，本次与前人矿物分布图的结论相同就认为该点取值1，最后统计结果中1的个数n，这样蚀变矿物识别精度可定义为
高光谱遥感技术原理及矿产与能源勘查应用
对比分析本次矿物信息填图结果和前人矿物信息的填图结果，发现其结果并非完全一样。其中蛇纹石的填图效果一致性最高；绿帘石的分布范围一致，但本次数据的填图结果显示的范围较大；白云母的分布范围基本一致，但贫铝白云母和富铝白云母的分布范围有些混淆，经过对比分析，本次数据和前人数据填图范围的一致性达到89%，基本满足高光谱数据的填图要求。对出现误差的主要原因分析如下：
1）前人数据是机载高光谱数据，空间分辨率可达到3～12m，此处的Hymap数据的空间分辨率为5m，而本次数据是模拟星载高光谱数据，空间分辨率为30m。随着分辨率的降低，单个像元所对应的地面面积将增大，导致每个像元中包含更多的矿物类型，矿物间的影响性也会增加。一方面，由于混合像元的平均效应，目标矿物在像元中的等效丰度会下降，光谱信息减弱。当像元中目标矿物的等效丰度下降到检出限以下时，矿物将不能被识别，而造成矿物分布区的外围含量较低的地段和含量较低分布区填绘面积的减少，点状集群分布区的漏识别，线状分布区的断续分布。这种效应相当于检出限的下降。另一方面，当像元中目标矿物的等效丰度在检出限以上时，会使面状矿物分布区的范围扩大、空洞的充填、相邻小区的连接，点状集群分布区的成片，线状区域的斑点效应。这两种效应的综合作用结果，空间分辨率的减小则会使强异常区（包括高丰度区和光谱反衬度较高的矿物分布区）范围的扩大、小区的相连、点群的结合，而使异常更加醒目，但其细节特征会因此消失；弱异常区（包括低丰度区和光谱反衬度较低的那些矿物分布区）和小异常区面积会缩小或漏检；线状异常可能会形成断续分布的小斑块而使线状特征和其走向变得不清晰。因此，在填图的细致程度上，分辨率越高的数据填图效果越好，这是造成填图效果差异的最主要的原因之一。
图8.70 本次试验矿物信息提取填图结果
2）辐射校正的精确程度。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射校正和光谱重建是地物识别不可缺少的环节。由于Hymap数据是机载高光谱数据，Hyperion数据是星载高光谱数据，对两种数据进行辐射校正的参数也是不一致的，因此，得出的反射率数据也是有差异的，这也是造成填图差异的原因之一。
总之，用本次数据进行矿物填图是可行的，它可以在一定程度上对矿物的种类及分布进行识别。
Ⅱ 成像光谱方法技术
一方面，高光谱分辨率的成像光谱遥感技术是对多光谱遥感技术的继承、发展和创新，因此，绝大部分多光谱遥感数据处理分析方法，仍然可用于高光谱数据；另一方面，成像光谱技术具有与多光谱技术不一样的技术特点，即高光谱分辨率、超多波段（波段＜1000，通常为100～200个左右）和甚高光谱（Ultra Spectral）分辨率（波段＞1000，主要用于探测大气化学成分）的海量数据。因此，常规多光谱数据处理方法不适合于成像光谱数据的定量分析，于是成像光谱数据处理和分析技术应运而生。在成像光谱数据处理和分析方法中，关键性的技术问题是地物光谱重建，光谱特征的量化及提取，混合像元的分解和定量分析及模型识别。
2.3.2.1 光谱重建技术
按照不同的模型及算法，从成像光谱数据中把地物的光谱特性反演出来的过程就是地物光谱重建技术。根据不同的工作情况及条件，采取不同反演模型来重建地物光谱，是实现成像光谱数据遥感定量化分析的第一步。若对其不进行反演，则没有一个统一物理量进行对比。目前，光谱反演模型大体可分为三大类型：基于大气传输理论的大气传输模型，基于统计分析的统计模型以及基于地面地物同步观测的经验回归模型。
2.3.2.1.1 基于大气传输理论的模型
该模型实质上就是用理论模型消除大气中气体分子、水蒸气、气溶胶及尘埃等分子颗粒对地反射辐射能量吸收与散射以及大气程辐射效应，并将其还原成地物的反射辐射光谱。这是一种比较复杂的同时必须进行地物光谱及大气参量测量的绝对反射率生成方法，也就是对成像光谱数据进行绝对辐射标定的再反演。在这一反演过程中，关键是建立大气传输的模型。自1960年，Chndrasekhar提出了辐射传输理论以来，相继发展了许多方法，如Ordinate方法和Variational方法等来解决辐射传输问题。目前，常见的大气传输模型有5 S（the Simulation of the Satellite Signal in the Solar Spectrum）、6S（the Second Simulation of the Satellite Signal in the Solar Spectrum）、LOWTRAN 7及MODTRAN（Teillet，P.M.，1989；Vermote，E.，Tanṙen，D.，Deuże，J.L.et al.，1994，1996；Bo⁃Cai Gao，K.B.Heidebrecht and A.F.H.Goetz，1997；Z.QIN，A.Karnieli and P.Berliner，2001）。其中，6S模型是由法国Tanré等人研究开发的，是目前世界上发展比较完善的大气辐射校正模型算法之一。该算法既能合理地处理大气散射、吸收，又能产生连续光谱，避免在光谱反演中较大的定量误差。它还充分利用了分析表达式和预选大气模式，使计算时间大大缩短。许多遥感专家使用此模式进行地物光谱反演后认为，该模型较其他模型计算精度高。不足之处是必须开展试验区典型地物光谱反射率观测以及大气环境参量实测，如：大气光学厚度、温度、气压、水蒸气含量、大气分布状况等。相对来说，尽管LOWT⁃RAN 7和MODTRAN模型计算精度低一些，但它不需要地面实测典型地物的反射率。这些模型一般用于对传感器选定标定场，开展数据绝对辐射标定。
2.3.2.1.2 基于统计分析的模型
该模型的建立是在分析不同地物光谱遥感信息在不同光谱波段的传输特点基础上，利用计算机对典型地物的光谱特性进行统计分析后，得到的地物光谱特性反演模型。对成像光谱数据进行地物光谱反演常用模型有平滑域反射率模型 FFR（Flat Field Reflectance）（Goetz and Srivastava，1985；Conel，1985；Crowley at al.，1988；Rast et al.，1991），内在平均相对反射率模型IARR（Internal Average Relative Reflectance）（Kruse et al.，1985；Kruse，1988；Mackin and Munday，1988；Zamoudio and Atkinson 1990），对数剩余模型LRC（Logarithm Resial Correction）（Green，R.O.etal.，1985；Gower，J.F.R.etal.，1992）。在这3种模型中，FFR模型是在图像上选取光谱和地貌特征都均匀平滑（平滑性是指地物无光谱吸收谱带，光谱曲线平直）的地物平均值，来消除大气辐射衰减和仪器的零响应；White模型是根据整幅图像的平均光谱曲线平均值对图像归一化处理，然后计算每个像元光谱曲线与平均光谱曲线的比值，也就是地物光谱特性；LRC模型是经Lyon和Lanze修正后，对太阳辐射衰减、大气效应及地形影响都有所消除。Green和Graige提出的对数剩余纠正公式如下：
lg（Rij）=lg（DNij）-lg（aveDNi）+lg（DNi）+lg（DNg）（2-3-1）
这里Rij是第i波段、第j个像元的剩余值；DNij是第i波段、第j个像元的亮度值；DNi是第i波段所有像元数据的平均值；DNj是第j像元在所有波段上数据的均值；DNg是所有波段及所有像元的均值。该方法完全基于图像本身特征，不需要野外地物光谱测量。在前两种模型中，FFR模型优于IARR模型，它克服了IARR模型因受像福强吸收特征的影响而出现的假反射峰的弱点，而且计算量较小。
2.3.2.1.3 经验线性回归模型
利用该方法重建地物光谱技术实质就是通过开展典型地物的同步反射率观测，根据成像光谱数据DN值与地面实测地物反射率值，经最小二乘法求出回归方程Rij=Aj·DNij+Bj（这里Aj，Bj是传感器第j波段的线性回归系数），然后，根据此方程反演地物的反射光谱。这种模型的数学和物理意义明确，方法简便，运算量少，应用广泛（Roberts et al.，1985；Conel et al.，1988；Elvidge，1988；Green et al.，1988；Kruse et al.，1990；Zamoudio and Atkinson 1990）。例如：美国JPL的Abrams利用该模型在美国Nevada州的Cuprite矿区进行矿物学填图；美国科罗拉多大学的Zamudio等人，利用该模型在美国 Nevada 州东部进行矿物识别和岩相分析；日本Pasco公司的Mochizuki，利用该模型在美国Navada州进行蚀变矿物的反射光谱研究等。该模型的不足之处是要开展野外地物光谱观测，成本比较高，回归精度的高低依赖于对野外概实测的精度。
除上述这些典型光谱重建模型之外，还有 UA RT Code，JPL Code，连续内插波段比算法（CIBR），背景法等模型（De Jong，1998）。
2.3.2.2 岩矿光谱特征的量化、提取，定量分析及识别模型
成像光谱数据经过光谱重建模型处理后，获得了地物的光谱特征谱线。不同地物光谱具有不同的诊断特征谱带，如吸收谱带，特征谱线的微积分变化，波形变化等等。如何有效地开展地物特征定量分析和识别地物，首先要弄清楚如何去量化及提取地物的光谱特征。因此，开展基于地物特征谱的量化提取是十分必要的。
2.3.2.2.1 地物光谱特征度量、提取与匹配识别模型
（1）就地物光谱特征（这里指地物反射辐射光谱）而言，不外乎两大类型：吸收谱带（或反射谷）和光谱曲线的斜率变化（含波形变化）。针对这两类光谱特征的形态、结构，分别采取不同的度量方式。目前，对吸收谱带的分析度量方法是外壳系数法，它通过把光谱曲线归一化后去测量吸收谱带的波长位置（position）、吸收深度（depth）、吸收宽度（FWHM）和对称性（sym⁃metry）（Lyon et al.，1985；F.A.Kruse，A.B.Lefkoff，1993）。这种外壳系数法可以由外壳凸形曲线与光谱之比来表示，也可以由外壳值去减相应波长上的光谱反射率值来求得。由于吸收峰的非对称性，采用RBD方法难以准确描述其特征。连续插值小组段算法（CIBR，Continuun interpolated band algorithm）（De Jong，1998）和光谱吸收指数图像（SAI，spectral absorption index image）（王晋年等，1996）与相对吸收深度图方法类似，但引入了对称度因子，使其对吸收特征的描述更为合理。除了这些测量参数外，对植被光谱有多种度量参量，如植被、绿度指数等等。对于光谱曲线斜率变化的特征，表征和提取的方法有基于地物光谱的总体波形特征度量，如傅里叶变换的波形分析方法是利用有限级次的谐波振幅和初位相度量地物波谱特征；基于切比雪夫多项函数的波形分析是利用多项式函数对地物光谱曲线进行拟合，提取有限项的系数来表示或组合特征，或用其比值来表示地物光谱波形特征的参量；基于波形相似性（总体或分段）分析的光谱角度量；还有光谱曲线特征的微分度量、积分度量及二值度量等等。当然，对吸收谱带及斜率特征度量还可以用统计特征量去表征度量，如均值、方差、协方差矩阵、特征值、特征向量、特征因子及组内离差等。
（2）光谱匹配识别模型不同于多光谱的模式识别，它是根据光谱特征度量参数来进行匹配识别的，是成像光谱数据处理分析的特色之一。这种特色模型在处理过程中往往是采用可视化的交互式的图像与光谱、光谱与标准光谱形式进行的。目前，光谱匹配识别模型有：编码匹配识别法（均值编码匹配法，坡向编码匹配法，比值编码匹配法L吸收峰编码匹配法、波形匹配法和光谱角匹配法等等。在这些匹配识别模型中，编码匹配基本上都是按二值（0和1）进行编码、匹配与识别的；吸收特征编码匹配是根据外壳系数法归一化后，对每个特征的吸收深度与波长位置进行编码；波形匹配包括相似度、傅里叶变换参量，切比雪夫等方法。近几年发展起来的小波变换分析在成像光谱数据分析处理中应用相当多，尤其是对原始信号按不同小波尺度，分解成不同的小波进行波形分析，突出低频弱信息，有利于信息增强，比如用小波变换进行图形图像插值、融合及混合像元分解等。
2.3.2.2.2 成像光谱数据的定量分析及识别模型
定量化分析及识别模型化是当今遥感技术的发展方向之一，应用于成像光谱数据处理。定量化分析与识别模型，除了不断完善和改进已有基于统计分析的定量化及识别模型（如：改进的主成分分析、最佳波段组合、改模型最大似然法、基于决策边界特征矩阵的变换和正交子空间投影），其他学科的新思想、新方法也在不断地引人遥感数据分析和理解之中，如人工智能的专家系统，模糊逻辑映射，证据推理、神经网络、分形和分维等。
人工智能专家系统技术是目前比较流行的信息处理技术，尤其对比较复杂问题的解决有独到之处，Gotting和Lyon在1986年就已建立的光谱信息专家识别系统用于分析实验室和野外光谱，它是结合已有的地物光谱特征知识，由专家确定判别规则决策树（Decision Tree）以达到识别地物或地物类别目的。决策树这一基于知识的判别准则层次是建立专家系统成败的关键。通过这个系统进行编码匹配，他们成功地从大量的实验室光谱中识别出11种矿物。1993年，美国地球空间研究中心（CSES）和美国环境科学研究所的F.A.Kruse和A.B.Lefkoff研制了基于知识的成像光谱地质制图专家系统。选定各种特征在识别过程中的作用并赋予相应的权值，或根据专家对判别知识和经验建立判别准则进行识别。
目前，神经网络模型在遥感地物分析和识别方面备受青睐，有着广泛的应用（Golen Giser，1996；Giles，M.F.et al.，1995；郭小方，1998；王润生等，2000）。由于神经网络分类规则对训练样本的数量及分布特征没有特定要求，因而可以在特征空间形成非线性判别边界，并且还有一定的抗噪声、抗干扰和自适应能力，适用于大数据量的分类研究，最为常用的分类准则是后向传播（BP）网络模型。
目前，从成像光谱遥感数据分析与识别的各种新理论、新方法的引入来看，大多数模型的研究和应用还是一种尝试，在如何将模型与成像光谱数据相结合的研究方面，分析不够深入。
2.3.2.3 混合像元分解模型
由于空间分辨率不高的原因，在图像像元内会出现不同成分（end member）的地物，即混合像元。不同的地物具有不同光谱特征，因此需要通过混合光谱分解技术来提高识别精度。混合像元问题是遥感技术的研究难点和热点。由于成像光谱技术的光谱分辨率已从微米（μm）提高到纳米级（nm），因此，其混合像元分析、分解及其模型研究就显得更为重要。
目前，开展高光谱遥感混合像元研究的方法技术，首先从实验着手，进行地物混合光谱的测试、分析、数字模拟、分解模型开发研究，然后将其外推到遥感图像上，进行典型地物混合像元分析，主要包括空-地同步观测获取典型地物（或可通过人工布标）数据，经模型分析后，对混合像元的地物进行分解，或混合光谱模拟合成。在实验室里，通过对不同矿物光谱混合含量测试发现，不透明矿物或暗色矿物，其光谱按比例混合到其他矿物中，混合的反射率急剧下降，而不是逐渐下降，说明其混合光谱与其混合的端员矿物光谱是非线性关系（磁铁矿和橄榄石）。当两种矿物的色调相近时，实验测试的混合光谱与线性模型合成的混合光谱都呈线性逐渐变化，说明混合光谱可以按线性模型分解端员矿物光谱，如橄榄石和紫苏辉石，且吸收谱带的波长位置也是逐渐从一个波长位置逐渐过渡到另一波长位置。不仅如此，还发现在可见光、近红外这一波长上，低成分端员混合时呈线性趋势，当成分增加时，线性关系剧烈变成非线性关系。在这三种情况中，第一种非线性关系是由于组合混合光谱的端员成分之间互相作用、互相影响后光谱被光谱仪检测到；第二种线性关系是由于各端员成分之间无互相影响作用，各自独立地反射电磁波能量贡献于混合光谱；第三种情况是两种关系都存在，二者之间存在临界条件（边界条件）。目前，有关此方面的研究极少。根据这些分析，混合像元分解模型大体分为线性模型和非线性模型。在遥感混合像元中，绝大多数反射率相似的地物，可以用线性模型来分解端员成分，如：土壤与植被、不同含水量的耕地、岩石露头与草地、荒地等等。在一幅图像中，事先知道有N种端员（地物种类），并且也知道各种端员的光谱反射率，那么就可以用线性模型：
成像光谱岩矿识别方法技术研究和影响因素分析
这里DNc是波段C上混合像元的DN值或反射率；Fi是第i种端员在混合像元中所占比例（或权系数）；DNi，c是C波段上第i种端员的DN值（或反射率）；Ec是C波段上拟合误差。对每个像元都按照最小二乘法解方程，进行分解。在图像中，端员的DN值（或反射率值）要么可以从训练区取值，要么在地面实测。端员成分的确定过程实质上是一个迭代过程，迭代结果使M个波段上总误差ε最小（且N≤M）。
成像光谱岩矿识别方法技术研究和影响因素分析
求得版中各种端员成分之后，就可以定量或半定量地对端员丰度制作丰度等专题图件。
用非线性模型开展混合像元分解不多见，但已有这方面的研究，如模糊分割模型（Jin Ⅱkim，1996），概率鹏模型，几何光学模型（Charles Ichoku，1996）及基于神经网络模型的混合像元分解（王喜鹏，张养贞等，1998）等等。
目前开发的模型有：
——光谱吸收指数模型SAI（王晋年，童庆禧等，1996）：
SAI=∑fiSAIi，∑fi=1，fi＞0 （2-3-4）
——高斯模型法MGM：该模型是基于矿物和岩石的反射、吸收光谱性质模拟反射光谱的各种模拟方法。它是一种确定性的而不是统计性的方法。高斯改进模型MGM 是近几年在分析反射光谱的基础上发展起来的分析技术（Cloutis，1989，Veverka，J.et al.，2000）。
m（x）=S*exp（-（xn-μn）2/2σ2）， （2-3-5）
通常取n=-1。
光谱识别与分类技术（Spectral Classification）：主要是利用地物高光谱特征的量化参数，结合其在图像空间上分布进行提取有利的信息，达到分类的目的。主要的分类方法有：
——最大似然法MLC：
g（x）=-ln｜∑i｜+（x-mi）t∑i-1（x-mi），（2-3-6）
——人工神经网络技术ANN：一般采用前馈网络模型，即第一隐层的节点输入等于输入层诸节点输出的加权和。迭代的次数以系统的平均误差为最小时为准。
成像光谱岩矿识别方法技术研究和影响因素分析
——光谱角制图法SAM（Spectral Angle Mapper）：该方法是通过计算测试样本光谱矢量（像元光谱）与参考光谱矢量（训练的端员样品光谱，或标准光谱库的光谱），在n维空间（n波段）上的角度来确定它们两者的相似度。一般两矢量之间的角度越小，两光谱向量越相似，进而可识别两种地物为同类，否则视为异类。数学模型是：
成像光谱岩矿识别方法技术研究和影响因素分析
这里i=1，2，3，……，n，n为波段数。
——光谱维特征提取法（Spectral Dimension Feature Extraction）：在高光谱遥感分类中，使用该方法对多波段、高相关、数据冗余度高的数据进行降维处理。相关的有统计方法，如主成分、典型变量及改进的PCA法等。
——光学模型（Optical Modeling）：除了前述的数据分析及模型外，植被因其特有反射性质，还有独特分析模型（光学模型）。该模型主要利用高光谱遥感数据预测或估计植被的多种生物物理、化学参量，如叶面指数LAI、总生物量、覆盖度等；叶绿素、水分、N、P、K含量等。该模型也属于经验性的统计模型方法。一般性通用模型为：
S=f（λ；θs，Φs；θv，Φv；С）， （2-3-9）
这里S为预测的生物物理、化学参数；λ是波长；θs，Φs，θv，Φv是入射光和传感器探测几何位置参数，C是描述植被冠层为特性参数。依靠法的模型有叶子光学性质光谱模型PROSPECT，叶子的任意斜散射模型SAIL，即生化参量反演的LIBERTY模型等。
高光谱在植被应用中除了生物、化学参量的反演分析外，还注重利用植被光谱特性谱线的蓝边、反射峰、黄边、红光吸收谷、红边、近红外反射高原区等变化及数据的归一化、对数、微分等变换，来监测植被的长势及病虫害，进行森林识别、分类、制图（Clark，R.N.，Roush.T.L.，1984）。
2.3.2.4 光谱数据应用处理分析软件
通过开展岩矿高光谱特性测试分析和成像光谱方法技术及应用分析研究，已发展并开发了如下数据处与分析软件：
2.3.2.4.1 光谱数据库及分析软件（400～2500φ）
国外：美国地质调查所USGS和JPL的标准矿物光谱库（含机载光谱）及光谱分析管理软件SPAM，IRIS，日本地调所的岩石矿物光谱库等（http://speclib.jpl.nasa.gov；http://speclab.cr.usgs.gov；Kruse F A et al.1993）。
国内：中国科学院安徽光学研究所、中国科学院遥感应用研究所、原地质矿产部航空物探遥感中心等科研单位都已建自己的光谱库（王润生等，2000）。
2.3.2.4.2 图像处理分析软件
目前国内外常用的光谱图像处理分析软件有：Erdas、PCI、ENVI等。其中PCI和ENVI都有高光谱分析处理功能（ENVI User’s Guide.，2000）。此外，还有像Tetricorder（Clark，R.N.，G.A.Swayze，K.E.Livo，2003）。国内通过高光谱遥感方法技术及示范应用研究，中国科学院遥感应用研究所、国土资源部航空物探遥感中心相继建立了成像光谱数据分析处理系统，如：HIPAS，ISDPS等。
Ⅲ 遥感光谱数据的获取
遥感技术从航空摄影测量逐步演变发展起来，大致经历了3个发展阶段：
1.航空摄影测量发展阶段
目前仍保存着的最早一帧航空相片是1860年J.W.布莱克从气球上拍摄的波士顿市的相片。在地质上的应用则始于1913年，有人在飞机上用摄影机对着非洲利比亚的本格逊油田摄影成像，并用这套肮空相片编制了本格逊油田地质图。航空摄影遥感主要以飞机或者气球为运载工具，用航空摄影机对目标获取信息，然后再经过负片和正片过程得到最终的航空相片。航空摄影利用的是电磁波可见光全色波段，用感光胶片接受所摄目标物反射来的太阳光线感光、成像，一般感光片的感光范围是0.3～0.9μm。航空摄影大多数情况下是垂直摄影，即航空摄影机主轴保持沿铅垂方向进行拍照；在特殊情况下，利用专门相机进行斜倾摄影。航空摄影按所利用的电磁波波段、相应的感光片及所成图像的特点，分成4种，即：航空可见光全色黑白图像；航空可见光真彩色图像：航空红外假彩色图像：航空红外黑白图像。其中，航空可见光全色黑白图像和航空红外假彩色图像最为常用，它们主要利用地物波谱的宽波段反射强度特性。
2.多光谱卫星遥感阶段
数字卫星成像首先是从气象卫星开始的，在1960年TIROS-1气象卫星提供了非常粗糙的卫星图像，主要用来展示云的样式。随后，在1970年代，美国国家海洋和大气管理局（NOAA）发射了甚高分辨率辐射传感器（AVHRR）进行气象预报，它的地面分辨率是1.1km，我们在电视气象预报节目中看到它所获得的云图。同时，从1970年代开始，相继发射了一些搭载更高分辨率传感器的卫星。如：1972年7月23日，美国国家航空和宇宙航行局（NASA）发射了第一颗专门用来进行地球表面监测和填图的地球资源技术卫星（ERTS-U），1975年被更名为陆地卫星（Landsat）。在Landsatl-3上都装有多光谱扫描仪（MSS），该扫描仪有4个波段，即绿、红和两个红外波段，地面分辨率约为80m。1982年，Landsat4搭载了专题制图仪（TM），它有7个波段，比MSS覆盖波谱范围更宽，波段宽度划分得更细些，更能反映地物反射光谱特性的变化规律，其地面分辨率除第6波段为120m外，均为30m。多光谱遥感的最典型特征是能够利用多个波段同时获取同一目标的多个波谱特征。这样就大大提高了遥感识别地物的能力。随后各国纷纷效仿，传感器的光谱范围从可见光、红外直至微波波段，应用范围也不断扩大。
3.成像光谱遥感技术发展阶段
成像光谱遥感技术是多光谱技术发展的一次跨越。Hunt的研究结果表明特征矿物的吸收宽度大约在20～40nm，而多光谱遥感数据（例如，MSS和TM）的光谱分辨率仅为100nm左右，因此遥感科学家们开始研究高光谱分辨率和空间分辨率的遥感传感器。1981年，一台航天飞机多光谱红外辐射计（SMIRR）随着美国航天飞机“哥伦比亚”号对地球表面进行了一次有限航带的观测，第一次实现了从空间通过高光谱分辨率遥感直鉴别碳酸盐岩以及粘土高岭土矿物，由此拉开了成像光谱遥感岩性识别的新篇章。继JPL的AIS-1和AIS-2以及AVIRIS航空成像光谱仪研制成功之后，加拿大也先后研制成功了FIL/PML，CAS1及SFSI等几种成像光谱仪（童庆禧等，1993）。其他的还有：HIRIS（high resolution imaging spectrometer）成像光谱仪，在0.4～2.5μm范围内有192 个光谱波段，地面分辨率30m，在0.4～1.0μm波长范围光谱分辨率为9.4nm，1.0～2.5μm范围内为11.7nm（Goetz＆ Herring 1989；Kerekes ＆ Landgrebe，1991）。美国地球物理环境研究公司（Geophysical and Environ-mental Research Corporation）的63通道成像光谱仪（GER）是专门为地质遥感研究设计的，被多次用于岩性填图（郑兰芬等，1992；Bamaby W rockwell，1997）。除航空成像光谱仪外，美国和欧洲空间局（ESA）已制定了发展航天成像光谱仪的计划，其中美国的中分辨率成像光谱仪（MODIS）已经加入地球观测系统（EOS）发射入轨，对地球实现周期性的高光谱分辨率遥感观测。欧空局的中分辨率成像光谱仪（MERIS）也将于同时发射（童庆禧等，1993）。
从1990～1995年，Roger N.Clark等人先后利用AVIRIS数据在美国内华达州，卡普来特试验场进行了矿物和岩性的识别和填图，他们发现成像光谱仪不仅能区分地表发射光谱中总体亮度和坡度差异（多光谱技术MSS，TM和SPOT区分地物的基础），而且能得出用于识别特殊地物的光谱吸收波段，成像光谱数据的光谱分析可以对任何在测量光谱范围内有独特吸收特征的物质（矿物、植被、人T物体、水体、雪等）进行识别和填图（Clark，R.N.et al.，1996）。
中国科学院上海技术物理研究所是我国成像光谱仪的主要研制机构。1983年研制成功了第一台工作于短波红外光谱区（2.05～2.5μm）的6通道红外细分光谱扫描仪，其光谱分辨率在30～50nm之间。1987年，在国家和中国科学院黄金找矿任务的驱动下，该仪器发展到12个通道，其波段位置更趋于与地面粘土矿物、碳酸盐岩矿物的吸收波段相一致，因而在地质岩性识别方面具有更大的能力（童庆禧等，1993）。另外还有热红外多光谱扫描仪（TIMS），19 波段多光谱扫描仪（AMSS）以及71波段多光谱机载成像光谱仪（MATS）等。这些光谱仪的数据主要用于油气资源遥感（朱振海，1993）和矿物制图（王晋年等，1996）等方面，数据的处理技术和矿物识别的理论研究都取得了不同程度的进展（李天宏，1997）。
综观遥感光谱数据的获取，具有几个新的发展：
①扩展了应用光谱范围，增加了光谱波段；②提高了光谱和空间分辨率；③具有获得立体像对的功能，打破了只有航空相片才能有立体像对的能力（如SPOT图像）；④改进了探测器性能或探测器器件，即线、面阵CCD器件；⑤提高了图像数据精度；⑥应用领域纵向发展，如用TM图像数据直接可以识别赤铁矿、针铁矿等矿物。
在20世纪末和21世纪初，空间高光谱成像卫星已成为遥感对地观测中的一项重要前沿技术，在研究地球资源、监测地球环境中发挥越来越重要的作用。
高光谱分辨率遥感技术的发展是20世纪末的最后两个10年中人类在对地观测方面所取得的重大技术突破之一，是当前乃至21世纪初的遥感前沿技术、通过高光谱成像所获取的地球表面的图像包含了丰富的空间、辐射和光谱三重信息。进入20世纪90年代后期，伴随着高光谱遥感应用的一系列基本问题，如高光谱成像信息的定标和定量化、成像光谱图像信息可视化及多维表达、图像-光谱变换、大数据量信息处理等的解决、高光谱遥感已由实验研究阶段逐步转向实际应用阶段，而作为高光谱遥感应用这一热点中的重点就是高光谱数据信息挖掘技术的提高和与之紧密相连的应用领域的扩展。
高光谱遥感数据最主要的特点是：将传统的图像维与光谱维信息融合为一体，在获取地表空间图像的同时，得到每个地物的连续光谱信息，从而实现依据地物光谱特征的地物成分信息反演与地物识别。它由以下3部分组成：
（1）空间图像维
在空间图像维，高光谱数据与一般的图像相似。一般的遥感图像模式识别算法是适用的信息挖掘技术。
（2）光谱维
从高光谱图像的每一个象元可以获得一个“连续”的光谱曲线，基于光谱数据库的“光谱匹配”技术可以实现识别地物的目的。同时大多数地物具有典型的光谱波形特征，尤其是光谱吸收特征与地物化学成分密切相关，对光谱吸收特征参数（吸收波长位置、吸收深度、吸收宽度）的提取将成为高光谱信息挖掘的主要方面。
（3）特征空间维
高光谱图像提供一个超维特征空间，对高光谱信息挖掘需要深切了解地物在高光谱数据形成的二维特征空间中分布的特点与行为，研究发现：高光谱的高维空间是相当空的，数据分布不均匀，且趋向于集中在超维立方体空间的角端，典型数据的差异性，可以映射到一系列低维的子空间，因此迫切需要发展有效的特征提取算法去发现保持重要差异性的低维子空间，从而有效地实现信息挖掘。
Ⅳ 光谱特征分析与提取
6.1.1 基于光谱重排的光谱特征提取方法
首先，针对光谱吸收特征受噪声影响较大的问题，对数据进行最小噪声分量正变换，消除噪声后，再将最小噪声分量特征空间的数据变换回原数据空间，即最小噪声分量反变换；然后针对单个吸收不稳定、光照等对光谱幅值影响较大等问题，提出在连续去除的基础上，利用所有吸收特征并将光谱吸收特征按吸收深度由强至弱重排，从而实现稳定、可靠的光谱特征提取。
（1）最小噪声分量变换
在实际应用中，地物光谱吸收特征对噪声敏感，因此，在进行特征提取之前，研究中引入了最小噪声分量变换（Minimum Noise Fraction，MNF），去除噪声对特征提取影响的同时去除数据相关性。
MNF变换是Green等人在主成分分析理论的基础上改进得到的。通常被用来去除数据中的噪声成分，同时确定高光谱数据的本征维数，从而减少后续处理的运算量。
该方法以噪声协方差的估计矩阵为基础，调整噪声的取值并去除其波段间的相关性。在结果数据中噪声的方差为1，并且在波段间无相关性。假设高光谱数据X＝［x1，x2，…，xm］T可以表示为
X ＝ Z ＋ N （6.1）
式中：矩阵Z，N分别是理想信号和噪声矩阵，且彼此不相关；第i 波段的噪声分量定义为NFi ＝
∑X，∑Z和∑N分别为可观测信号、理想信号及噪声的协方差矩阵，并且有
∑X ＝∑XZ ＋∑N （6.2）
假设F为∑N的白化矩阵，∑N的特征值矩阵为
高光谱遥感技术原理及矿产与能源勘查应用
高光谱遥感技术原理及矿产与能源勘查应用
式中：I为单位矩阵，矩阵
假设∑w＝F T∑X F为噪声白化之后的观测数据的协方差矩阵，∑w矩阵特征值组成的对角矩阵为
高光谱遥感技术原理及矿产与能源勘查应用
于是得到最小噪声分量变换矩阵：
高光谱遥感技术原理及矿产与能源勘查应用
由式（6.6）得观测信号最小噪声分量变换后的矩阵为
T ＝ MTX （6.7）
经过式（6.7）变换之后，可观测信号各个波段间彼此不相关，且各个波段按信噪比由大到小排列
（2）光谱重排
不同地物的光谱信息是不相同的，因此，高光谱遥感提供的地物精细的光谱信息可以直接作为特征提取与目标识别的依据，比如利用红边、绿峰、NDVI等特征可以提取植被。但当不同地物之间的光谱在形状、幅值、变化趋势等指标大致相同的时候（即光谱特征相似），提取区分不同地物显着特征是非常困难的，即地物之间的不相关性均匀地分布在各个波段；此外，由于单个光谱吸收特征容易受到光照条件、大气等影响使得提取的光谱特征参量不稳定。因此，针对以上问题，研究中提出了基于光谱重排的特征提取方法，根据光谱吸收深度的由强到弱排列，剩余的没有吸收特征波段则按波长由小到大排列。
光谱重排的实现过程如下：
1）通过不同阶数的微分值确定的光谱弯曲点、最大最小光谱反射率及其波长位置，计算连续统去除后目标光谱的吸收位置λM 及其反射率值ρM、吸收深度H、吸收左右肩（ρL，ρR）及其反射值（λL，λR），并且吸收深度H的计算公式如下：
H ＝ d × ρL ＋（1-d）× ρR-ρM （6.8）
d ＝（λL-λM）/（λR-λL） （6.9）
2）将目标光谱按照吸收深度H由强至弱进行排列，若无吸收特征，则按波长由小到大进行排列；
3）以目标光谱为基谱，将图像数据光谱按照目标光谱重排后的波长进行排序。
该方法有效地利用了高光谱遥感数据提供的地物所有吸收特征，增加了特征提取的稳定性和可靠性；并且通过大量的实验发现，任何两种不同地物的光谱通过光谱重排之后，区分不同地物的显着特征更加明显，增加了类别间的可分性。
（3）算法实现
基于光谱重排的抗噪声光谱特征提取方法的实现流程如图6.1所示。该方法中为了消除噪声对光谱吸收特征参数提取的影响，引入了MNF变换；为了有效抑制由于光照条件、传感器等因素产生的光谱幅值变化对光谱特征提取的影响，引入了连续统去除操作；为了克服单一特征不稳定、不同地物光谱特征相似等问题，提出了光谱重排的方法。
（4）实验分析
为了验证上述研究中方法的有效性和可行性，采用AVIRIS航空高光谱数据进行实验分析，并利用光谱之间的光谱角进行可分性的定量化分析。
实验数据为1995年7月在美国内华达州Cuprite矿区AVIRIS航空高光谱数据，并且使用ATREM方法校正得到了地表反射率，波段范围为1990～2480nm，空间分辨率20m，光谱分辨率10nm，数据大小为255 × 350 × 50。
图6.1 光谱特征提取方法实现流程
该研究区域的矿物分布图如图6.2（a）所示，从数据中提取高岭石光谱曲线如图6.2（b）所示，光谱重排后的光谱如图6.2（c）所示。高岭石、明矾石、布丁石及热液硅石特征提取前的光谱比较如图6.3（a）所示，以高岭石光谱为基谱，光谱重排后四种矿物的光谱特征如图6.3（b）（图中的光谱曲线纵坐标做了平移处理）所示。利用光谱角的方法进行四种矿物光谱重排前后可分性的比较，结果如表6.1和表6.2所示。
图6.2 高岭石矿物光谱比较
图6.3 四种矿物光谱比较
表6.1 原始光谱数据四种矿物的可分性
表6.2 重排后光谱数据四种矿物的可分性
由图6.2和图6.3可以看出，经光谱重排后，高岭石矿物光谱吸收特征按吸收深度的强弱进行了重新排列，较好的显现了高光谱所有吸收特征及主次吸收特征的变化；并且明矾石与高岭石矿物在2200 nm的光谱特征由于吸收宽度等不同而能将二者较好的区分。由图6.3与表6.2可以看出，经过光谱重排后，高岭石与其他三种矿物的可分性均存在不同程度的增大，特别是，高岭石与明矾石的可分性从0.1978增加为0.225；为后续矿物识别与分类等处理奠定了良好的基础。
图6.4 SAM方法矿物识别结果
为了进一步验证该方法的性能，进行了利用该方法以及基于SAM方法的矿物识别结果比对分析。利用原始光谱进行光谱角匹配识别的结果如图6.4所示。利用基于光谱重排的抗噪声特征提取方法得到的数据进行矿物识别，结果如图6.5 所示。可以看出，两种方法均能实现四种主要蚀变矿物的识别，但是，采用原始光谱进行识别的结果中存在着一定程度的矿物混淆，并且布丁石的识别结果混淆尤其明显；而在研究方法中进行特征提取基础上得到的矿物识别结果矿物混淆明显降低，取得了较好的识别结果，证明了上述研究中提出的方法的优越性能。
图6.5 基于光谱重排特征提取方法矿物识别结果
6.1.2 吸收波长加权匹配方法
光谱曲线往往包含了许多由噪声引入的无效特征，利用同类地物光谱特征求交，实现了有效吸收波长、吸收深度的提取；常用的SAFP匹配方法中，只有参考光谱和测试光谱的特征在相同的波长位置时，两条光谱才被判为相同，匹配准则比较苛刻，导致由于噪声等因素影响光谱特征而无法匹配，吸收波长加权匹配法利用偏移加权矩阵实现了吸收波长的容偏匹配，大大增加了匹配的准确性，降低了外界因素对吸收参量特征的影响。
对同类地物光谱曲线特征求交，得出识别地物的有效特征；地物光谱的诊断吸收特征总是出现在特定的波段上，在某些情况下会有局部的偏移；对吸收特征的中心波长进行匹配，并容许一定程度的波段偏移，容许程度用偏移加权矩阵来度量，能够对地物光谱实现精确的识别。考虑到实际应用噪声及系统误差引入的干扰，用吸收深度对单个中心波长进行加权，吸收深度小的吸收特征对整体相似度的贡献小，吸收深度大的吸收特征对整体相似度的贡献大，这样一定程度上抑制了无法去除的非有效特征的影响。
（1）吸收波长加权匹配的实现
有效吸收特征的精确提取和容偏匹配实现流程如图6.6所示，具体包含以下几个步骤：
1）对参考光谱连续统去除。利用导数法确定各吸收特征的中心位置和左右肩对应的波长后，利用下列公式提取吸收特征中心波长和吸收深度：
高光谱遥感技术原理及矿产与能源勘查应用
式中：
没有标准参考光谱时，参考光谱通过训练样本得到。通过上述方法提取各条参考光谱的吸收中心波长和吸收深度后，对所有训练样本的吸收特征参数求交，方法如下：
光谱A和B的所有吸收特征为feature_a，feature_b，A的第i个波段上存在特征，对feature_b计算：
judge ＝ Weight·feature_b（［i-BandOffset：i ＋ BandOffset］） （6.11）
如果，judge＞0 ，则光谱A的第i个波段上的特征为有效特征。
得到参考光谱共有的有效特征，此处需要记录的是有效特征的位置和吸收深度的大小，保存在向量EffFeatureIndex和Depth中。
2）提取未知光谱所有吸收位置和对应的吸收深度特征，记录在FeaturePos和FeatureDepth；
图6.6 中心波长加权匹配流程图
未知光谱特征与参考光谱有效特征按位匹配，匹配方法包含两个参数，容许波段偏移数BandOffset和偏移加权矩阵Weight。
3）找到参考光谱第i个特征位置，生成特征检验区间：
TestIndex ＝（i-BandOffset）：（i ＋ BandOffset） （6.12）
计算特征检验值：
TestValue ＝ Weight·FeatureDepth（TestIndex） （6.13）
TestValue不为0 ，则说明未知光谱对应位置存在有效特征，反之则不存在，未知光谱中的识别特征所在波段记录在向量EffIndex中。
4）重复3）的过程，直到对未知光谱的所有有效特征进行了检测，未知光谱中识别特征存在的波段记录在向量EffIndex中。
5）对吸收位置用吸收深度加权匹配，匹配度的计算公式如下：
高光谱遥感技术原理及矿产与能源勘查应用
6）根据匹配度degree的值判断未知光谱与参考光谱的近似程度，阈值Thresh手动选择，根据经验，在用吸收深度加权的匹配方法中，Thresh＝0.8就能获得较高的识别率。
用吸收深度加权对吸收特征中心波长进行容偏匹配的关键在于：有效吸收特征的准确提取和偏移加权矩阵Weight或容许波段偏移数目BandOffset的选择，反射率曲线所有吸收特征的精确提取是前提，偏移加权矩阵的确定需要根据对像光谱的采样间隔来确定，Weight的分量的个数为2 × BandOffset＋1；并且有效特征提取和特征识别过程使用的偏移加权矩阵Weight可以不同，光谱采样间隔较大时，可以选择Weight的各个分量服从高斯分布。
（2）基于USGS光谱库数据的实验与结果分析
图6.7（a）为USGS矿物光谱库中六条绿泥石连续统去除后反射率曲线；波段偏移参数BandOffset＝1，对应的容偏矩阵Weight＝［1，1，1］；即两条光谱的特征相差一个波段以下认为该特征为有效特征；绿泥石的有效特征见图6.7（b），用方框标记出了吸收谷的波长位置；图6.7（c）给出了利用吸收波长加权匹配方法得到的绿泥石有效特征；图6.7（d）给出了绿泥石和阳起石反射率光谱。
图6.7 有效特征提取
匹配加权矩阵Weight＝［1，1，1］表示容许两端偏移，Weight＝［0.1，1，0.1］表示不容许偏移；两情况对应的相似度见表6.3和表6.4。对比表6.3和表6.4的相似度值可以看出，容许波段偏移后，绿泥石光谱间的相似度明显变大。利用图6.7（c）的有效特征对图6.7（d）所示的阳起石和绿泥石光谱进行Weight＝［1，1，1］匹配，近似度见表6.5，用绿泥石的有效光谱能有效的识别出绿泥石光谱与阳起石光谱的差异。
表6.3 绿泥石光谱识别Weight＝［1，1，1］
表6.4 绿泥石光谱识别Weight＝［0.1，1，0.1］
表6.5 阳起石和绿泥石识别Weight＝［1，1，1］
（3）基于AVIRIS数据的实验与结果分析
利用内华达州Cuprite矿区的AVIRIS数据进行基于吸收波长加权提取方法实现矿物匹配识别研究。利用的矿物端元光谱如图6.8所示，识别结果如图6.9所示。
从地质图6.2（a）与结果图6.9比较可以看出，该方法对具有明显光谱吸收特征的明矾石和高岭石矿物具有较高精度的识别效果，但是对于吸收特征较宽、较浅的白云母和布丁石的识别效果则较差。
图6.8 算法中用到的端元光谱
图6.9 基于吸收波长加权特征提取的矿物匹配识别结果
Ⅳ 端元光谱选取与信息提取
3.1.3.1 端元数目的确定
一个混合像元可能包含了几种地物类别，所以确定端元的数目是进行光谱线性分解的前提，也是整个光谱线性解混技术中必不可少的一个环节。对于多光谱数据常用的方法是根据主成分分析（PCA）中协方差的大小来判定端元数，但是其分析方法比较粗糙，而对于含有上百个窄波段的高光谱遥感影像来说，主成分分析方法很容易把细微的光谱信息归到噪声部分（Chang C，2007）。因此，目前常用的针对高光谱遥感影像确定端元数目的方法是基于Neyman－Pearson探测理论的特征阈值分析方法（Harsanyi et al.，1994），简称HFC（Harsanyi，Farrand，Chang）。本章也采用此方法进行端元数目的确定。
HFC原理是通过对影像进行矩阵的相关计算，分别得到其相关矩阵Rm×n和协方差矩阵Km×n及其特征值，并把特征值分别记作 。
如果影像的信号能量为正，则有
高光谱遥感影像信息提取技术
式中：n即为端元数目；m为高光谱影像的波段数。
即便是没有采用主成分分析的方法，也不可避免的有部分弱信号被认作是噪声信号被排除掉，因此，为了尽可能地减少这种现象的发生，在计算端元数目之前最好进行白化处理（Gruninger et al.，2004）。
3.1.3.2 端元的提取
高光谱影像端元提取的方法目前研究的较为深入，研究者从不同的角度提出了很多实用性的提取方法，其中较为常用的有纯像元指数（PPI）、内部最大体积法（N－FINDR）、顶点成分分析（VCA）、单形体投影方法（SPM）、顺序最大凸锥（SMACC）、迭代误差分析（IEA）、外包单形体收缩（SSWA）、最小体积单形体分析（MVSA）、凸锥分析（CCA）、光学实时自适应光谱识别系统（ORASIS）、自动形态学（AMEE）、最大距离法（MaxD）、最大体积法（MaxV）、最大零空间投影距离法（NSP）、定量化独立成分分析法（ICA）等（张兵等，2011）。本章采用的端元提取的方法是顺序最大凸锥（SMACC），它提供了更快、更自动化的方法来获取端元波谱，但是它的结果近似程度较高，精度较低。由于本章的研究目的是一种改进型的线性分解方式，不是集中在端元选择问题上的研究，因此使用SMACC虽然不是最好的算法，但是完全可以达到本章实验的目的。
SMACC算法（Gruninger et al.，2004）在提取端元的同时可以获得丰度反演的结果，它的基本原理是通过迭代的方法来获取端元，经过数次迭代，每次都不断地计算和调整各个端元在混合像元中所占的比例，并且利用投影变换消除端元之间的相互影响。其中，最关键的步骤就是判断该像元中是否有该端元，并且是否需要进行斜交投影（或正交投影）。具体算法如下：
设原始像元集表示为 ，其第j次迭代前的像元集合表示为 ，第j次迭代前的端元集合表示为 ，wj表示每次迭代时的投影方向，Xj－1为最长的光谱向量，则Xj－1在wj方向上的投影系数为
高光谱遥感影像信息提取技术
ej在xi中的比例系数为
高光谱遥感影像信息提取技术
式中：βij为调整系数，当βij＝1时为正交投影，否则为斜交投影。经过多次迭代，最终可以得到的ej在xi中的比例系数 。
像元的投影结果为
高光谱遥感影像信息提取技术
其中，系数βij调整的原则为：当Oij≤0时，βij＝0，表示没有该端元；否则，根据
高光谱遥感影像信息提取技术
通过计算vk得到其中的最小值，记为vmin。当vmin＞1，则βij＝1，为正射投影；否则为斜交投影，βij＝vmin。
3.1.3.3 混合像元地物信息提取及其分类
经过对混合像元光谱曲线构建的矩阵进行分解，可以得到每一类端元光谱在混合像元中的丰度值fj（j＝1，2，…，n），但是对高光谱影像的分类或地物信息提取是按照以像元为基本单位进行划分的，也就是说在分类或地物提取中，一个像元不可能被涂上不同的颜色，因此，为了便于分类，选取fj中值最大的一个对应的端元作为该混合像元的地物种类，即Max（fj）（j＝1，2，…，n）对应的端元。
Ⅵ 如何根据高光谱图像数据提取其空间特征
特征提取和特征选择是模式识别的关键问题之一，它影响到分类器的设计及其性能．高光谱图像数据
是超高维多特征数据集，如何实现高维特征空间的特征压缩和特征提取是一个重要课题．基于高光谱图像谱图合一、数据维度高的数据结构特点，该文从光谱和图像两个层面分别综述了主成分分析、最小噪声分离、独立成分分
析等光谱特征提取方法以及基于颜色、纹理、形状等图像特征提取方法．还详细介绍了核主成分分析和投影寻踪方
法这两种高光谱特征提取新方法，并给出了以上方法的应用实例．特征提取和特征选择的研究将为后续的高光谱图
Ⅶ 光谱维特征提取方法
特征是对象所表现出来的各种属性与特点。在遥感图像分析中特征提取可以从两个意义上来实施：一种是按照一定的准则直接从原始空间中选出一个子集（即子空间），实践中的波段选择即属于此类；另一类是在原始特征空间和新特征空间之间找到某种映射关系P，P：x→y，将原始特征空间x=｛x1，x2…，xn｝ 映射到维数降低了的特征空间y中去，y=｛y1，y2…，ym｝，m＜n。对于用于分类目的的特征提取，好的特征提取方法能使同类物质样本的分布具有密集性，而不同类物质的样本在特征空间中能够隔离分布，为进一步分类打下良好基础。因为高光谱数据具有波段多、波段间相关性高及数据冗余度高等特点，所以对高光谱遥感数据的特征提取具有特殊意义。遥感图像特征提取包含的内容非常广泛，提取方法也很多，光谱维特征提取和空间维特征提取是表现图像特征提取的两种主要方法。这里主要介绍适用高光谱数据的一些光谱维特征提取方法，主要涉及主成分分析法，典范变量分析法及改进的CA方法。
主成分分析是一种把原来多个指标化为少数几个相互独立的综合指标的一种分析技术。对波段间高度相关的数据非常有效（Cloutis，1996）。PCA技术已被用在不同的地质遥感项目，包括宽波段和高光谱数据（Lee等，1990；Resmini等，1997，Fujimura ＆ Kiyasu，1994）。由于高光谱数据波段间的相关性、高冗余度，直接利用所有的原始波段作分类或特征提取显得很不经济。因此先对原始数据作PCA变换，然后对少数几个综合指标（成分）分析将会收到事半功倍的效果。在高光谱数据分析中，PCA技术可将总体大部分方差集中在前面少数几个主成分中。于是，人们利用这少数几个主成分做一些地质分析，如利用前3个主成分的假彩色合成图判读地质矿物信息，进而成图。但在主成分合成图上的彩色在不同的图像上是变化的，并不代表一定的地质矿物成分，除非有相似的地质露头和覆盖，更困难的是，我们不能根据岩石、土壤和矿物等反射光谱作指示来判读主成分合成图上的彩色。另外，确定每个主成分的物理意义也相当困难。再者，矿物的显着变异可能仅引起光谱的细微差异，这种细微差异常被淹没在高方差的主成分中而被忽略。因此PCA可能较适宜用来粗略地识别光谱差异显着的矿物和岩性类别，而不是定量的矿物识别和制图（Coutis，1996）。
Jia＆Richards（1999）发展的分块主成分分析法用于特征提取，取得了一定的分类和显示效果。类似3.3，4中建立的SMLDF判别函数的思想，他们将全部波段的相关阵按照相邻波段的相关性分成若干块。一般高度相关的块沿对角线分布，而相关性低的块远离对角线。块矩阵本身集合了相邻波段间相关性高的波段。因此沿相关矩阵对角线可分成若干块（波段组），并对每组进行主成分变换，最后将每组的重要特征（主成分）再重新组合在一起作为进一步主成分分析与特征选择之用。
典范分析也是将较多的变量化为少数几个典范变量，通过这较少的典范变量之间的相关性来综合地描述两个多元随机变量之间关系的一种数学方法（唐守正，1986）。假如我们有两个多元随机变量（设x为p维随机变量，y是q维随机变量），如何描述这两个多元随机变量之间关系的紧密程度呢？直接的方法就是逐一计算两个多元随机变量各分量之间的相关系数或其他相似系数，可计算出p×q个相关系数。但这样做既繁琐，也不能本质地说明这两个随机变量总体相关水平。类似主成分分析，从每个多元随机变量中造就数个“综合变量”——典范变量。在求算两随机变量各自典范变量过程中得到的特征根即为对应典范变量对的典范相关系数。如果将非零特征根按从大到小排列，则最大的特征根即为第一对典范变量（分别对应x和y）的相关系数，如果典范相关系数越大，则说明这一对典范变量关系越紧密。一般在实践中只取前面k（k＜p，q）个典范相关系数和典范变量进行分析，舍去后面的典范变量已无关紧要，这达到了特征提取的目的。在利用高光谱数据进行岩性识别分类时，首先可以将高光谱图像数据分成若干未知岩性的类别，然后在每个类别中抽取一定的样本（象元）数，同时抽取已知岩性一定的样本数，组成两个类似前述的多元随机变量（一个为已知岩性，另一个为未知岩性）的样本并计算它们前面数对典范变量。如前面数对典范变量（通常为3对）关系紧密（反映在它们相应的特征根上），这个未知岩性的类别就很有可能与已知岩性为同类岩性，反之就可能不是。实践中前面数对典范变量关系紧密程度靠经验裁定。以此类推，可以将研究区内所有未知岩性的类别与已知岩性的类别求算两两典范变量对，并根据它们各自的相关紧密程度和判据决定未知岩性类别的归属。
PCA主要想最大限度地将不同类别分开，而典范分析则是在低维变量间寻找能代表高维变量的相关性，以达到分类、识别目标物的目的。典范分析在高光谱地质应用中潜在的功用与PCA技术大部分是一致的。
刘建贵（1999）在分析K-L变换性质的基础上，根据高光谱数据用于城市目标物识别提取的特点，提出了面向分类的特征提取的CA改进方法。选择适当的变换矩阵，同时考虑类内与类间距离的CA方法，设法使原特征空间的各类的样本点在光谱维上的投影能使类间距离与类内距离的比值达到最大。这种比值称为广义瑞利商。根据这一原则来决定变换矩阵的选择。刘建贵（1999）用这种改进的方法实施对北京市沙河镇城市地物特征的提取。具体处理过程：①对原始高光谱图像进行预处理，得到相对反射率图像；②选择最终成分光谱，即需要分类的类别数，最终成分光谱根据图像及地面调查的情况进行，共找出11个类别；③对每一类统计出均值向量和协方差阵；④求出每两个类别对之间的类间和类内距离，利用CA变换方法求出变换特征；⑤求出该两个类别对应于每个原始波段的巴氏距、加载系数（刘建贵，1999）以及变换域每个特征的巴氏距、每个特征度量维上的类间类内距离比，加载系数可通过CA变换成分与波段间的相关性求算；⑥找出最优特征。实验结果表明这种特征提取方法非常有效。采用这种方法，提取的特征能够增加样本的类内凝聚度和扩大类间距离，同时消除波段问的相关性，因而能改善分类性能。
Ⅷ 基于光谱特征的信息提取与分类过程
地物光谱特征研究是现代遥感技术的重要组成部分。它既是传感器波段选择和设计的依据，又是遥感数据分析解译的基础。遥感探测是成像空间地理实体的电磁波谱和辐射能特征。具有明确的物理意义，而基于光谱特征的信息提取与分类，是通过遥感光谱数据的变化规律来识别和研究地物类型。因此，研究不同地理实体的光谱表达模型，是有效地提取专题信息的关键。
1.金属硫化物矿床近矿围岩岩石光谱特征研究
图3.3.1是东秦岭地区比较有代表性的几种近矿蚀变岩及含矿体的反射波谱曲线。从波谱曲线形态可以看出，金属硫化物蚀变带在蓝绿波段（0.4～0.6μm）和近红外（0.85～1.1μm,2.2～2.4 μm）波段呈强吸收特征；在红光（0.6～0.85μm）波段和近红（1.28～1.46μm）波段出现强反射峰。硅化蚀变岩及含羟基的蚀变岩类反射波谱曲线形态比较接近，其吸收带仍然位于0.4～0.55μm、0.85～1.1μm、1.9～2.3μm波段内，而在0.6～0.85 μm、1.48～1.88 μm波段内出现反射肩。
图3.3.1东秦岭地区近矿蚀变岩与矿化体反射波谱曲线
①高岭土化蚀变岩；②硅化蚀变岩；③金属硫化物蚀变岩
图3.3.2是东秦岭地区近矿蚀变带与近矿围岩的反射波谱对比曲线，成矿围岩与金属硫化物带波谱曲线相比，波谱响应趋向平缓，不出现大幅度跳跃的波峰或波谷。从波谱曲线形态可以看出，随金属硫化物带（矿体）的远离（矿化蚀变的减弱），波谱曲线走向平缓的趋势更加明显。其中安山岩类和大理岩类波谱形态相似，除在可见光蓝绿光段（0.4～0.6μm）出现一个较强吸收带外，红光到近红外光段基本是光滑的弧顶向上的曲线，虽然在1.4 μm、1.9μm处有弱吸收显示，但不出现明显的吸收谷和反射肩；片麻岩和花岗岩类为一条平滑的直线，基本无异常显示。从不同蚀变类型与不同近矿围岩的波谱对比中还可以看到，波谱曲线在0.4～1.4μm和1.9～2.5μm两个波段区间集约，仅在1.4～1.9 fμm波段区间呈离散状态，显示出较大的反射差。
图3.3.2东秦岭地区近矿蚀变岩及近矿围岩反射波谱曲线
①千枚岩；②片麻岩；③大理岩；④安山岩；⑤硅化蚀变岩
上述反射波谱曲线特征表明，蚀变岩与非蚀变岩类的反射波谱有较明显的差异，其中以1.4～1.9 μm波段离散程度最好，即Landsat-TM5波段应为提取矿化蚀变信息的最基本波段。1.9～2.4μm区段亦有一定的离散倾向，故Landsat-TM7可选作辅助波段；0.4～0.6μm波段相对1.4～2.5μm波段为强吸收带，Landsat-TM1、2可作为理想的匹配波段。
图3.3.3是阔叶林（接骨木）在不同状态下的反射波曲线。从曲线形态可以看出，随着植物病害程度的加重在0.6～0.7μm、1.4～1.6μm和1.9～2.4μm波段的吸收逐渐跃起，相反从0.7～1.4 μm段的反射峰跌落。从曲线的离散、集合特征来看，0.6～1.8μm、2.0～2.5μm波段离散程度最好。因此，处于其间的Landsat-TM4、7波段可作为基本应用波段，0.4～0.5μm波段相对为强吸收带，处于其中的Landst-TM1可作为基本匹配波段。
根据代数运算的原理，当波段间反射率差值相近而曲线斜率不同时，反射波段与吸收波段的比值处理，可在一定程度上扩展地物波谱的差异性，显示出动态范围。表3.3.1是根据地物反射波谱数据计算的不同组合比值数值表，从表中可以看出，作为提取蚀变岩带信息的基本应用波段、辅助波段和匹配波段Landsat-TM 5、7、1可以最大限度的显示出以铁帽、硅化、高岭土化、绢云母化为特征的蚀变岩与围岩背景的波谱差。如需要进一步区
图3.3.3河南上宫金矿区植被（接骨木）不同状态下的反射波谱曲线
1—正常；2—弱毒化期；3—强毒化期
分蚀变带的类型，则以7/1、7/2、5/1、5/2的比值合成处理可在一定程度上突出以Fe3＋为主体的蚀变岩信息。据实验研究，混合比值处理［(TM3×TM4)-K]/TM7则极大地压缩非蚀变背景信息，比值合成TM5/1(R)＋TM7/1(B)＋［(TM3×TM4)－K]/TM7(G）可突出蚀变信息，特别是以羟基（OH）矿物为代表的蚀变岩信息。在比值合成图像上，金属硫化物带应为暗红色，高岭土、绢云母化带应为亮黄色，非蚀变背景接近青色（见彩图）。
表3.3.1河南豫西地区遥感成矿特征波段比值一览表
表3.3.1是根据植被在不同状态下的反射波谱数据计算出的不同组合比值数值。从组合比值数值中可以看出，作为提取植被受重金属离子毒害信息在Landsat-TM4、7波段得到了比较好的波谱差。如果突出受害严重的区域，需要有混合波段比值处理，如COSTM4×TM7-K等。经实验研究，比值合成［COSTM4×TM3-K］(R)＋TM4/TM1(B)＋TM7/TM1(G）图像反映重害区为橘黄区，轻害区为接近白色，正常区接近青色；也可以用TM4(R)+TM7(B)+[COSTM4×TM7-K](G）图像，正常区为红色，轻害区接近粉红色，重害区接近白色。
2.反射波谱特征模式的应用原则
由于岩石反射波谱测试大多是在室内条件下进行的，而遥感传感器所记录的岩石反射率则为自然条件下的反映。岩石的反射波谱特征在自然环境中受植被、土壤、水分等因素的干扰，往往会产生较强的畸变。对于近矿蚀变带来说，遥感卫星所提供的矿化蚀变信息，常常与矿化蚀变带的水、土及植被等信息有关。当矿化蚀变带中含有较高的As、Hg、Pb等有毒元素和重金属元素时，植被因此可以出现较大范围的毒化反映；当蚀变带遭受强烈的风化剥蚀时，残留在地表多是硅质和含羟基的粘土质矿物集合体，而这种风化残积物的规模可远远超过蚀变带的分布范围。因此，在蚀变信息的提取过程中必须考虑干扰因素的存在，根据当地矿化蚀变岩的出露特征确定提取的目标物（植被毒化、Fe3＋、OH－），根据反射波谱的特征模式采取不同的运算公式，加以补救和筛选。
如秦岭山地植被盖率在70%左右，林木繁盛地区可达90%以上。该区主要植被类型为栎类与油松、华山松、白桦等混交林及灌草丛。据区域地球化学研究，崤山、伏牛山地区有色金属、贵金属金矿床多伴生有以 As为主的有害元素和以Cu、Pb、Zn、Mo为主的重金属元素，这些元素会在金矿蚀变带的分散晕圈半径内产生植被的有限毒害晕。根据这一特征，选择在风化残积物较薄、植被受毒害相对明显的伏牛山北坡为试验区，以植被生长状态反应比较敏感的Landsat-TM3、4、5、7波段为基础进行混合比值处理，工作程序见图3.3.4。
图3.3.4河南省伏牛山地区植被毒化晕的提取工作程序图
TM5/TM4、TM4/TM3比值是最佳的植被指数。它们对植被毒害程度的反映是一个反演序列，即植被从正常发育到毒害变态反射率分别在0.36～0.61～1.20(TM5/TM4）、6.25～3.3～1.3(TM4/TM3）降低（或称蓝移现象）。TM5/TM1对铁帽反应比较敏感，对植被中度以上毒害反应突出，它们的比值系数为3.38、2.90，分别高出背景值一倍以上。植被毒化区及蚀变区为高频域，通过滤波可压缩背景低频信息，高频域均可以鲜明的色调给以增高突出。
如图版Ⅰ.1所示，TM4/TM3(B）高值区位于植被毒害和蚀变岩区，R、G近等量合成后呈亮黄色调的局部斑块，即代表与矿化有关的信息。应指出的是，这种黄色斑并不确切指出矿化蚀变的现存位置，因分散晕的迁移造成的位置差，色斑往往位于矿化蚀变岩的下游。
熊耳山－外方山区，矿化蚀变均沿构造破碎带发育。构造破碎带在多数情况下为负地形，除硅化体矿化蚀变带有断续出露外，大部分地段被褐铁矿化及粘土质物质所充填。其主要成矿围岩为太古界太华群花岗－绿岩系和元古界熊耳群安山岩类。因此，需要增强的信息是发育在构造带中的富含羟基的粘土矿物集合体。
根据地物反射波谱资料，在Landsat-TM3、5、7波段目标物和背景的离散比较好。如进一步对蚀变带进行划分，还需要对以Landsat-TM3、5、7波段为基础进行混合像元处理，工作程序如下图3.3.5所示：
图3.3.5羟基粘土矿物晕的提取工作程序图
从岩石反射波谱特征模式中可以了解到，TM7/TM1、TM5/TM4的比值结果突出了蚀变晕带中的核心——金属硫化物氧化铁帽，TM3/TM4的比值结果突出了植被受重金属毒害信息。傅氏变换将比值数据转成频率域，然后通过高滤波压抑低频背景，使蚀变信息得到很高的增强；经反变换（IFT）将信息还原到空间域，用已知蚀变区作为样本确定彩色分割的阀值，以此阀值为标准进行假彩色漫游或假彩色密度分割，即可得到反映图版Ⅰ.2。
在反射波谱特征模式中提出的压缩背景混合像元处理方法，即［(TM3×TM4)－K］和［COS-TM4×TM7]-K，这里的K值代表矿化蚀变带围岩的反射率（背景值）。压缩背景的方法在图像处理中叫“分段线性扩展”，即将图像亮度值的整个动态范围分成若干区段，按区段进行不同程度的扩展（图3.3.6）。
图中的L1为原图像的亮度值变量，L2为变换后影像的亮度值变量。a1、a2、a3分别为所选择的分段断点。断点之间的斜率，控制区段内亮度值的变换。
图中k1、k2、k3分别为对应区段内变换曲线的斜率。适当选择断点和斜率，可以获得特定亮度值区内目标图像的对比度增强，或者压缩某些目标的对比度。
图3.3.6分段线性扩展示意图
图版Ⅰ.3是为提取导矿断裂信息而设计的图像处理程序得到的图像。为了突出断裂构造带中不同地段的植被富水性及蚀变等特征信息，分别应用TM4/TM3、TM5/TM1、TM5/TM2进行比值处理。对比值图像数据进行例拉伸（SCALE）得到灰阶为0～255的灰度图像。然后分别在比值图像中找出断裂特征信息的亮度值区间（192、128、115）为断点，将非目标区压缩为0，将目标区给予较大的扩展斜率，将扩展后的图像合成具断裂构造意义的线性体，以鲜明色调给以确切的显示。如将蚀变晕斑叠加其上，该断裂的控矿意义更加明确。
Ⅸ 高光谱岩性信息提取
8.5.1 方法与流程
8.5.1.1 岩性信息产品生成业务化流程
采用的高光谱岩性信息分类填图方法：先将成像高光谱数据进行辐射定标、大气校正、光谱重建等过程得到光谱反射率数据，然后根据矿物特征吸收峰分布情况对高光谱反射率数据进行波谱降维，对照已有地质图选取其中的典型岩性并结合像元纯净度指数图在高光谱数据区域中建立感兴趣区，确定岩性分类的先验样区，最后用合适的方法进行岩性信息分类填图，并对结果进行优化操作。岩性信息分类填图流程图如图8.20。
图8.20 高光谱岩性信息分类填图流程
8.5.1.2 岩性分类信息提取的高光谱数据预处理
无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射定标和光谱重建是地物识别和定量分析不可缺少的环节。只有经过辐射标定、辐射校正和大气校正，剔除由于大气散射、吸收、地形起伏及传感器本身不稳定带来的各种失真，将记录的图像值转换为地面的反照率值，重建像元地面光谱，才能根据光谱特征，有效地识别地物，反演地物成分。
8.5.1.3 端元选择
对于一个地区的未知岩性分类信息提取，一般要进行岩性端元信息的提取。所谓端元，指的是成分单一的岩性像元。只有提取出端元才能进一步对研究区域进行岩性信息的分类分析。目前端元选择的方式概括起来主要有两种：①根据野外波谱测量或从已有的地物波谱信息库中选择端元。通过这种途径选择的端元称为“参考端元”。②直接从待分类岩性的图像上选择端元，然后不断对其修改、调整，确定端元，这种图像上选择的端元区域称为先验样区。
野外获取岩性端元信息一般要经过实地勘察，先选择好样区，然后选择合适的时间进行量测。一般情况下，要求在获取影像的同时进行地物波谱量测，但这种难度很大，实际应用中很少能做到。通过野外测量方式获取的参考端元理论上比较精确，但遥感图像上地物的波谱曲线受到大气、地形和传感器等的影响，这些与野外实地测量的地物波谱曲线存在很大差别，即使对影像进行各种纠正进一步消除这些因素的影响，也不会与野外测量的地物波谱曲线很好地吻合。对于大部分研究区域而言，有与研究区对应的实际地物波谱库的区域很少，也很少投入大量人力、物力进行野外波谱测量。因此在缺乏野外波谱测量数据情况下，从影像本身获取端元是目前获取端元的主要方式。目前，在端元从影像本身的像元获取方式中，除了对遥感影像像元的色调、波谱特征进行目视解译直接分析外，还可借助以下分析方法进行。
基于图像的端元选择是假定图像中存在有基本上仅反映一种岩性或矿物光谱的“纯像元”或“非混合像元”，用数学方法自动或交互地从图像中提取这些“纯像元”作为端元，用同一类“纯像元”的典型光谱或平均像元光谱作为端元光谱。PPI方法由于推出较早，计算简便直观，并且处理高光谱数据中使用最广泛的遥感图像处理系统ENVI中有该功能，因而得到较广泛的应用。但是在进行PPI之前，需先对高光谱数据进行降维处理。我们常用的降维处理手段主要是最大噪声分离（MNF）变换。
（1）最大噪声分离（MNF）变换
成像光谱的光谱分辨率很高，波段多，数据海量，且波段之间的相关性很强，数据冗余度高，需要在端元选取和矿物识别之前对数据作减维，并弱化噪声。最常用的方法是“最大噪声组分变换”。
MNF变换是利用图像的噪声组分矩阵（∑N∑-1）的特征向量对图像进行变换，使按特征值由大到小排序的变换分量所包含的噪声成分逐渐减小，图像质量顺次提高。∑为图像的总协方差矩阵；∑N为图像噪声的协方差矩阵。MNF有两个重要的性质，一是对图像的任何波段作比例扩展，变换结果不变；二是使图像矢量、信息分量和加性噪声分量互相垂直，达到信息分离的目的。乘性噪声可通过对数变换转换为加性噪声，变换后可针对性地对各分量图像进行去噪，或舍弃噪声占优势的分量，以达到成像光谱数据减维和去噪的目的。
（2）像元纯度指数（PPI）分析
基于上述MNF变换，排序低的MNF波段被暂时忽略，仅选择高序次波段进一步处理。PPI设计指定光谱极值像元，对应为混合光谱端元。通过反复投影n维散点图到随机单元矢量来计算PPI。记录每次投影的极值像元，注记每个像元被标定为极值的总次数。PPI图像产生，其中，每个像元的DN值对应像元被记录为极值的次数。这些图像的直方图显示被PPI“击中”（hit）的分布。从直方图中选择阈值，用于选择最纯的像元以保证被分析的像元数最小。这些像元被输入到分离特定光谱端元的交互式可视化算法中。
（3）N维可视化（n-Dimensional Visualization）
由于PPI算法本身确定的并不是最终的端元，而是从图像众多像元中选出包含所有端元像元的较小像元子集。所以，一般要将PPI的处理结果输入到N维可视化（n-Dimensional Visualization）工具中，选择出最终的端元像元。
在N维可视化中，光谱可视为n维散点图中的一个点，n是波段数。对给定的像元，n维空间中组成n值的点的坐标是每个波段的光谱反射率。这些点在n维空间的分布可用于估计光谱端元数和它们的纯光谱特征。在两维空间，如果只有两个端元混合，混合光谱将落入直方图的线中。纯端元将落入混合线的两端；如果三个端元混合，混合像元将落入四面体中；余类推。混合的端元落在纯端元之间，处在纯端元勾画的多面体中。这种混合光谱的凸面几何特征，可用于确定端元光谱数并估算它们的光谱特征，经过PPI选择出的潜在端元光谱输入n维散点图中进行反复旋转以识别出纯端元。根据前面的分析，较好的端元通常会出现在n维散点图的顶点和拐角处，当一系列的端元点被确定后，就可以将其输入到图像中的感兴趣区（ROI），从图像中提取每个感兴趣区平均反射率光谱曲线作为成像光谱矿物填图的候选端元。
鉴于PPI算法得出的结果是从图像众多像元中选出包含所有端元的较小像元子集（图8.21），在已有的地质图中结合PPI结果图可选取尽量纯净的端元区域作为后期监督分类的感兴趣区（ROI，Region of Interest）。
图8.21 选择出的纯净像元的波谱曲线
8.5.2 结果与分析
目前，从是否需要先验样区可将岩性分类技术分为两大类：非监督分类和监督分类。非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性；其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。一般的聚类算法是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。监督分类又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止（图8.22）。
图8.22 地质图
对原始数据的211个波段进行目视解译，去掉其中明显的噪声波段得到剩下的178个波段，对这178个波段的数据信息用上述方法进行分类得到所需的结果，然后结合各种岩性地质特征，得知大多数矿物特征吸收峰均位于1300 nm以后的波段中，故在这178个波段中继续裁剪得93个波段，并对裁剪结果用相同的方法及参数重新分类，将得到的结果与第一次分类结果进行对比。
8.5.2.1 非监督分类填图结果
（1）K-Means
预选待分类数据可分为八类，最大迭代次数为2，且设变化阈值为5%，即当每一类像元数变化小于阈值时结束迭代过程，最大允许标准差和最大允许距离误差不输入，即所有像元都参与分类。从而，当达到阈值5% 或迭代达到两次时则分类结束（图8.23 ，图8.24）。
图8.23 所用数据：dts_178，K-Means填图结果
图8.24 所用数据：resize_dts_93，K-Means填图结果
（2）ISODATA
预选待分类数据可分为5～10类，最大迭代次数为2 ，变化阈值为5%，每一类最少含有像元数为500 ，最大允许标准差为10 ，即如果一类的标准差大于10 ，则该类被拆分为两类。类均值间允许最小距离为5，能够被合并成对的最大对数为5，即当类均值间距离小于5 时，这一类就会被合并，而合并后的成对类的最大值为5（图8.25 ，图8.26）。
图8.25 所用数据：dts_178，ISODATA 填图结果
图8.26 所用数据：resize_dts_93，ISODATA填图结果
8.5.2.2 监督分类填图结果
首先，对照地质图和PPI图像选取两种岩性（Cgammabeta：石炭纪黑云母花岗岩，Cdelta：石炭纪闪长岩）的感兴趣区。
（1）平行六面体
设置最大允许标准差（Max stdev from Mean）为1.4（图8.27，图8.28）。
图8.27 所用数据：dts_178，平行六面体填图结果
图8.28 所用数据：resize_dts_93，平行六面体填图结果
（2）最小距离
设置最大标准差为10 ，最大允许距离误差为2500 ，则分类过程中由两者中较小的一个判定像元是否参与分类，若一旦大于任何一个值则该像元不参与分类，归属为无类别（图8.29 ，图8.30）。
图8.29 所用数据dts_178，最小距离填图结果
图8.30 所用数据resize_dts_93，最小距离填图结果
（3）光谱角制图
设置最大允许角度为0.05°，即当像元波谱与终端端元波谱间夹角大于0.05°时，则不参与分类（图8.31 ，图8.32）。
图8.31 所用数据：dts_178，光谱角制图填图结果
图8.32 所用数据：resize_dts_93，光谱角制图填图结果
（4）光谱信息散度
设置最大散度阈值为0.002（图8.33）。
图8.33 所用数据：dts_178，光谱信息散度填图结果
（5）二值编码
设置最小二进制阈值为0.95 ，决定了哪些像元参与分类（图8.34 ，图8.35）。
图8.34 所用数据：dts_178，二进制编码填图结果
图8.35 所用数据：resize_dts_93，二进制编码填图结果
（6）最小距离（Hymap数据）
该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，针对两种阈值的设定如图8.36所示。
图8.36 局部填图效果
（7）光谱信息散度（Hymap数据）
该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如图8.37所示。
图8.37 Threshod＝0.005 时的谱信息散度填图结果
8.5.2.3 岩性信息填图结果分析
为了分析高光谱星载模拟数据的岩性填图效果（图8.38），可对比研究区的岩性信息分布图与地质图逐像素进行对比，如果研究区总的点数为N，地质图中与岩性信息分布图的结论相同就认为该点取值1，最后统计结果中1的个数n，这样岩性信息识别精度可定义为
高光谱遥感技术原理及矿产与能源勘查应用
图8.38 岩性提取结果图
笔者发现岩性分类结果与地质图吻合度达到了89%，对出现误差的主要原因分析如下（图8.39）：
1）实验中所用数据是高光谱星载模拟数据，其空间分辨率为30m，随着分辨率的降低，单个像元所对应的地面面积将增大，导致每个像元中包含更多的岩性类型，岩性间的影响性也会增加。一方面，由于混合像元的平均效应，目标岩性在像元中的等效丰度会下降，光谱信息减弱。当像元中目标岩性的等效丰度下降到检出限以下时，岩性将不能被识别，而造成岩性分布区的外围含量较低的地段和含量较低分布区填绘面积的减少，点状集群分布区的漏识别，线状分布区的断续分布。这种效应相当于检出限的下降。另一方面，当像元中目标岩性的等效丰度在检出限以上时，会使面状岩性分布区的范围扩大、空洞的充填、相邻小区的连接，点状集群分布区的成片，线状区域的斑点效应。这两种效应的综合作用结果，空间分辨率的减小则会使强异常区（包括高丰度区和光谱反衬度较高的矿物分布区）范围的扩大、小区的相连、点群的结合，而使异常更加醒目，但其细节特征会因此消失；弱异常区（包括低丰度区和光谱反衬度较低的那些岩性分布区）和小异常区面积会缩小或漏检；线状异常可能会形成断续分布的小斑块而使线状特征和其走向变得不清晰。因此，在填图的细致程度上，分辨率越高的数据填图效果越好，这是造成填图效果差异的最主要原因之一。
2）辐射校正的精确程度。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射校正和光谱重建是地物识别不可缺少的环节。但校正后数据必然丢失一定的信息，故再进行后续处理也会有一定的误差。
3）感兴趣区的选取是进行监督分类的一个重要环节，但由于一般情况下并不能得到纯度足够高的感兴趣区，造成选取的样区含有多种岩性，从而对后期处理造成不可避免的误差。
4）在数据一定的情况下，各种分类方法中参数的选取决定了分类效果，但由于无法遍取各种参数进行尝试，实验过程中仅是进行有限尝试后选择了具有较好的结果的参数，但并不能保证所用参数是最适合的参数。
总之，用高光谱星载模拟数据进行矿物填图是可行的，它可以在一定程度上对岩性的种类及分布进行识别。
图8.39 对比地质图（上图是下图黑框中部分）