成像光谱矿物识别技术
发布网友
发布时间：2022-04-22 08:55
共1个回答
热心网友
时间：2023-06-25 08:31
目前，基于成像光谱数据岩矿蚀变信息识别与提取的方法主要有：①基于光谱波形参数；②基于光谱相似性测度；③基于混合光谱模型；④基于地质统计规律；⑤基于光谱知识的智能识别等。
4.4.1.1 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）和排序参数作一完整地表征（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IHS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、波段深度图像以及波段半极值宽度（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。
4.4.1.2 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。例如，光谱角识别方法 SAM（王志刚，1993；Spectral Angle Mapper）（Ben⁃Dor et al.，1995；Crosta et al.，1998；Drake et al.，1998；Yuhas et al.，1992）和光谱匹配SM（Spectral Matching）（Baugh et al.，1998），利用岩矿光谱矢量的欧氏距离测度函数，即求图像像元光谱与参考光谱在光谱空间中的差异大小。距离愈小，表示图像端元光谱或待识别的端元光谱与来自实验室或野外实测的参考光谱之间拟合程度愈高。
4.4.1.3 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以及深入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Hapke（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）（Adams et al.，1986；Mustard et al.，1987；Roberts et al.，1997；Sabol et al.，1992；Settle et al.，1993；Shipman et al.，1987；Shimabukuro et al.，1991；Smith et al.，1985），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。
4.4.1.4 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（Icohku et al.，1996）：概率模型（Probabilistic Model），几何光学模型（Geometric⁃opti⁃cal Model），随机几何模型（Stochastic Geometric Model）以及非参数地质统计模型（Non⁃para⁃metric Geostatistic Technique）（Var der Meer，1994a，1994b，1996）。
4.4.1.5 基于光谱知识的智能识别方法
传统的以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以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遥感地物信息识别、提取与量化以及实用化的最佳选择与发展方向，极具潜力。
