如何利用光譜獲取信息

A. 如何利用色譜、光譜來判斷化合物的結構信息

色譜、光譜是常用的分析工具，主吵灶要是通過譜圖的匹配程度來推算化合物信息，與譜圖庫的豐富程度和工程師的升基扮行業經驗有很大關系。

如果有一點預算的話推薦找專業的研究人員進行分析，專業從業人員譜圖庫全面，分析經驗豐富，得到的化合物信息更加准確鋒廳，可以更精確的定性定量。

檢測研究中心

B. 土壤有機質光譜信息提取

土壤有機質是土壤的重要組成物質，也是植物的營養倉庫，它的損失直接影響土壤生產力。土壤有機質不僅能持續緩慢地提供植物生長所需的養分，而且能改善土壤的物理狀況，促進團粒結構形成，從而改善土壤的水分及通氣狀況。另外，隨著土壤有機質含量的增多，土壤顏色加深，有利於提高土壤溫度。土壤有機質含量多少在一定限度內可以說明土壤的肥沃程度，是土壤肥力的重要指標之一。一般來說，有機質含量 ＞ 2. 5% 的土壤是比較肥沃的，1% ～2. 5%為中度肥沃的土壤， ＜ 1% 則為較貧瘠的土壤，但也不絕對。例如我國東北地區黑土有機質含量高，但是溫度低，分解慢; 暖溫帶某些類型土壤有機質含量低，但分解快，其有效化程度高，也有一定肥力。總的來說，土壤有機質是土壤肥力和作物豐產的基礎。基於光譜技術的土壤有機質含量反演方法較多，但是這些方法均具有一定局限性，針對不同的研究區域、應用於不同土壤類型時會出現較大誤差，目前尚沒有通用的模型。

土地退化評價指標體系是由植被、土壤、地形地貌、水文與水文地質、近地表大氣等反映土地退化特徵的指標組合而成，指標之間相輔相成，從不同方面共同反映退化土地的特徵，包括空間上的相對退化和時間上的動態退化。反映土地退化的指標很多，包括植被覆蓋度、陸地表面溫度、土壤濕度和土壤母質化以及水土流失等。本節只選擇能夠體現高光譜遙感技術優勢的土壤有機質指標作為研究對象，以陝西省橫山縣黃土丘陵區為例，對174 個土樣的光譜反射率數據與土壤有機質含量進行分析，從而進行信息提取，評價高光譜遙感技術在可見光和近紅外波段進行土壤有機質監測的應用潛力，運用多元統計分析技術，初步建立反射率反演模型，嘗試進行定量化成圖。

( 一) 土壤有機質預測模型建立

為了建立反射率和土壤有機質含量之間的反演模型，從中尋找對土壤有機質含量敏感的光譜指標，對光譜的反射率作了8種變換，包括反射率的倒數1/Ｒ、反射率的對數lgＲ、反射率對數的倒數1/lgＲ、反射率的平方根 、反射率的一階微分Ｒ'、倒數的一階微分(1/Ｒ)'、反射率對數的一階微分(lgＲ)'、對數的倒數的一階微分(1/lgＲ)'、平方根的一階微分 。採用單相關分析方法，利用實驗室測定的174個土樣的土壤有機質含量與反射率及其變換形式逐波段地進行相關分析，相關系數r的表達式如下:

退化廢棄地遙感信息提取研究

式中:r_i為土壤有機質含量OM與光譜反射率或其變換形式(都用Ｒ表示)的單相關系數;i為波段序號;Ｒ_ni為第n個土壤樣本第i波段的光譜反射率值(或其變換形式的值); 為N個土壤樣本在i波段光譜反射率(或其變換形式)的平均值;OM_n為第n個土樣的土壤有機質含量; 為實測的N個土樣的土壤有機質含量的平均值;N為174，是土樣的總個數。

本研究的具體思路是以野外采樣點地物光譜數據為基礎，首先利用高光譜Hyperion數據對野外地物光譜庫進行重采樣(第二次采樣);運用經驗線性擬合法，以野外地物光譜數據為基礎對高光譜Hyperion影像進行校正，以便進一步確立兩者之間的相關性;然後在前人研究的基礎上，運用統計回歸分析方法建立采樣點地物光譜數據與土壤有機質含量的最佳反演模型，並且把該模型運用到高光譜Hyperion影像當中，得到土壤有機質含量的空間分布情況。

本研究採用容量分析法測定了174個土樣的土壤有機質含量，最小值為0.124%，最大值為4.865%，平均值為1.179%，均方差為1.122。Krishnan等(1980)用逐步多元線性回歸和迭代的方法對四種不同土壤類型的研究發現，在近紅外區域 ( 800 ～2400nm) 沒有由有機質引起的吸收峰，用可見光區域預測土壤有機質含量要優於近紅外區域，所得相關系數分別為 0. 8732 和 0. 9828，並給出用 623. 6nm 和 564. 4nm 兩個最佳波段的反射光譜值預測土壤有機質含量的回歸模型:

退化廢棄地遙感信息提取研究

式中: K 為回歸常數; ρ 為反射率值; λ 為波長。

Krishnan 等的預測模型中的回歸常數 K 從某種程度上反映了其他因素對土壤有機質光譜特性的影響，然而文中並未對其進行具體的討論說明，但是可以肯定的是 623. 6nm 處反射率倒數之對數的一階微分與 564. 4nm 處反射率倒數之對數的一階微分的比值和土壤有機質含量存在某種相關性，把它記為 W，通過把計算的 30 個地物光譜數據的 W 值與土壤有機質含量進行相關性分析，發現 W 與土壤有機質含量之間的相關系數達到 0. 8948，存在著強烈的相關關系。所以確定以 W 為變數，進行回歸分析，其中

退化廢棄地遙感信息提取研究

運用 SPSS 軟體進行統計回歸分析，結果見表 3 －2。

表 3 －2 土壤有機質含量模型與 W 的擬合模型表

圖3－4 有機質含量實測值與預測值比較

從表3－2中可以發現，二次函數Y=16.466－4.385W+2.668W²的判定系數Ｒ²最高，達到了0.8684，其中 ，ρ為反射率值，說明它的反演效果最好，精度最高。通過30個土樣的土壤有機質含量實測值與預測值的散點圖(圖3－4)也可以直觀地看出，二次函數結果與實測值較為接近，有很好的預測效果。

由此得到土壤有機質含量的最佳反演模型是Y=16.466－4.385W+2.668W²，判定系數Ｒ²=0.8684。

(二)定量參數成圖

將建立的土壤有機質含量最佳反演模型應用到反射率影像當中，進行土壤有機質含量指標的定量參數成圖。所謂參數成圖，首先是給每個像元賦具體參數值，這可以藉助一些波段值或其變換形式與土壤生物理化參數的半經驗關系建立預測模型，採用統計回歸的方法建立的土壤有機質含量與反射率的關系就是這種預測模型;然後通過這種關系計算出高光譜遙感影像上每個像元的土壤有機質含量的預測值;最後採用聚類或密度分割的方法將單參數預測圖分成若干級(類)，即為單參數分布圖。

圖3－5 土壤有機質含量參數成圖

由土壤有機質的最佳反演模型是Y=16.466－4.385W+2.668W²，其中 。在ENVI軟體中，運用線性光譜分離方法提取出影像中的土壤信息，利用NDVI指數，取數值在0.1～0.3之間的為土壤(NDVI＞0.3的為植被，NDVI＜0.1的為水體)，掩膜處理掉影像中的植被和水體信息;然後在EＲDAS軟體下運用空間建模方法，將模型應用於高光譜Hyperion數據，進行定量化參數成圖，得到土壤有機質含量的空間分布情況(圖3－5)。

( 三) 小結

1) 土壤有機質含量和有機質的組成對土壤的反射率有較強的影響。土壤有機質對土壤反射率的影響在視覺上表現為暗黑色的土壤比亮色的土壤有機質含量高，這表明了土壤有機質與可見光反射率之間的關系: 土壤有機質含量越高，可見光的反射率越低; 反之，可見光的反射率越高。國外學者研究發現，土壤有機質中含有一種叫做胡敏酸的物質，胡敏酸反射率很低，並且會掩蓋土壤反射率和土壤顏色等信息 ( 周清，2004) 。Baumgardner等 ( 1985) 在研究印度土壤時發現，當土壤有機質含量超過 2% 時，其有可能掩蓋其他因素對土壤光譜的影響; 當小於 2%時，隨著土壤有機質含量的降低，其掩蓋其他成分的能力越來越弱，對土壤光譜的影響就很小了。

2)建立了土壤有機質反演模型Y=16.466－4.385W+2.668W²。判定系數Ｒ²最高達到了0.8684，其中 ，並且用該模型對高光譜影像進行參數成圖，取得了較滿意的結果。

3)對以反射率作對數的一階微分方程變換後進行統計回歸分析有兩個目的:一是一階微分變換能去除部分線性或接近線性的背景和雜訊光譜對目標光譜的影響;二是將反射率和土壤有機質含量之間的關系線性化，便於研究。

C. 從宇宙的黑暗部分到太陽系天體，如何通過X射線獲取關鍵信息

作者：文/虞子期

隨著人類對宇宙 探索 的不斷深入，我們開始對各類天體的演化過程更加了解，也對宇宙的構成有了清晰的輪廓。盡管這個看似熟悉的宇宙仍然充滿著諸多未知，但至少我們知曉了宇宙的大部分物質都是黑暗的，且無法通過目前的任何技術實現對它的直接觀測。那些構成行星或恆星的質子、中子和電子，都僅僅是宇宙質量和能量中極小的一部分，科學家們現在能做的就是通過X射線，去揭示其餘關於宇宙黑暗部分的秘密。X射線天體物理學，正乎不僅可以幫助我們了解自己身處的這個宇宙空間，更是物理學 探索 中至關重要的一個部分。那麼，科學家們是如何通過X射線來觀測宇宙的不同部分，以及我們太陽系中的各大天體？

眾所周知，暗能量和暗物質是宇宙中最大的兩個部分，也是黑暗宇宙的主要構成。在宇宙的所有物質構成中，雖然人類目前對它們的了解相對較少，但可以確定宇宙的最終命運走向，便主要由這兩種物質共同決定。在一般情況下，暗物質會將宇宙的黑暗部分聚集在一起，而暗能量則往往會將它驅散，若要充分的了解這樣的宇宙事件，我們需要用到一切可能有利於觀測的科學工具。在20世紀末的時候，我們對宇宙的看法受到了很大的震動，因為大爆炸之後的宇宙加速膨脹，其擴張的速度並沒有隨著時間而減緩。

宇宙的這種加速現象是一種神秘的暗能量形式，還是缺乏對於引力的理解？X射線天文學正在通過強大的技術研究星系團，以解決這個困擾已久的難題，並且，這些技術目前正在採用，絕凱在之後的時間里也會提出更多其他更好的方法。而宇宙的另一個重要未知物質，它的名字叫做暗物質。我們可以通過觀察宇宙中目前已知物質的引力效應，從而推斷出宇宙剩下的85%都是由不會發光的物質所構成，並且，它們擁有與恆星和行星完全不同的物質組成。科學家們可以通過X射線來研究暗物質在各種環境中帶來的影響，以實現對遍布於宇宙中的這種神秘物質的性質有所收獲。

若將宇宙的整個組成形容為一個餡兒餅，那麼我們能用眼睛和望遠鏡所看到的一切，僅占據這個餡餅的5%左右，這個數據包括了星際氣體與塵埃、恆星和行星等所有可見部分。在發現暗物質之前，我們曾以為這5%便是整個宇宙的所有構成。現在，科學家們開始通過計算機、望遠鏡等先進的工具進行可觀測宇宙中的 探索 ，包括哪些令人興奮的物體、現象和事件的信息，我們可以通過這些微小但重要的內容，窺探到更大的黑暗宇宙。在已經過去的十多年時間里，天文科學家們驗證了X射線是宇宙 探索 工具箱的基本組成

在可見宇宙的組成部分中，星系團算得上是最重要的結構，這些巨大的物體所包含的單獨星系甚至可以達到數千個。它們通過重力結合在一起，沉浸在巨大的熱氣雲中，並被大量不可見的暗物質所聚集。在錢德拉等X射線衛星的觀測下，可以收集到這些熱氣體在不同溫度下的輻射情況，其實際質量遠超過該星系本身。因為星系團本身的質量和大小，以及豐富的暗物質儲量，讓其成為了研究整個宇宙性質的寶貴實驗室。比如，宇宙中最龐大的星團之一珀爾修斯集群，便是包含了數千個星系、質量相當於數萬億個太陽的一個巨大星系團。整個集群的內部區域因為聲波而被加熱氣體，阻礙了氣體冷卻以高速率的製造恆星，同時也說明了在該系星的中心，存在一個相對微小但巨大的黑洞，因為它的控制范圍遠超出了星系范圍內的氣體加熱和冷卻。

當一顆恆星以劇烈爆炸的方式來結束自己的生命之時，明亮的超新星也因此而產生，並且超越了它們的「家庭」星系。在它們的生命演化周期中，恆星會將氦氣和氫氣轉化為更復雜的重元素，然後在恆星爆炸的時候分布到太空中。比如，我們地球上包括生命在內的所有東西，其實都應該歸功於上一代超新星的恆星滅亡。那些超新星中的參與物質，在X射線光中的發光時間甚至可以達到數千年，並在這個過程中向敏感的X射線望遠鏡傳遞它們的秘密信息並清喚。比如，科學家們觀測到的銀河系中最年輕的超新星遺跡Cassiopeia A（簡稱Cas A），在錢德拉的圖像中，藍色的纖細弧線呈現了爆炸所產生的膨脹沖擊波發生了加速，而其中綠色和紅色的區域，則顯示了那些被破壞、且已被加熱至數百萬度的恆星物質。

或許你有所不知，在最近的附近宇宙中，大約有一半的重子物質都處於下落不明的狀態，也就是所謂的中子和質子，存在於早期宇宙中的它們去了哪裡呢？關於這個問題的答案，其中有一個這樣相對最合理的推論，即：那些缺失的中子，成為了一個極端分散的「網狀氣體雲系統」的構成部分，參與了星系和星系團的形成。而檢測這些缺失的重子有一個最好的方法，那就是它們微弱卻而已被觀察到的X射線特徵。比如，被探測到的Mkn 421X射線吸收現象，若該星系際X射線吸收雲的大小和分布都具有代表性，那麼，該光譜就可以證明宇宙中的大部分原子和粒子都位於我們難以看到的宇宙網中。

盡管太陽系中的彗星、衛星和行星的溫度，遠低於產生宇宙X射線應該具備的溫度條件，但科學家們已經發現這些較冷天體產生X射線的不同方式，這些來自太陽系物體的X射線輻射，為科學家們提供了其他望遠鏡難以獲取的許多重要信息。在地球延伸的外層大氣中，地冕中的氫原子與碳、氧和氖離子之間發生碰撞，然後便有了地球的地冕X射線證據。科學家們將這個過程稱為電荷交換。當大氣中電子的中性原子和太陽風中的粒子之間發生交換，移動到更緊湊軌道的電子會發射出X射線，而這些X射線的能量，便等於電子軌道能量狀態的差異。

科學家們可以利用電荷交換過程中碰撞能量的X射線光譜，與具有敏感X射線光譜儀的其他過程區分開來。在整個太陽能系統中，都運行著這樣的電荷交換過程，且對於彗星而言尤為重要。我們都知道，在彗星的周圍布滿了塵埃和氣體雲，研究人員對彗星大氣中電荷交換所引起的X射線進行研究，可以提供彗星旋轉和彗星大氣結構的信息，以及太陽風中存在元素的重要提示。而在不遠的將來，科學家們需要進一步探測太陽系中、恆星周圍數百顆彗星集合中的X射線，那些相對年輕的恆星具有更強勁的恆星風，因而成為了最好的 探索 目標選擇。

從位置上來說，金星和地球處於相對的方向，因而來自金星和某種程度上的地球X射線，都是因為太陽X射線照射到大氣中的熒光，金星的錢德拉圖像呈現出了半月牙的外觀。在行星表面上方大約120公里的地方，被吸收的太陽X射線將電子從原子內部推出，從而將原子激發到了更高能級，恢復低能狀態的原子發出了熒光X射線。而來自火星大氣中氧原子的熒光X射線，與金星上的具有很高相似性，即使是巨大的沙塵暴也不會對X射線的強度帶來任何變化。而那些位於火星表面7000公里左右的地方，也探測到了微弱的X射線光環，它們的存在可能與火星脆弱的極端高層大氣和太陽風電荷的交換過程有關。

木星因自身存在的強大磁場，總能以不同的方式產生X射線的環境，比如，當那些來自太陽的高能粒子被捕獲，便會在其磁場中加速，直到達到極性區域產生X射線。它們會和木星大氣中的原子發生碰撞，在木星的北極和南極附近都具有強烈的X射線濃度，而弱赤道X射線發射，則可能是受到了太陽X射線的反彈。同時，由於月球表面也受到了來自太陽的X射線影響，導致來自月球的X射線是因為「熒光」而產生。當月球表面上的原子吸收了太陽X射線，電子會從原子內部撞出、並激發更高的能級。隨著熒光X射線的發射，原子幾乎立刻就恢復到了較低能量時的狀態，並以類似的方式，紫外光產生了熒光燈一般的可見光。由於熒光X射線原子的獨特性，科學家們可以利用這種X射線來探測其中存在哪些元素。

D. 高光譜礦物信息提取

8.6.1 方法與流程

8.6.1.1 產品生成業務化流程

常用的高光譜礦物填圖標准方法：先運用最大雜訊分離（MNF）變換對反射率數據進行波譜降維，用像元純度指數（PPI）分析進行空間降維，然後用N維可視化方法來確定圖像端元，進行端元識別，確定礦物波譜，最後用合適的方法進行礦物填圖，並對結果進行優化操作。礦物填圖流程圖如圖8.40所示。

1）數據降維。利用MNF變換進行光譜數據減維，分離數據中的雜訊，減小運算量。觀察最終特徵值和MNF圖像，確定數據的固有維數，選擇合適的MNF波段進行PPI指數計算。

2）計算圖像的PPI指數。計算MNF圖像的PPI指數，最終產生PPI圖像，圖像中像元的DN值代表像元被記錄為極值的次數，從直方圖中選擇閾值，僅選擇最純的像元以保證被分析的像元數最小，這些像元被輸入到分離特定光譜端元的互動式可視化演算法中。

3）N維可視化進一步提純純凈像元。在N維可視化中，光譜可視為n維散點圖中的一個點，n是波段數。通過選擇n維散點圖的頂點和拐角，進一步提純純凈像元。將最終確定的端元輸入到圖像中的感興趣區（ROI），從圖像中提取每個感興趣區平均反射率光譜曲線作為成像光譜礦物填圖的候選端元。

圖8.40 常見高光譜礦物填圖流程

4）建立真實波譜庫。將採集端元的波譜曲線輸出，經過波譜分析（用波譜特徵擬合演算法與USGS標准波譜庫進行匹配識別）得到的波譜曲線圖，確定端元礦物並建立該礦物的真實波譜庫。

5）選擇合適的填圖方法，輔以自行建立的真實波譜庫，提取出各類礦物。並對提取結果做最小圖斑去除、類合並等操作，優化礦物提取結果。

8.6.1.2 礦物信息提取的高光譜數據預處理

先將成像高光譜數據進行輻射定標、大氣校正等過程得到光譜反射率數據。無論是高光譜成像儀還是傳統的多光譜感測器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射定標和光譜重建是地物識別和定量分析不可缺少的環節。只有經過輻射標定、輻射校正和大氣校正，剔除由於大氣散射、吸收、地形起伏及感測器本身不穩定帶來的各種失真，將記錄的圖像值轉換為地面的反照率值，重建像元地面光譜，才能根據光譜特徵，有效地識別地物，反演地物成分。

8.6.1.3 典型礦物光譜吸收特徵分析

首先打開波譜資料庫系統圖8.41調出所研究的典型礦物的光譜進行分析。

根據主要譜帶的位置將礦物劃分為含Fe^2＋礦物、Fe^3＋礦物、Mn^2＋礦物、碳酸鹽礦物、含Al-OH鍵礦物、含Mg-OH鍵礦物等大類。

Al-OH：診斷譜帶一般位於2165～2215 nm附近；

Mg-OH：診斷譜帶一般位於2315～2335 nm附近；

：診斷譜帶一般位於2335～2386nm區間；

Fe^2＋：診斷譜帶一般位於1000～1100nm附近；

圖8.41 波譜庫系統主界面

Fe^3＋：診斷譜帶一般位於600～900nm附近；

Mn^2＋：診斷譜帶一般位於450～600nm附近。

以主吸收譜帶和次要吸收譜帶的組合特徵，並考慮到吸收譜帶在不同岩石中的變異，識別礦物族。如對Al-OH鍵礦物可分為明礬石族、蒙脫石族、白雲母族、高嶺石族；含Mg-OH礦物可分為綠泥石族、黑雲母族、綠簾石族、蛇紋石族、滑石-透閃石族等；碳酸鹽礦物包括方解石族、白雲石族等。

1）對於Al-OH鍵礦物：

明礬石族：兩個吸收特徵分別位於2175nm（2165～2175nm，± 10nm）和2325nm。

蒙脫石族：位於2215nm（2205～2215 nm，± 10nm）的主要吸收特徵伴隨有一個2440nm的次級吸收。

白雲母-伊利石族：位於2205nm（2195～2215 nm，± 20nm）的主要特徵吸收伴隨有三個次級吸收峰，分別位於2355nm，2440nm和2115nm。

高嶺石族：2200nm附近的OH^-譜帶，在該譜帶左翼存在次一級的譜帶（2160nm）。

圖8.42為典型Al-OH鍵礦物波譜特徵圖。

圖8.42 幾種典型Al-OH鍵礦物波譜特徵圖

2）對於碳酸鹽礦物：

方解石族：位於2330 nm～2340 nm的主要譜帶。

菱鐵礦族：同時具有Fe^2＋在1000nm與

在2300nm附近的特徵譜帶。

圖8.43為典型碳酸鹽礦物波譜特徵圖。

圖8.43 幾種典型碳酸鹽礦物波譜特徵圖

3）對於Mg-OH鍵礦物：

綠泥石族：位於2330 nm主要吸收特徵伴隨有一個2386 nm及2224 nm兩個次級吸收。

綠簾石族：位於2330 nm主要吸收特徵伴隨有一個2225～2226 nm的次級吸收。

蛇紋石族：位於2320 nm附近主要吸收特徵伴隨有2110 nm為中心的較寬的弱譜帶。

滑石-透閃石族：位於2290～2310 nm附近的較寬的雙峰譜帶和2385 nm附近的次級吸收。

圖8.44為典型Mg-OH鍵礦物波譜特徵圖。

圖8.44 幾種典型Mg-OH鍵礦物波譜特徵圖

8.6.1.4 礦物識別技術

目前，基於成像光譜數據的礦物識別的方法主要有：基於光譜波形參數、基於光譜相似性測度、基於混合光譜模型、基於地質統計規律、基於光譜知識的智能識別等。

（1）光譜波形參數提取與蝕變識別的技術方法

岩石礦物單個診斷性吸收特徵峰可以用吸收波段位置（λ）、吸收深度（H）、吸收寬度（W）、吸收面積（A）、吸收對稱性（d）、吸收的數目（n）和排序參數作完整地表徵（陳述彭等，1998）。根據端元礦物的單個診斷性吸收波形，從成像光譜數據中提取並增強這些參數信息，可直接用於識別岩礦類型。如HSI編碼與吸收波段圖（Kruse，1988）是利用連續統去除後的光譜圖像，定義出波段吸收中心位置圖像，波段深度圖像及波段半極值寬度（FWHM）圖像，並分別賦予HSI空間的明度（H）、強度（I）和飽和度（S），然後逆變換到RGB色度空間。代表性的方法還有光譜特徵擬合（SFF）等。

光譜特徵擬合（SFF，Spectral feature fitting）：光譜特徵擬合是一種基於光譜吸收特徵的方法，使用最小二乘法技術將圖像中每一個像元的光譜曲線與所選擇的參考光譜曲線的吸收特徵進行擬合。是選擇包含目標礦物特定吸收譜帶的光譜區間，利用最小二乘擬合方法，比較像元光譜與目標光譜吸收特徵的整體形態和吸收深度。該方法對噪音和地形有較好地抑製作用。

（2）基於相似性測度的識別技術方法

成像光譜最大的優勢在於利用有限細分的光譜波段，去再現像元對應物的光譜曲線。這樣，利用整個光譜曲線進行礦物匹配識別，可以在一定程度上改善單個波形的不確定性影響（如光譜漂移、變異等），提高識別的精度（甘甫平等，2000）。基於整個波形的識別技術方法是在參考光譜與像元光譜組成的二維空間中，合理地選擇測度函數度量標准光譜或實測光譜與圖像光譜的相似程度。這類方法主要有光譜角制圖（SAM）技術、光譜二值編碼（Binary encoding）技術等。

（3）基於光譜知識模型識別的技術方法

基於光譜知識模型識別的技術方法是建立在一定的光學、光譜學、岩礦結晶學和數學理論之上的信號處理技術方法。它不僅能夠克服利用單一譜形識別所存在的缺陷，而且從地物光譜學原理入手、從本質上理解認識岩礦光譜的物理機制與物理過程，建立光譜數學物理模型，識別並定量提取岩礦信息。這在一定程度上能精確地量化地表物質的組成及深入地描述地物組成的物理特性，以進一步探測地物所蘊藏的成生環境本質。例如，建立在Hpake（1981）光譜雙向反射理論基礎之上的線性混合光譜分解模型（SMA/SUM），可以根據不同地物或者不同像元光譜反射率響應的差異，構造光譜線性分解模型，從而識別地物，量化地物成分，挖掘地物成生環境信息。

（4）基於地質統計特徵的分類識別方法

該類方法是基於地物在圖像上的統計分布規律，建立地質模型進行圖像分類識別。比較典型的有（Ieohku，etal，1996），概率模型（Porbabilistic Model），幾何光學模型（Geomertic-optical Model），隨機幾何模型（Stochastic Geometric Model）及非參數地質統計模型（Non-paramertic GeostatisticTechnique）。

（5）基於光譜知識的智能識別方法

傳統的及上述的成像光譜識別方法利弊共存。對於高維與超大容量的成像光譜數據及大量的實驗室光譜研究結果等迫切要求新的高效的遙感定量分析技術。因此，專家系統、人工神經網路、模糊識別等基於光譜知識的智能識別應運而生。神經網路技術是應用最廣泛的識別技術（Gong，1996；Jimenez，et al.，1998；Benediktsson，et al.，1995；Garcia Haro，et al.，1998）。Goetting 和 Lyon（1986）建立一個試驗性專家系統；Kruse等（1993）建立了基於知識的成像光譜礦物自動匹配製圖系統。以Dempster-Shafer證據理論為基礎格架的證據推理方法也得到了一定程度的應用。基於光譜知識的智能識別技術方法與系統將是成像光譜遙感地物信息識別、提取與量化及實用化的最佳選擇與發展方向，極具潛力。

8.6.2 結果與分析

8.6.2.1 蛇紋石礦物的填圖及效果分析

對Hyperion反射率數據進行MNF變換，根據變換結果人工確定變換維數，利用像元純度指數（PPI）進行分析，根據n維光譜空間進行特徵端元採集。運用光譜特徵擬合的方法對端元波譜曲線進行波譜匹配，建立真實的波譜庫，如圖8.45所示。

圖8.45 蛇紋石波譜匹配圖

圖8.46 五種填圖方法結果對比

用前文簡述的常用五種方法提取蛇紋石的具體位置，並進行對比分析，填圖結果如圖8.46所示。

用SAM礦物填圖方法，可以快速提取端元採集出的所有地物，並用彩色分類影像來顯示，使人們很直觀地看出該礦物的分布范圍。

光譜特徵擬合將為每個參照波譜輸出一幅比例圖像和 RMS 圖像或一幅合成的「擬合」圖像（Scale/RMS）。較高的擬合值表明該像元與參照波譜匹配較好。但是波譜特徵擬合效果並不是很好，因為如果輸入了錯誤的參照端元或使用了錯誤的波長范圍，也會出現一個遠遠大於1的比例值。

MTMF（混合調制匹配濾波）結果將以一系列灰階圖像的形式出現，兩幅圖像對應一個被選波譜。浮點型結果提供了像元與參照波譜相對匹配程度的估計方法（1.0表示完全匹配），以及亞像元的權重。不可行性（Infeasibility）值以sigma雜訊為單位，顯示了匹配濾波結果的可行性。用於准確制圖的像元有一個大於背景分布值的較高的匹配濾波值和一個較低的不可行性值。對得出的浮點圖進行密度分割等操作，也能很好的得出蛇紋石的分布范圍。

MF（匹配濾波結果）將以一系列灰階圖像的形式出現，每幅圖像對應一個選擇的端元。浮點型結果提供了像元與參照波譜相對匹配程度的估計方法（1.0表示完全匹配），以及亞像元的權重。對MF的結果圖做密度分割等操作，也可明顯地看出蛇紋石的分布范圍。

線性光譜分解的結果將以一系列灰階圖像的形式出現，每幅灰階圖像加上一個RMS誤差圖像對應於一個端元。經過發現，此方法的提取效果並不是很好，雜訊較多。因此在實際應用中，並不建議使用此方法。

通過以上對比分析，發現SAM，MTMF，MF三種方法在本地區都比較適合蛇紋石這種礦物的填圖，只是MTMF，MF兩種方法還需對結果圖進行密度分割處理，稍顯繁復，但填圖效果良好。

8.6.2.2 白雲母礦物的填圖及效果分析

對Hyperion反射率數據進行MNF變換，根據變換結果人工確定變換維數，利用像元純度指數（PPI）進行分析，根據n維光譜空間進行特徵端元採集。運用光譜特徵擬合的方法對端元波譜曲線進行波譜匹配，建立真實的波譜庫（圖8.47）。因為隨著白雲母中Al含量的減少，Al-OH的譜帶位置逐漸向長波方向移動，所以可以分辨出貧鋁白雲母和富鋁白雲母的波譜曲線。

圖8.47 白雲母波譜匹配圖

用上述五種方法提取蛇紋石的具體位置，填圖結果如圖8.48所示。

經過以上五種填圖方法的對比分析發現，SAM填圖方法效果最佳，不僅明確填出白雲母礦物的范圍，而且避免了誤差引起的填圖錯誤。此外，對光譜特徵擬合後的結果圖做密度分割等操作，所提取的礦物范圍也較好。因此，兩種方法均適合進行白雲母的礦物填圖。

8.6.2.3 綠簾石礦物的填圖及效果分析

對Hyperion反射率數據進行MNF變換，根據變換結果人工確定變換維數，利用像元純度指數（PPI）進行分析，根據n維光譜空間進行特徵端元採集。運用光譜特徵擬合的方法對端元波譜曲線進行波譜匹配，建立真實的波譜庫，如圖8.49所示。

用上述五種方法提取蛇紋石的具體位置，填圖結果如圖8.50所示。

經過以上五種填圖方法的對比分析，發現SAM填圖方法效果最好。但光譜特徵擬合、MTMF和MF三種方法對綠簾石也有較好的顯示，對他們的結果圖做密度分割等操作，也能較好的提取出蛇紋石的范圍，因此，以上四種方法都適合蛇紋石礦物的提取填圖。

圖8.48 五種填圖方法結果對比

圖8.49 綠簾石波譜匹配圖

8.6.2.4 綠泥石礦物的填圖及效果分析

選取HyMap數據，選取USGS標准波譜庫中綠泥石的光譜曲線作為參考光譜。利用上面的方法提取綠泥石的具體位置，填圖結果如圖8.51所示。

8.6.2.5 多種礦物填圖情況

（1）HyMap數據1情況分析

依據地面區域地質資料，在HyMap反射率數據上選取典型的訓練樣區，利用這些訓練樣區提取五種礦物的分布位置。

SAM方法填圖：該方法需要設置閾值max angle threshod，通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比如下（圖8.52 ，圖5.3）。

Binary Encoding方法填圖：該方法需要設置一個閾值minimum encoding threshod，通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比（圖8.54 ，圖8.55）。實驗發現富鋁白雲母（黃顏色圖例）在閾值設置為0.97和0.96時，分類效果變化非常大，由於軟體對該閾值的設定只支持小數點後2位，所以不能進一步的精確，對比分析兩種閾值的分類效果，得出二進制編碼方法對富鋁白雲母的提取效果不是很好。

Minimun Distance（MD）方法填圖：該方法需要設置兩個閾值：Max stdev from Mean；Max Distance Error。通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比如圖8.56和圖8.57所示。

Spectral Information Divergence（SID）方法填圖：該方法需要設置閾值：Maximun Divergence Threshod。通過不同的嘗試，參數設置和填圖效果如下（圖8.58至圖8.60）。

（2）HyMap數據2情況分析

依據地面區域地質資料，在HyMap反射率數據上選取典型的訓練樣區，利用這些訓練樣區提取五種礦物的分布位置。

SAM方法填圖：該方法需要設置閾值max angle threshod，通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比如圖8.61所示。

最小距離填圖：最小距離填圖的參數設置及填圖效果差異如圖8.62和圖8.63所示。

（3）模擬數據情況分析

依據地面區域地質資料，在模擬的反射率數據上選取典型的訓練樣區，利用這些訓練樣區提取五種礦物的分布位置。

圖8.50 五種填圖方法結果對比

圖8.51 三種填圖方法結果對比

圖8.52 局部區域填圖效果

圖8.53 整體區域填圖效果

圖8.54 填圖效果1

圖8.55 填圖效果2

圖8.56 局部區域填圖效果截圖

圖8.57 整體區域填圖效果

圖8.58 不同閾值局部地區填圖效果

圖8.59 填圖效果（Threshold＝0.001）

圖8.60 填圖效果（Threshold＝0.005）

圖8.61 SAM 方法填圖

圖8.62 參數1下效果圖

圖8.63 參數2下效果圖

SAM方法填圖：該方法需要設置閾值max angle threshod，通過不同的嘗試，閾值的設定情況和填圖效果如圖8.64所示。

圖8.64 SAM 填圖效果

Binary Encoding方法填圖：該方法需要設置一個閾值minimum encoding threshod，通過不同的嘗試，閾值的設定和填圖效果情況如圖8.65所示。多次試驗發現該方法對提取chlorite和chlorite＋serpentine的效果不是很理想。

圖8.65 填圖效果

Minimun Distance（MD）方法填圖：該方法需要設置兩個閾值：Max stdev from Mean；Max Distance Error。通過不同的嘗試，閾值的設定和填圖效果情況如圖（其中Max Distance Error＝2000 ，圖8.66）。

圖8.66 填圖效果

Spectral Information Divergence（SID）方法填圖：該方法需要設置閾值：Maximun Divergence Threshod。通過不同的嘗試，參數設置和填圖效果如圖8.67所示。

圖8.67 填圖效果（Threshold＝0.005）

8.6.2.6 礦物信息填圖結果分析

綜合前面的分析結果，開展了礦物信息提取結果圖，為了分析礦物信息填圖效果，搜集了前人對此試驗區（圖8.68）進行的礦物填圖結果（圖8.69）。

圖8.68 礦物信息研究的區域圖

圖8.69 前人的礦物提取結果填圖結果

為開展蝕變礦物識別精度分析，可對比研究區本次提取的蝕變礦物分布圖（圖8.70）與前人提取的蝕變礦物信息分布圖結果，逐像素進行對比（由於解析度不同需做像素變換），如果研究區總的點數為N，本次與前人礦物分布圖的結論相同就認為該點取值1，最後統計結果中1的個數n，這樣蝕變礦物識別精度可定義為

高光譜遙感技術原理及礦產與能源勘查應用

對比分析本次礦物信息填圖結果和前人礦物信息的填圖結果，發現其結果並非完全一樣。其中蛇紋石的填圖效果一致性最高；綠簾石的分布范圍一致，但本次數據的填圖結果顯示的范圍較大；白雲母的分布范圍基本一致，但貧鋁白雲母和富鋁白雲母的分布范圍有些混淆，經過對比分析，本次數據和前人數據填圖范圍的一致性達到89%，基本滿足高光譜數據的填圖要求。對出現誤差的主要原因分析如下：

1）前人數據是機載高光譜數據，空間解析度可達到3～12m，此處的Hymap數據的空間解析度為5m，而本次數據是模擬星載高光譜數據，空間解析度為30m。隨著解析度的降低，單個像元所對應的地面面積將增大，導致每個像元中包含更多的礦物類型，礦物間的影響性也會增加。一方面，由於混合像元的平均效應，目標礦物在像元中的等效豐度會下降，光譜信息減弱。當像元中目標礦物的等效豐度下降到檢出限以下時，礦物將不能被識別，而造成礦物分布區的外圍含量較低的地段和含量較低分布區填繪面積的減少，點狀集群分布區的漏識別，線狀分布區的斷續分布。這種效應相當於檢出限的下降。另一方面，當像元中目標礦物的等效豐度在檢出限以上時，會使面狀礦物分布區的范圍擴大、空洞的充填、相鄰小區的連接，點狀集群分布區的成片，線狀區域的斑點效應。這兩種效應的綜合作用結果，空間解析度的減小則會使強異常區（包括高豐度區和光譜反襯度較高的礦物分布區）范圍的擴大、小區的相連、點群的結合，而使異常更加醒目，但其細節特徵會因此消失；弱異常區（包括低豐度區和光譜反襯度較低的那些礦物分布區）和小異常區面積會縮小或漏檢；線狀異常可能會形成斷續分布的小斑塊而使線狀特徵和其走向變得不清晰。因此，在填圖的細致程度上，解析度越高的數據填圖效果越好，這是造成填圖效果差異的最主要的原因之一。

圖8.70 本次試驗礦物信息提取填圖結果

2）輻射校正的精確程度。無論是高光譜成像儀還是傳統的多光譜感測器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射校正和光譜重建是地物識別不可缺少的環節。由於Hymap數據是機載高光譜數據，Hyperion數據是星載高光譜數據，對兩種數據進行輻射校正的參數也是不一致的，因此，得出的反射率數據也是有差異的，這也是造成填圖差異的原因之一。

總之，用本次數據進行礦物填圖是可行的，它可以在一定程度上對礦物的種類及分布進行識別。

E. 光譜特徵分析與提取

6.1.1 基於光譜重排的光譜特徵提取方法

首先，針對光譜吸收特徵受雜訊影響較大的問題，對數據進行最小雜訊分量正變換，消除雜訊後，再將最小雜訊分量特徵空間的數據變換回原數據空間，即最小雜訊分量反變換；然後針對單個吸收不穩定、光照等對光譜幅值影響較大等問題，提出在連續去除的基礎上，利用所有吸收特徵並將光譜吸收特徵按吸收深度由強至弱重排，從而實現穩定、可靠的光譜特徵提取。

（1）最小雜訊分量變換

在實際應用中，地物光譜吸收特徵對雜訊敏感，因此，在進行特徵提取之前，研究中引入了最小雜訊液蘆分量變換（Minimum Noise Fraction，MNF），去除雜訊對特徵提取影響的同時去除數據相關性。

MNF變換是Green等人在主成分分析理論的基礎上改進得到的。通常被用來去除數據中的雜訊成分，同時確定高光譜數據的本徵維數，從而減少後續處理的運算量。

該方法以雜訊協方差的估計矩陣為基礎，調整雜訊的取值並去除其波段間的相關性。在結果數據中雜訊的方差為1，並且在波段間無相關性。假設高光譜數據X＝［x₁，x₂，…，x_m］^T可以表示為

X ＝ Z ＋ N （6.1）

式中：矩陣Z，N分別是理想信號和雜訊矩陣，且彼此不相關；第i 波段的雜訊分量定義為NF_i ＝

，信噪比定義為SNR_i＝

。

∑_X，∑_Z和∑_N分別為可觀測信號、理想信號及雜訊的協方差矩陣，並且有

∑_X ＝∑X_Z ＋∑_N （6.2）

假設F為∑_N的白化矩陣，∑_N的特徵值矩陣為

＝diag（λ_N1，λ_N2，…，λ_Np），其中p為波段數，則有

高光譜遙感技術原理及礦產與能源勘查應用

高光譜遙感技術原理及礦產與能源勘查應用

式中：I為單位矩陣，矩陣

由∑_N的特徵向量組成，且滿足

。

假設∑_w＝F ^T∑_X F為雜訊白化之後的觀測數據的協方差矩陣，∑_w矩陣特徵值組成的對角矩陣為

＝d i a g（λ_w1 ，λ_w2 ，…，λ_wp），對矩陣∑_w作主成分變換，可以得到由矩陣∑_w特徵向量組成的

，使得

高光譜遙感技術原理及礦產與能源勘查應用

於是得到最小雜訊分量變換矩陣：

高光譜遙感技術原理及礦產與能源勘查應用

由式（6.6）得觀測信號顫埋卜最小雜訊分量變換後的矩陣為

T ＝ M^TX （6.7）

經過式（6.7）變換之後，可觀測信號各個波段間彼此不相關，且各個波段按信噪比由大到小排列

。即按變換後數據T的特徵值排列，較大的特徵值對應信號為主的圖像，接近於1的特徵值代表雜訊佔主導的圖像。在變換之後，通常可以直接利用T進行數據後續處理，但是Cheriyadat和Bruce等人證明，主成分變換完全依賴於數據整體的協方差，當類內方差占據類間方差的主體時，主成分變換傾向於將數據向不利於分類的方向投影。可見，MNF變換與主成分變換具有相同的特點，因此，研究中提出的演算法在利用MNF之後，利用最小雜訊分量反變換將數據轉換回光譜空間，這樣可以最大限度地保證數據的可分性。

（2）光譜重排

不同地物的光譜信息是不相同的，因此，高光譜遙感提供的地物精細的光譜信息可以直接作為特徵提取與目標識別的依據，比如利用紅邊、綠峰、NDVI等特徵可以提取植被。但當不同地物之間的光譜在形狀、幅值、變化趨勢等指標大致相同的時候（即光譜特徵相似），提取區分不同地物顯著特徵是非常困難的，即地物之間的不相關性均勻地分布在各個波段；此外，由於單個光譜吸收特徵容易受到光照條件、大氣等影響使得提取的光譜特徵參量不穩定。因此，針對以上問題，研究中提出了基於光譜重排的特徵提取方法，根據光譜吸收深度的由強到弱排列，剩餘的沒有吸收特徵波段則按波長由小到大排列。

光譜重排的實現過程如下：

1）通過不同階數的微分值確定的光譜彎曲點、最大最小光譜反射率及其波長位置，計算連續統去除後目標光譜的吸收位置λ_M 及其反射率值ρ_M、吸收深度H、吸收左右肩（ρ_L，ρ_R）及其反射值（λ_L，λ_R），並且吸收深度H的計算公式如下：

H ＝ d × ρ_L ＋（1-d）× ρ_R-ρ_M （6.8）

d ＝（λ_L-λ_M）/（λ_R-λ_L） （6.9）

2）將目標光譜按照吸收深度H由強至弱進行排列，若無吸收特徵，則按波長由小到大進行排列；

3）以目標光譜為基譜，將圖像數據光譜按照目標光譜重排後的波長進行排序。

該方法有效地利用了高光譜遙感數據提供的地物所有吸收特徵，增加了特徵提取的穩定性和可靠性；並且通過大量的實茄穗驗發現，任何兩種不同地物的光譜通過光譜重排之後，區分不同地物的顯著特徵更加明顯，增加了類別間的可分性。

（3）演算法實現

基於光譜重排的抗雜訊光譜特徵提取方法的實現流程如圖6.1所示。該方法中為了消除雜訊對光譜吸收特徵參數提取的影響，引入了MNF變換；為了有效抑制由於光照條件、感測器等因素產生的光譜幅值變化對光譜特徵提取的影響，引入了連續統去除操作；為了克服單一特徵不穩定、不同地物光譜特徵相似等問題，提出了光譜重排的方法。

（4）實驗分析

為了驗證上述研究中方法的有效性和可行性，採用AVIRIS航空高光譜數據進行實驗分析，並利用光譜之間的光譜角進行可分性的定量化分析。

實驗數據為1995年7月在美國內華達州Cuprite礦區AVIRIS航空高光譜數據，並且使用ATREM方法校正得到了地表反射率，波段范圍為1990～2480nm，空間解析度20m，光譜解析度10nm，數據大小為255 × 350 × 50。

圖6.1 光譜特徵提取方法實現流程

該研究區域的礦物分布圖如圖6.2（a）所示，從數據中提取高嶺石光譜曲線如圖6.2（b）所示，光譜重排後的光譜如圖6.2（c）所示。高嶺石、明礬石、布丁石及熱液硅石特徵提取前的光譜比較如圖6.3（a）所示，以高嶺石光譜為基譜，光譜重排後四種礦物的光譜特徵如圖6.3（b）（圖中的光譜曲線縱坐標做了平移處理）所示。利用光譜角的方法進行四種礦物光譜重排前後可分性的比較，結果如表6.1和表6.2所示。

圖6.2 高嶺石礦物光譜比較

圖6.3 四種礦物光譜比較

表6.1 原始光譜數據四種礦物的可分性

表6.2 重排後光譜數據四種礦物的可分性

由圖6.2和圖6.3可以看出，經光譜重排後，高嶺石礦物光譜吸收特徵按吸收深度的強弱進行了重新排列，較好的顯現了高光譜所有吸收特徵及主次吸收特徵的變化；並且明礬石與高嶺石礦物在2200 nm的光譜特徵由於吸收寬度等不同而能將二者較好的區分。由圖6.3與表6.2可以看出，經過光譜重排後，高嶺石與其他三種礦物的可分性均存在不同程度的增大，特別是，高嶺石與明礬石的可分性從0.1978增加為0.225；為後續礦物識別與分類等處理奠定了良好的基礎。

圖6.4 SAM方法礦物識別結果

為了進一步驗證該方法的性能，進行了利用該方法以及基於SAM方法的礦物識別結果比對分析。利用原始光譜進行光譜角匹配識別的結果如圖6.4所示。利用基於光譜重排的抗雜訊特徵提取方法得到的數據進行礦物識別，結果如圖6.5 所示。可以看出，兩種方法均能實現四種主要蝕變礦物的識別，但是，採用原始光譜進行識別的結果中存在著一定程度的礦物混淆，並且布丁石的識別結果混淆尤其明顯；而在研究方法中進行特徵提取基礎上得到的礦物識別結果礦物混淆明顯降低，取得了較好的識別結果，證明了上述研究中提出的方法的優越性能。

圖6.5 基於光譜重排特徵提取方法礦物識別結果

6.1.2 吸收波長加權匹配方法

光譜曲線往往包含了許多由雜訊引入的無效特徵，利用同類地物光譜特徵求交，實現了有效吸收波長、吸收深度的提取；常用的SAFP匹配方法中，只有參考光譜和測試光譜的特徵在相同的波長位置時，兩條光譜才被判為相同，匹配准則比較苛刻，導致由於雜訊等因素影響光譜特徵而無法匹配，吸收波長加權匹配法利用偏移加權矩陣實現了吸收波長的容偏匹配，大大增加了匹配的准確性，降低了外界因素對吸收參量特徵的影響。

對同類地物光譜曲線特徵求交，得出識別地物的有效特徵；地物光譜的診斷吸收特徵總是出現在特定的波段上，在某些情況下會有局部的偏移；對吸收特徵的中心波長進行匹配，並容許一定程度的波段偏移，容許程度用偏移加權矩陣來度量，能夠對地物光譜實現精確的識別。考慮到實際應用雜訊及系統誤差引入的干擾，用吸收深度對單個中心波長進行加權，吸收深度小的吸收特徵對整體相似度的貢獻小，吸收深度大的吸收特徵對整體相似度的貢獻大，這樣一定程度上抑制了無法去除的非有效特徵的影響。

（1）吸收波長加權匹配的實現

有效吸收特徵的精確提取和容偏匹配實現流程如圖6.6所示，具體包含以下幾個步驟：

1）對參考光譜連續統去除。利用導數法確定各吸收特徵的中心位置和左右肩對應的波長後，利用下列公式提取吸收特徵中心波長和吸收深度：

高光譜遙感技術原理及礦產與能源勘查應用

式中：

和

分別為吸收左肩端、右肩端、吸收谷點的反射率和波長位置；d＝

為吸收的對稱性參數。

沒有標准參考光譜時，參考光譜通過訓練樣本得到。通過上述方法提取各條參考光譜的吸收中心波長和吸收深度後，對所有訓練樣本的吸收特徵參數求交，方法如下：

光譜A和B的所有吸收特徵為feature_a，feature_b，A的第i個波段上存在特徵，對feature_b計算：

judge ＝ Weight·feature_b（［i-BandOffset：i ＋ BandOffset］） （6.11）

如果，judge＞0 ，則光譜A的第i個波段上的特徵為有效特徵。

得到參考光譜共有的有效特徵，此處需要記錄的是有效特徵的位置和吸收深度的大小，保存在向量EffFeatureIndex和Depth中。

2）提取未知光譜所有吸收位置和對應的吸收深度特徵，記錄在FeaturePos和FeatureDepth；

圖6.6 中心波長加權匹配流程圖

未知光譜特徵與參考光譜有效特徵按位匹配，匹配方法包含兩個參數，容許波段偏移數BandOffset和偏移加權矩陣Weight。

3）找到參考光譜第i個特徵位置，生成特徵檢驗區間：

TestIndex ＝（i-BandOffset）：（i ＋ BandOffset） （6.12）

計算特徵檢驗值：

TestValue ＝ Weight·FeatureDepth（TestIndex） （6.13）

TestValue不為0 ，則說明未知光譜對應位置存在有效特徵，反之則不存在，未知光譜中的識別特徵所在波段記錄在向量EffIndex中。

4）重復3）的過程，直到對未知光譜的所有有效特徵進行了檢測，未知光譜中識別特徵存在的波段記錄在向量EffIndex中。

5）對吸收位置用吸收深度加權匹配，匹配度的計算公式如下：

高光譜遙感技術原理及礦產與能源勘查應用

6）根據匹配度degree的值判斷未知光譜與參考光譜的近似程度，閾值Thresh手動選擇，根據經驗，在用吸收深度加權的匹配方法中，Thresh＝0.8就能獲得較高的識別率。

用吸收深度加權對吸收特徵中心波長進行容偏匹配的關鍵在於：有效吸收特徵的准確提取和偏移加權矩陣Weight或容許波段偏移數目BandOffset的選擇，反射率曲線所有吸收特徵的精確提取是前提，偏移加權矩陣的確定需要根據對像光譜的采樣間隔來確定，Weight的分量的個數為2 × BandOffset＋1；並且有效特徵提取和特徵識別過程使用的偏移加權矩陣Weight可以不同，光譜采樣間隔較大時，可以選擇Weight的各個分量服從高斯分布。

（2）基於USGS光譜庫數據的實驗與結果分析

圖6.7（a）為USGS礦物光譜庫中六條綠泥石連續統去除後反射率曲線；波段偏移參數BandOffset＝1，對應的容偏矩陣Weight＝［1，1，1］；即兩條光譜的特徵相差一個波段以下認為該特徵為有效特徵；綠泥石的有效特徵見圖6.7（b），用方框標記出了吸收谷的波長位置；圖6.7（c）給出了利用吸收波長加權匹配方法得到的綠泥石有效特徵；圖6.7（d）給出了綠泥石和陽起石反射率光譜。

圖6.7 有效特徵提取

匹配加權矩陣Weight＝［1，1，1］表示容許兩端偏移，Weight＝［0.1，1，0.1］表示不容許偏移；兩情況對應的相似度見表6.3和表6.4。對比表6.3和表6.4的相似度值可以看出，容許波段偏移後，綠泥石光譜間的相似度明顯變大。利用圖6.7（c）的有效特徵對圖6.7（d）所示的陽起石和綠泥石光譜進行Weight＝［1，1，1］匹配，近似度見表6.5，用綠泥石的有效光譜能有效的識別出綠泥石光譜與陽起石光譜的差異。

表6.3 綠泥石光譜識別Weight＝［1，1，1］

表6.4 綠泥石光譜識別Weight＝［0.1，1，0.1］

表6.5 陽起石和綠泥石識別Weight＝［1，1，1］

（3）基於AVIRIS數據的實驗與結果分析

利用內華達州Cuprite礦區的AVIRIS數據進行基於吸收波長加權提取方法實現礦物匹配識別研究。利用的礦物端元光譜如圖6.8所示，識別結果如圖6.9所示。

從地質圖6.2（a）與結果圖6.9比較可以看出，該方法對具有明顯光譜吸收特徵的明礬石和高嶺石礦物具有較高精度的識別效果，但是對於吸收特徵較寬、較淺的白雲母和布丁石的識別效果則較差。

圖6.8 演算法中用到的端元光譜

圖6.9 基於吸收波長加權特徵提取的礦物匹配識別結果

F. 高光譜岩性信息提取

8.5.1 方法與流程

8.5.1.1 岩性信息產品生成業務化流程

採用的高光譜岩性信息分類填圖方法：先將成像高光譜數據進行輻射定標、大氣校正、光譜重建等過程得到光譜反射率數據，然後根據礦物特徵吸收峰分布情況對高光譜反射率數據進行波譜降維，對照已有地質圖選取其中的典型岩性並結合像元純凈度指數圖在高光譜數據區域中建立感興趣區，確定岩性分類的先驗樣區，最後用合適的方法進行岩性信息分類填圖，並對結果進行優化操作。岩性信息分類填圖流程圖如圖8.20。

圖8.20 高光譜岩性信息分類填圖流程

8.5.1.2 岩性分類信息提取的高光譜數據預處理

無論是高光譜成像儀還是傳統的多光譜感測器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射定標和光譜重建是地物識別和定量分析不可缺少的環節。只有經過輻射標定、輻射校正和大氣校正，剔除由於大氣散射、吸收、地形起伏及感測器本身不穩定帶來的各種失真，將記錄的圖像值轉換為地面的反照率值，重建像元地面光譜，才能根據光譜特徵，有效地識別地物，反演地物成分。

8.5.1.3 端元選擇

對於一個地區的未知岩性分類信息提取，一般要進行岩性端元信息的提取。所謂端元，指的是成分單一的岩性像元。只有提取出端元才能進一步對研究區域進行岩性信息的分類分析。目前端元選擇的方式概括起來主要有兩種：①根據野外波譜測量或從已有的地物波譜信息庫中選擇端元。通過這種途徑選擇的端元稱為「參考端元」。②直接從待分類岩性的圖像上選擇端元，然後不斷對其修改、調整，確定端元，這種圖像上選擇的端元區域稱為先驗樣區。

野外獲取岩性端元信息一般要經過實地勘察，先選擇好樣區，然後選擇合適的時間進行量測。一般情況下，要求在獲取影像的同時進行地物波譜量測，但這種難度很大，實際應用中很少能做到。通過野外測量方式獲取的參考端元理論上比較精確，但遙感圖像上地物的波譜曲線受到大氣、地形和感測器等的影響，這些與野外實地測量的地物波譜曲線存在很大差別，即使對影像進行各種糾正進一步消除這些因素的影響，也不會與野外測量的地物波譜曲線很好地吻合。對於大部分研究區域而言，有與研究區對應的實際地物波譜庫的區域很少，也很少投入大量人力、物力進行野外波譜測量。因此在缺乏野外波譜測量數據情況下，從影像本身獲取端元是目前獲取端元的主要方式。目前，在端元從影像本身的像元獲取方式中，除了對遙感影像像元的色調、波譜特徵進行目視解譯直接分析外，還可藉助以下分析方法進行。

基於圖像的端元選擇是假定圖像中存在有基本上僅反映一種岩性或礦物光譜的「純像元」或「非混合像元」，用數學方法自動或交互地從圖像中提取這些「純像元」作為端元，用同一類「純像元」的典型光譜或平均像元光譜作為端元光譜。PPI方法由於推出較早，計算簡便直觀，並且處理高光譜數據中使用最廣泛的遙感圖像處理系統ENVI中有該功能，因而得到較廣泛的應用。但是在進行PPI之前，需先對高光譜數據進行降維處理。我們常用的降維處理手段主要是最大雜訊分離（MNF）變換。

（1）最大雜訊分離（MNF）變換

成像光譜的光譜解析度很高，波段多，數據海量，且波段之間的相關性很強，數據冗餘度高，需要在端元選取和礦物識別之前對數據作減維，並弱化雜訊。最常用的方法是「最大雜訊組分變換」。

MNF變換是利用圖像的雜訊組分矩陣（∑_N∑^-1）的特徵向量對圖像進行變換，使按特徵值由大到小排序的變換分量所包含的雜訊成分逐漸減小，圖像質量順次提高。∑為圖像的總協方差矩陣；∑N為圖像雜訊的協方差矩陣。MNF有兩個重要的性質，一是對圖像的任何波段作比例擴展，變換結果不變；二是使圖像矢量、信息分量和加性雜訊分量互相垂直，達到信息分離的目的。乘性雜訊可通過對數變換轉換為加性雜訊，變換後可針對性地對各分量圖像進行去噪，或舍棄雜訊占優勢的分量，以達到成像光譜數據減維和去噪的目的。

（2）像元純度指數（PPI）分析

基於上述MNF變換，排序低的MNF波段被暫時忽略，僅選擇高序次波段進一步處理。PPI設計指定光譜極值像元，對應為混合光譜端元。通過反復投影n維散點圖到隨機單元矢量來計算PPI。記錄每次投影的極值像元，注記每個像元被標定為極值的總次數。PPI圖像產生，其中，每個像元的DN值對應像元被記錄為極值的次數。這些圖像的直方圖顯示被PPI「擊中」（hit）的分布。從直方圖中選擇閾值，用於選擇最純的像元以保證被分析的像元數最小。這些像元被輸入到分離特定光譜端元的互動式可視化演算法中。

（3）N維可視化（n-Dimensional Visualization）

由於PPI演算法本身確定的並不是最終的端元，而是從圖像眾多像元中選出包含所有端元像元的較小像元子集。所以，一般要將PPI的處理結果輸入到N維可視化（n-Dimensional Visualization）工具中，選擇出最終的端元像元。

在N維可視化中，光譜可視為n維散點圖中的一個點，n是波段數。對給定的像元，n維空間中組成n值的點的坐標是每個波段的光譜反射率。這些點在n維空間的分布可用於估計光譜端元數和它們的純光譜特徵。在兩維空間，如果只有兩個端元混合，混合光譜將落入直方圖的線中。純端元將落入混合線的兩端；如果三個端元混合，混合像元將落入四面體中；余類推。混合的端元落在純端元之間，處在純端元勾畫的多面體中。這種混合光譜的凸面幾何特徵，可用於確定端元光譜數並估算它們的光譜特徵，經過PPI選擇出的潛在端元光譜輸入n維散點圖中進行反復旋轉以識別出純端元。根據前面的分析，較好的端元通常會出現在n維散點圖的頂點和拐角處，當一系列的端元點被確定後，就可以將其輸入到圖像中的感興趣區（ROI），從圖像中提取每個感興趣區平均反射率光譜曲線作為成像光譜礦物填圖的候選端元。

鑒於PPI演算法得出的結果是從圖像眾多像元中選出包含所有端元的較小像元子集（圖8.21），在已有的地質圖中結合PPI結果圖可選取盡量純凈的端元區域作為後期監督分類的感興趣區（ROI，Region of Interest）。

圖8.21 選擇出的純凈像元的波譜曲線

8.5.2 結果與分析

目前，從是否需要先驗樣區可將岩性分類技術分為兩大類：非監督分類和監督分類。非監督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑數據遙感影像地物的光譜特徵的分布規律，即自然聚類的特性，進行「盲目」的分類；其分類的結果只是對不同類別達到了區分，但並不能確定類別的屬性；其類別的屬性是通過分類結束後目視判讀或實地調查確定的。非監督分類也稱聚類分析。一般的聚類演算法是先選擇若干個模式點作為聚類的中心。每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各模式歸於各聚類中心所代表的類別，形成初始分類。然後由聚類准則判斷初始分類是否合理，如果不合理就修改分類，如此反復迭代運算，直到合理為止。監督分類又稱訓練場地法，是以建立統計識別函數為理論基礎，依據典型樣本訓練方法進行分類的技術。即根據已知訓練區提供的樣本，通過選擇特徵參數，求出特徵參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類，是模式識別的一種方法。要求訓練區域具有典型性和代表性。判別准則若滿足分類精度要求，則此准則成立；反之，需重新建立分類的決策規則，直至滿足分類精度要求為止（圖8.22）。

圖8.22 地質圖

對原始數據的211個波段進行目視解譯，去掉其中明顯的雜訊波段得到剩下的178個波段，對這178個波段的數據信息用上述方法進行分類得到所需的結果，然後結合各種岩性地質特徵，得知大多數礦物特徵吸收峰均位於1300 nm以後的波段中，故在這178個波段中繼續裁剪得93個波段，並對裁剪結果用相同的方法及參數重新分類，將得到的結果與第一次分類結果進行對比。

8.5.2.1 非監督分類填圖結果

（1）K-Means

預選待分類數據可分為八類，最大迭代次數為2，且設變化閾值為5%，即當每一類像元數變化小於閾值時結束迭代過程，最大允許標准差和最大允許距離誤差不輸入，即所有像元都參與分類。從而，當達到閾值5% 或迭代達到兩次時則分類結束（圖8.23 ，圖8.24）。

圖8.23 所用數據：dts_178，K-Means填圖結果

圖8.24 所用數據：resize_dts_93，K-Means填圖結果

（2）ISODATA

預選待分類數據可分為5～10類，最大迭代次數為2 ，變化閾值為5%，每一類最少含有像元數為500 ，最大允許標准差為10 ，即如果一類的標准差大於10 ，則該類被拆分為兩類。類均值間允許最小距離為5，能夠被合並成對的最大對數為5，即當類均值間距離小於5 時，這一類就會被合並，而合並後的成對類的最大值為5（圖8.25 ，圖8.26）。

圖8.25 所用數據：dts_178，ISODATA 填圖結果

圖8.26 所用數據：resize_dts_93，ISODATA填圖結果

8.5.2.2 監督分類填圖結果

首先，對照地質圖和PPI圖像選取兩種岩性（Cgammabeta：石炭紀黑雲母花崗岩，Cdelta：石炭紀閃長岩）的感興趣區。

（1）平行六面體

設置最大允許標准差（Max stdev from Mean）為1.4（圖8.27，圖8.28）。

圖8.27 所用數據：dts_178，平行六面體填圖結果

圖8.28 所用數據：resize_dts_93，平行六面體填圖結果

（2）最小距離

設置最大標准差為10 ，最大允許距離誤差為2500 ，則分類過程中由兩者中較小的一個判定像元是否參與分類，若一旦大於任何一個值則該像元不參與分類，歸屬為無類別（圖8.29 ，圖8.30）。

圖8.29 所用數據dts_178，最小距離填圖結果

圖8.30 所用數據resize_dts_93，最小距離填圖結果

（3）光譜角制圖

設置最大允許角度為0.05°，即當像元波譜與終端端元波譜間夾角大於0.05°時，則不參與分類（圖8.31 ，圖8.32）。

圖8.31 所用數據：dts_178，光譜角制圖填圖結果

圖8.32 所用數據：resize_dts_93，光譜角制圖填圖結果

（4）光譜信息散度

設置最大散度閾值為0.002（圖8.33）。

圖8.33 所用數據：dts_178，光譜信息散度填圖結果

（5）二值編碼

設置最小二進制閾值為0.95 ，決定了哪些像元參與分類（圖8.34 ，圖8.35）。

圖8.34 所用數據：dts_178，二進制編碼填圖結果

圖8.35 所用數據：resize_dts_93，二進制編碼填圖結果

（6）最小距離（Hymap數據）

該方法需要設置兩個閾值：Max stdev from Mean；Max Distance Error。通過不同的嘗試，針對兩種閾值的設定如圖8.36所示。

圖8.36 局部填圖效果

（7）光譜信息散度（Hymap數據）

該方法需要設置閾值：Maximun Divergence Threshod。通過不同的嘗試，參數設置和填圖效果如圖8.37所示。

圖8.37 Threshod＝0.005 時的譜信息散度填圖結果

8.5.2.3 岩性信息填圖結果分析

為了分析高光譜星載模擬數據的岩性填圖效果（圖8.38），可對比研究區的岩性信息分布圖與地質圖逐像素進行對比，如果研究區總的點數為N，地質圖中與岩性信息分布圖的結論相同就認為該點取值1，最後統計結果中1的個數n，這樣岩性信息識別精度可定義為

高光譜遙感技術原理及礦產與能源勘查應用

圖8.38 岩性提取結果圖

筆者發現岩性分類結果與地質圖吻合度達到了89%，對出現誤差的主要原因分析如下（圖8.39）：

1）實驗中所用數據是高光譜星載模擬數據，其空間解析度為30m，隨著解析度的降低，單個像元所對應的地面面積將增大，導致每個像元中包含更多的岩性類型，岩性間的影響性也會增加。一方面，由於混合像元的平均效應，目標岩性在像元中的等效豐度會下降，光譜信息減弱。當像元中目標岩性的等效豐度下降到檢出限以下時，岩性將不能被識別，而造成岩性分布區的外圍含量較低的地段和含量較低分布區填繪面積的減少，點狀集群分布區的漏識別，線狀分布區的斷續分布。這種效應相當於檢出限的下降。另一方面，當像元中目標岩性的等效豐度在檢出限以上時，會使面狀岩性分布區的范圍擴大、空洞的充填、相鄰小區的連接，點狀集群分布區的成片，線狀區域的斑點效應。這兩種效應的綜合作用結果，空間解析度的減小則會使強異常區（包括高豐度區和光譜反襯度較高的礦物分布區）范圍的擴大、小區的相連、點群的結合，而使異常更加醒目，但其細節特徵會因此消失；弱異常區（包括低豐度區和光譜反襯度較低的那些岩性分布區）和小異常區面積會縮小或漏檢；線狀異常可能會形成斷續分布的小斑塊而使線狀特徵和其走向變得不清晰。因此，在填圖的細致程度上，解析度越高的數據填圖效果越好，這是造成填圖效果差異的最主要原因之一。

2）輻射校正的精確程度。無論是高光譜成像儀還是傳統的多光譜感測器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不一致的。因此，輻射校正和光譜重建是地物識別不可缺少的環節。但校正後數據必然丟失一定的信息，故再進行後續處理也會有一定的誤差。

3）感興趣區的選取是進行監督分類的一個重要環節，但由於一般情況下並不能得到純度足夠高的感興趣區，造成選取的樣區含有多種岩性，從而對後期處理造成不可避免的誤差。

4）在數據一定的情況下，各種分類方法中參數的選取決定了分類效果，但由於無法遍取各種參數進行嘗試，實驗過程中僅是進行有限嘗試後選擇了具有較好的結果的參數，但並不能保證所用參數是最適合的參數。

總之，用高光譜星載模擬數據進行礦物填圖是可行的，它可以在一定程度上對岩性的種類及分布進行識別。

圖8.39 對比地質圖（上圖是下圖黑框中部分）

G. 煤火災害多光譜遙感信息提取方法

（一）基於ETM數據的圖像處理方法

根據對汝箕溝煤火區地物圖像波譜特徵分析，圖像波段比值ETM7/4異常對識別和提取燒變岩和明火信息有利，地物的多波段波形特徵ETM5＞ETM7＞ETM1＞ETM3＞ETM2＞ETM4對識別地下煤火有較好的指示作用。設計提取煤火災害遙感異常的具體圖像處理方法如下。

（1）利用煤田邊界資料，生成一幅煤田分布掩模圖像；

（2）在掩摸條件下，利用光譜角技術提取煤火區地物的分布信息，生成一幅煤田地物分布圖像，見圖3⁃4⁃1；

圖3-4-1 利用光譜角技術提取的煤火區地物分布信息圖像

（3）計算煤田分布圖像的波段比值ETM7/4，利用比值圖像加數倍標准差的方法進行比值異常提取，作為判別燒變岩的遙感信息；

（4）利用模板ETM5＞ETM7＞ETM1＞ETM3＞ETM2＞ETM4，提取ETM圖像中的波形異常信息，作為判別地下煤火地物光譜異常信息；

（5）對上述兩類遙感信息進行疊加和綜合，生成地下煤火災害遙感信息圖。

圖3⁃4⁃2是根據上述方法提取的汝箕溝煤火遙感異常信息檔唯空。其中包括煤火區圖像ETM7/4比值異常，分割閾值1.60，3×3均值濾波；煤火區多波段波形異常，波形匹配閾值0.04，3×3均值濾波。

（二）基於ASTER數據的圖像處理方法

1.數據處理

用於汝箕溝和烏達煤田煤火探測研究的ASTER數據是屬於經過輻射和幾何校正的ASTER⁃1B數據。其中汝箕溝煤火區數據圖像清晰，信息豐富，無條帶和雜訊干擾；烏達煤火區圖像，有部分雲量，覆蓋面積小於40%，無雲區清晰度很高，無條帶和雜訊干擾，可滿足煤火探測研究使用。

原始ASTER⁃1B數據的投影模式為UTM，Zone 48 North，基準面為North America 1927，需要進行投影轉換，轉換為GK Zone 18（Pulkova 1942）；然後根據煤火區的地理坐標范圍進行圖像數據裁剪。由於ASTER數據具有不同的空間解析度，為便於進行多波段數據組合與處理，對SWIR和TIR數據進行重采樣和幾何配准，使它們的圖像解析度與VNIR解析度一致，生成具有統一空間解析度的煤火區ASTER多波段圖像。

2.燒變岩遙感信息提取

圖3-4-2 汝箕溝煤火災害遙感信息提取圖像

燒變岩信息是研究煤田過火區的重要指示標志，也是確定地下煤火遷移方向和火災變化范圍的重要依據。以汝箕溝煤火區9號點死火區燒變砂岩、7號點燃燒區燒變行瞎岩石的短波紅外光譜曲線為目標參量，根據波形相似原理選擇光譜角技術對煤火區圖像的每個像元進行逐一自動掃描，給定閾值提取與燒變岩短波紅外波形相似的圖像像元信息，作為燒變岩信息分布圖像。在汝箕溝煤火區，選取燒變砂岩的光譜角閾值為0.01，選取燃燒區燒變粗礫砂岩的光譜角閾值為0.005。圖3⁃4⁃3是利用短波紅外數據提取的燒變岩遙感信息分布圖。

（三）煤火災害信息提取效果分析

在汝箕溝煤火區遙感異常圖像上讀取波譜異常區的中心坐標，在野外根據GPS顯示尋找圖像異常區，並對異常區的地面屬性進行調查。表3⁃4⁃1是部分遙感異常地面檢查一覽表。在汝箕溝地區，分別對ETM7/4異常、波形異常和ASTER光譜異常區進行地面檢查。主要結果表明，ETM7/4異常區主要反映的是含煤系地層的燒變岩石和煤層信息，波形異常區主要反映的是含煤系地層岩石和煤火信息。

ASTER光譜異常區可部分反映地下煤層燃燒信息，如點位7、8；部分反映了煤層信息，如點11。與ETM相比較，ASTER光譜異常區主要集中在火區地帶。從提取的遙感信息圖像中可看出信息分布集中且具有一定的規律性，主要分布在北東-南西向的汝箕溝向斜軸兩側附近，向斜東端煤上覆地層燒變岩分布較多，多位於山脊和山坡上。燒變岩分布方向與煤火區地下煤火的燃燒歷史狀況一致，分布在已熄滅的過火區；即主要分布在白芨溝礦區、衛東煤礦、大峰礦、汝箕溝礦和古拉本礦周圍，面積較大。從燒變岩的分布規律看出該區的煤層自燃演化過程，該區煤層自燃沿向斜兩翼分別由北向南發展。燃燒區岩石信息目前主要分布在汝箕溝、大峰礦、衛東煤礦和汝箕溝太陽溝地區，與礦區的現勢火情和野外檢查相吻合。由此可見，利用多光譜信息，可以提取一些與煤火災害有關的信息。汝箕溝煤火區圖像有如下情況。

圖3-4-3 汝箕溝煤火區燒變岩遙感信息提取圖像

表3-4-1 汝箕溝煤火區典型遙感異常信息野外檢查山祥表

續表

（1）ETM7/4異常多呈小面積分布，熱異常值比較高，與煤層分布范圍較一致。這可能與地表岩石土壤在煤火烘烤燒變作用下，發生強烈的氧化作用使岩土中的鐵離子富集且質地緻密堅固有關。它是判別燒變岩區和活火區的有利依據。

（2）利用ETM5＞ETM7＞ETM1＞ETM3＞ETM2＞ETM4光譜特徵提取的異常多呈點狀分布，可能與煤層燃燒改變了燃燒區上覆地層的礦物成分及地層結構、構造、抗風化能力等特徵有關。在地表熱異常值比較低的地方，可作為判別死火燒區的依據。

（3）ASTER短波紅外數據對識別燃燒區和死火區的燒變岩信息比較有利。

H. 端元光譜選取與信息提取

3.1.3.1 端元數目的確定

一個混合像元可能包含了幾種地物類別，所以確定端元的數目是進行光譜線性分解的前提，也是整個光譜線性解混技術中必不可少的一個環節。對於多光譜數據常用的方法是根據主成分分析（PCA）中協方差的大小來判定端元數，但是其分析方法比較粗糙，而對於含有上百個窄波段的高光譜遙感影像來說，主成分分析方法很容易把細微的光譜信息歸到雜訊部分（Chang C，2007）。因此，目前常用的針對高光譜遙感影像確定端元數目的方法是基於Neyman－Pearson探測理論的特徵閾值分析方法（Harsanyi et al.，1994），簡稱HFC（Harsanyi，Farrand，Chang）。本章也採用此方法進行端元數目的確定。

HFC原理是通過對影像進行矩陣的相關計算，分別得到其相關矩陣R_m×n和協方差矩陣K_m×n及其特徵值，並把特徵值分別記作 。

如果影像的信號能量為正，則有

高光譜遙感影像信息提取技術

式中：n即為端元數目；m為高光譜影像的波段數。

即便是沒有採用主成分分析的方法，也不可避免的有部分弱信號被認作是雜訊信號被排除掉，因此，為了盡可能地減少這種現象的發生，在計算端元數目之前最好進行白化處理（Gruninger et al.，2004）。

3.1.3.2 端元的提取

高光譜影像端元提取的方法目前研究的較為深入，研究者從不同的角度提出了很多實用性的提取方法，其中較為常用的有純像元指數（PPI）、內部最大體積法（N－FINDR）、頂點成分分析（VCA）、單形體投影方法（SPM）、順序最大凸錐（SMACC）、迭代誤差分析（IEA）、外包單形體收縮（SSWA）、最小體積單形體分析（MVSA）、凸錐分析（CCA）、光學實時自適應光譜識別系統（ORASIS）、自動形態學（AMEE）、最大距離法（MaxD）、最大體積法（MaxV）、最大零空間投影距離法（NSP）、定量化獨立成分分析法（ICA）等（張兵等，2011）。本章採用的端元提取的方法是順序最大凸錐（SMACC），它提供了更快、更自動化的方法來獲取端元波譜，但是它的結果近似程度較高，精度較低。由於本章的研究目的是一種改進型的線性分解方式，不是集中在端元選擇問題上的研究，因此使用SMACC雖然不是最好的演算法，但是完全可以達到本章實驗的目的。

SMACC演算法（Gruninger et al.，2004）在提取端元的同時可以獲得豐度反演的結果，它的基本原理是通過迭代的方法來獲取端元，經過數次迭代，每次都不斷地計算和調整各個端元在混合像元中所佔的比例，並且利用投影變換消除端元之間的相互影響。其中，最關鍵的步驟就是判斷該像元中是否有該端元，並且是否需要進行斜交投影（或正交投影）。具體演算法如下：

設原始像元集表示為 ，其第j次迭代前的像元集合表示為 ，第j次迭代前的端元集合表示為 ，w_j表示每次迭代時的投影方向，X^j－1為最長的光譜向量，則X^j－1在w_j方向上的投影系數為

高光譜遙感影像信息提取技術

e_j在x_i中的比例系數為

高光譜遙感影像信息提取技術

式中：β_ij為調整系數，當β_ij＝1時為正交投影，否則為斜交投影。經過多次迭代，最終可以得到的ej在x_i中的比例系數 。

像元的投影結果為

高光譜遙感影像信息提取技術

其中，系數β_ij調整的原則為：當O_ij≤0時，β_ij＝0，表示沒有該端元；否則，根據

高光譜遙感影像信息提取技術

通過計算v_k得到其中的最小值，記為v_min。當v_min＞1，則β_ij＝1，為正射投影；否則為斜交投影，β_ij＝v_min。

3.1.3.3 混合鉛枝像元地物信息提取及其分類

經過對混合像元光譜曲線構建的矩陣進行分解，可以得到每一類端元光譜在混合像元中的豐度值f_j（j＝1，2，…，n），但是對高光譜影像的分類或地物信息提取是按照以像元為基本單位進行劃分的，也就是說在分類或地物提取中，一個像元不可能被塗上不同的顏色，因此，為了便於分類，選取f_j中值最大的一個對應的端元作為該混合像元的地物種類，即Max（f_j）（j＝1，2，虧激滑…，n）對銷臘應的端元。

I. 遙感光譜數據的獲取

遙感技術從航空攝影測量逐步演變發展起來，大致經歷了3個發展階段：

1.航空攝影測量發展階段

目前仍保存著的最早一幀航空相片是1860年J.W.布萊克從氣球上拍攝的波士頓市的相片。在地質上的應用則始於1913年，有人在飛機上用攝影機對著非洲利比亞的本格遜油田攝影成像，並用這套骯空相片編制了本格遜油田地質圖。航空攝影遙感主要以飛機或者氣球為運載工具，用航空攝影機對目標獲取信息，然後再經過負片和正片過程得到最終的航空相片。航空攝影利用的是電磁波可見光全色波段，用感光膠片接受所攝目標物反射來的太陽光線感光、成像，一般感光片的感光范圍是0.3～0.9μm。航空攝影大多數情況下是垂直攝影，即航空攝影機主軸保持沿鉛垂方向進行拍照；在特殊情況下，利用專門相機進行斜傾攝影。航空攝影按所利用的電磁波波段、相應的感光片及所成圖像的特點，分成4種，即：航空可見光全色黑白圖像；航空可見光真彩色圖像：航空紅外假彩色圖像：航空紅外黑白圖像。其中，航空可見光全色黑白圖像和航空紅外假彩色圖像最為常用，它們主要利用地物波譜的寬波段反射強度特性。

2.多光譜衛星遙感階段

數字衛星成像首先是從氣象衛星開始的，在1960年TIROS-1氣象衛星提供了非常粗糙的衛星圖像，主要用來展示雲的樣式。隨後，在1970年代，美國國家海洋和大氣管理局（NOAA）發射了甚高解析度輻射感測器（AVHRR）進行氣象預報，它的地面解析度是1.1km，我們在電視氣象預報節目中看到它所獲得的雲圖。同時，從1970年代開始，相繼發射了一些搭載更高解析度感測器的衛星。如：1972年7月23日，美國國家航空和宇宙航行局（NASA）發射了第一顆專門用來進行地球表面監測和填圖的地球資源技術衛星（ERTS-U），1975年被更名為陸地衛星（Landsat）。在Landsatl-3上都裝有多光譜掃描儀（MSS），該掃描儀有4個波段，即綠、紅和兩個紅外波段，地面解析度約為80m。1982年，Landsat4搭載了專題制圖儀（TM），它有7個波段，比MSS覆蓋波譜范圍更寬，波段寬度劃分得更細些，更能反映地物反射光譜特性的變化規律，其地面解析度除第6波段為120m外，均為30m。多光譜遙感的最典型特徵是能夠利用多個波段同時獲取同一目標的多個波譜特徵。這樣就大大提高了遙感識別地物的能力。隨後各國紛紛效仿，感測器的光譜范圍從可見光、紅外直至微波波段，應用范圍也不斷擴大。

3.成像光譜遙感技術發展階段

成像光譜遙感技術是多光譜技術發展的一次跨越。Hunt的研究結果表明特徵礦物的吸收寬度大約在20～40nm，而多光譜遙感數據（例如，MSS和TM）的光譜解析度僅為100nm左右，因此遙感科學家們開始研究高光譜解析度和空間解析度的遙感感測器。1981年，一台太空梭多光譜紅外輻射計（SMIRR）隨著美國太空梭「哥倫比亞」號對地球表面進行了一次有限航帶的觀測，第一次實現了從空間通過高光譜解析度遙感直鑒別碳酸鹽岩以及粘土高嶺土礦物，由此拉開了成像光譜遙感岩性識別的新篇章。繼JPL的AIS-1和AIS-2以及AVIRIS航空成像光譜儀研製成功之後，加拿大也先後研製成功了FIL/PML，CAS1及SFSI等幾種成像光譜儀（童慶禧等，1993）。其他的還有：HIRIS（high resolution imaging spectrometer）成像光譜儀，在0.4～2.5μm范圍內有192 個光譜波段，地面解析度30m，在0.4～1.0μm波長范圍光譜解析度為9.4nm，1.0～2.5μm范圍內為11.7nm（Goetz＆ Herring 1989；Kerekes ＆ Landgrebe，1991）。美國地球物理環境研究公司（Geophysical and Environ-mental Research Corporation）的63通道成像光譜儀（GER）是專門為地質遙感研究設計的，被多次用於岩性填圖（鄭蘭芬等，1992；Bamaby W rockwell，1997）。除航空成像光譜儀外，美國和歐洲空間局（ESA）已制定了發展航天成像光譜儀的計劃，其中美國的中解析度成像光譜儀（MODIS）已經加入地球觀測系統（EOS）發射入軌，對地球實現周期性的高光譜解析度遙感觀測。歐空局的中解析度成像光譜儀（MERIS）也將於同時發射（童慶禧等，1993）。

從1990～1995年，Roger N.Clark等人先後利用AVIRIS數據在美國內華達州，卡普來特試驗場進行了礦物和岩性的識別和填圖，他們發現成像光譜儀不僅能區分地表發射光譜中總體亮度和坡度差異（多光譜技術MSS，TM和SPOT區分地物的基礎），而且能得出用於識別特殊地物的光譜吸收波段，成像光譜數據的光譜分析可以對任何在測量光譜范圍內有獨特吸收特徵的物質（礦物、植被、人T物體、水體、雪等）進行識別和填圖（Clark，R.N.et al.，1996）。

中國科學院上海技術物理研究所是我國成像光譜儀的主要研製機構。1983年研製成功了第一台工作於短波紅外光譜區（2.05～2.5μm）的6通道紅外細分光譜掃描儀，其光譜解析度在30～50nm之間。1987年，在國家和中國科學院黃金找礦任務的驅動下，該儀器發展到12個通道，其波段位置更趨於與地面粘土礦物、碳酸鹽岩礦物的吸收波段相一致，因而在地質岩性識別方面具有更大的能力（童慶禧等，1993）。另外還有熱紅外多光譜掃描儀（TIMS），19 波段多光譜掃描儀（AMSS）以及71波段多光譜機載成像光譜儀（MATS）等。這些光譜儀的數據主要用於油氣資源遙感（朱振海，1993）和礦物制圖（王晉年等，1996）等方面，數據的處理技術和礦物識別的理論研究都取得了不同程度的進展（李天宏，1997）。

綜觀遙感光譜數據的獲取，具有幾個新的發展：

①擴展了應用光譜范圍，增加了光譜波段；②提高了光譜和空間解析度；③具有獲得立體像對的功能，打破了只有航空相片才能有立體像對的能力（如SPOT圖像）；④改進了探測器性能或探測器器件，即線、面陣CCD器件；⑤提高了圖像數據精度；⑥應用領域縱向發展，如用TM圖像數據直接可以識別赤鐵礦、針鐵礦等礦物。

在20世紀末和21世紀初，空間高光譜成像衛星已成為遙感對地觀測中的一項重要前沿技術，在研究地球資源、監測地球環境中發揮越來越重要的作用。

高光譜解析度遙感技術的發展是20世紀末的最後兩個10年中人類在對地觀測方面所取得的重大技術突破之一，是當前乃至21世紀初的遙感前沿技術、通過高光譜成像所獲取的地球表面的圖像包含了豐富的空間、輻射和光譜三重信息。進入20世紀90年代後期，伴隨著高光譜遙感應用的一系列基本問題，如高光譜成像信息的定標和定量化、成像光譜圖像信息可視化及多維表達、圖像-光譜變換、大數據量信息處理等的解決、高光譜遙感已由實驗研究階段逐步轉向實際應用階段，而作為高光譜遙感應用這一熱點中的重點就是高光譜數據信息挖掘技術的提高和與之緊密相連的應用領域的擴展。

高光譜遙感數據最主要的特點是：將傳統的圖像維與光譜維信息融合為一體，在獲取地表空間圖像的同時，得到每個地物的連續光譜信息，從而實現依據地物光譜特徵的地物成分信息反演與地物識別。它由以下3部分組成：

（1）空間圖像維

在空間圖像維，高光譜數據與一般的圖像相似。一般的遙感圖像模式識別演算法是適用的信息挖掘技術。

（2）光譜維

從高光譜圖像的每一個象元可以獲得一個「連續」的光譜曲線，基於光譜資料庫的「光譜匹配」技術可以實現識別地物的目的。同時大多數地物具有典型的光譜波形特徵，尤其是光譜吸收特徵與地物化學成分密切相關，對光譜吸收特徵參數（吸收波長位置、吸收深度、吸收寬度）的提取將成為高光譜信息挖掘的主要方面。

（3）特徵空間維

高光譜圖像提供一個超維特徵空間，對高光譜信息挖掘需要深切了解地物在高光譜數據形成的二維特徵空間中分布的特點與行為，研究發現：高光譜的高維空間是相當空的，數據分布不均勻，且趨向於集中在超維立方體空間的角端，典型數據的差異性，可以映射到一系列低維的子空間，因此迫切需要發展有效的特徵提取演算法去發現保持重要差異性的低維子空間，從而有效地實現信息挖掘。