1. 遙感影像信息的提取技術方法研究進展
遙感的對地觀測系統是一個信息流交換的過程：電磁波與地表物體相互作用形成地表信息交流。而遙感影像信息提取技術就是最大限度地從遙感圖像上的光譜信息反演出目標地物本身的屬性特徵信息。進而可對地球表層資源與環境進行探測、分析，並揭示其要素的空間分布特徵與時空變化規律。遙感影像信息的提取技術是建立在對地物規律有充分的了解的基礎之上的，其綜合物理手段、數學方法和地物狀態識別等認識，通過對影像的處理與分析，獲得能反映區域內地物的分布規律和變化過程的有效信息的技術方法。
遙感地物識別主要依賴於地物的光譜和空間特徵的差異。多光譜由於光譜解析度低，地物的光譜特徵表現不充分，地物識別主要依賴地物的空間特徵，包括灰度、顏色、紋理、形態和空間關系。信息處理和信息提取主要是應用圖像增強、圖像變換和圖像分析方法，增強圖像的色調、顏色以及紋理的差異，達到最大限度地區分地物的目的。隨著成像光譜儀研製成功以及其產業化的發展，遙感地物信息提取也隨之進入了一個嶄新的時代。成像光譜對地物的識別主要是依賴於地物的光譜特徵，是直接利用岩石礦物的光譜特徵進行地物識別，定量分析地物信息。下面從多光譜和高光譜遙感信息處理兩方面來加以論述。
1.多光譜方法研究進展
多光譜的信息提取主要集中於：色調信息提取，紋理信息提取，信息融合。
（1）色調信息提取
對於色調信息提取，主要是採用一些增強處理，擴大圖像中地物間的灰度差別，以突出目標信息或改善圖像效果，提高解譯標志的判別能力，如反差擴展、彩色增強、運算增強、變換增強等，這些傳統的圖像處理方法在一定程度上滿足了應用的需要。近年來發展了一系列的以主成分變換為主的信息提取技術，在岩礦信息提取中發揮了重要的作用。如張滿郎（1996）提出修正的直接主成分分析提取鐵氧化物信息。OF 變換（Maxium Noise Fraction Transformation）（Kruse，1996，Creen，et al.，1988），NAPC（Noise-adjust Principal Components Transform）（Lee，et al.，1990）、分塊主成分變換（Jia，et al.，1999）、基於主成分的對應分析（Carr，et al.，1999），以及基於主成分分析的空間自相關特徵提取（Warner，et al.，1997）、子空K投影（Harsanyl，et al.，1997）和高維數據二階特徵分析（Lee，et al.，1993；Haertel，et al.，1999）等，也是基於主成分分析進行信息特徵選擇與特徵提取。同時，根據模式識別的原理，提出並設計出監督分類與非監督分類方法：以及利用決策樹進行分類識別（Wrbka，et al.，1999；Friedl，et al.，1999；Hansen et al.，1996），這些技術與方法是建立在圖像灰度特徵之上，利用數理統計的知識進行地物分類與信息提取。
（2）紋理信息提取
遙感影像的邊緣和紋理信息對線環構造的識別具有一定作用，但卻似乎無助於岩性的識別。邊緣信息提取通常採用濾波運算元或銳化的方法進行（Gross，et al.，1998；Varbel，2000）。紋理信息提取通常採用共生矩陣、傅立葉功率譜和紋理譜等方法。
（3）信息融合
多源數據融合研究也非常普及與深入，其技術方法涉及不同的數理知識（Jimen，et al.，1999；Pohl，1998；Robinson，et al.，2000；Price，1999；Gross et al.，1998），比如小波信息融合。應用面涉及非遙感數據（王潤生，1992；朱亮璞，1994），如遙感數據與地化數據、物探數據的疊置與融合。這些方法一方面開闊了遙感的應用視野，另一方面也擴展了遙感的應用能力。
總的來說，多光譜遙感岩礦信息提取主要是基於圖像灰度特徵，即基於岩礦的反射率強度差異，採用一些數學變換方法，增強或突出目標信息，使之易於目視解譯。在數據處理中，由於波段有限，未能有效地導入岩礦類別的光譜知識，其結果精度更多地取決於研究人員的經驗。
2.高光譜方法研究進展
成像光譜技術是多光譜技術發展的飛躍，它是在對目標對象的空間特徵成像的同時，對每個空間象元經過色散或分光形成幾十個乃至幾百個窄波段以進行連續的光譜覆蓋。形成的遙感數據可以用「圖像立方體（三維）」來形象描述，其中兩維表示空間，另一維表徵光譜。這樣，在光譜和空間信息綜合的三維空間內，可以任意地獲得地物「連續」的光譜以及其診斷性特徵光譜，從而能夠基於地物光譜知識直接識別目標地物，並可進一步地獲取定量化的地物信息。在地質應用中，礦物識別和信息處理技術可分為：①基於單個診斷性吸收的特徵參數；②基於完全波形特徵以及③基於光譜知識模型三大類型。
岩石礦物單個診斷性吸收特徵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）和排序參數作一完整地表徵。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IHS編碼與吸收波段圖（Kruse，1988）是利用連續法去除後的光譜圖像，定義出波段吸收中心位置圖像，波段深度圖像以及波段半極值寬度圖像，並分別賦予HS I 空間的明度（H）、強度（l）和飽和度（S），然後逆變換到RGB色度空間。從而根據色調差異進行礦物直接識別。在描述岩礦單個診斷性吸收特徵參數中，吸收深度是一非常重要的特徵指標而受到重視。如相對吸收深度圖（RBD image，Relative absorption Band-depthimage）（Crowley，et al.，1989）採用比值運算來增強識別端元的吸收深度，即根據要識別端元的單個診斷性吸收峰的兩側肩部反射率之和，除以其谷中心鄰近兩側對應波長的反射率之和的商圖像，來表徵端元礦物診斷性吸收峰的相對吸收深度。不同端元礦物的RBD圖像，除象元本身比值大小代表了端元礦物存在的可能性外，通過進一步地諸如PC變換分析進行特徵增強與選擇來識別端元礦物。由於吸收峰的非對稱性，採用RBD方法難以准確描述其特徵。連續插值波段演算法（CIBR，continuum interpolated band algorithm）（De Jong，1998）和光譜吸收指數圖像（SAI，spectral absorption index image）（王晉年等，1996）與相對吸收深度圖方法類似，但引入了對稱度因子，使其對吸收特徵的描述更為合理。CIBR是利用診斷性光譜吸收谷中心的輻射值，除以左右肩部的輻射值與吸收特徵對稱度因子之積的和，產生相應的商圖像，用以增強不同礦物的診斷性吸收深度，進行礦物識別。SAI方法與CIBR類似，也是對單個吸收波形肩部的特徵增加了對稱度因子。上述方法類似於常規比值或彩色增強處理。與常規增強處理最大不同之處在於有機地融入端元礦物的光譜特徵這一先驗知識，針對性、目的性更明確。由於大氣輻射對遙感數據中波譜特徵的影響、光譜混合形成的光譜漂移和變異對單個波形的影響，使識別結果含有較大的干擾。
成像光譜最大的優勢在於利用有限細分的光譜波段，去再現象元對應物的波譜曲線。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。基於整個波形的識別技術方法是在參考光譜與象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。例如，光譜匹配（SM，Spectral matching）（Baugh，et al.，1998）利用岩礦光譜矢量的歐氏距離測度函數，即求圖像象元光譜與參考光譜在光譜空間中的差異大小。距離愈小，表示圖像端元光譜或待識別的端元光譜與來自實驗室或野外實測的參考光譜之間擬合程度愈高。類似地，相似指數（SI，similarity index algorithm）（Fenstermaker，et al.，1994）是基於歐氏距離側度，根據已知地物類型的圖像象元平均光譜與未知圖像象元光譜的波段差值平方和的均值大小來識別地物。以上兩種方法比基於單個吸收波形參數識別技術可靠。但往往由於光譜數據解析度的影響，其光譜的差異不明顯，同時又因歐氏距離測度固有的缺陷而難以對地物進行准確分類與識別。光譜角識別方法（SAM，spectral angle mapper）（Ben-Dor，et al.，1994；Crosta，et al.，1998；Drake，et al.，1998：Yuhas，et al.，1992）是在由岩礦光譜組成的多維光譜矢量空間，利用一個岩礦光譜矢量的角度測度函數求解岩礦參考光譜端元矢量（r）與圖像象元光譜矢量（t）的相似程度。參考端元光譜既可來自實驗室、野外測量，也可來自已知類別的圖像象元光譜。根據兩者相似程度大小，識別與提取礦化蝕變信息。該方法的難點在於如何合理地選擇閾值進行信息分割。不過，從已有應用的角度看，該方法簡單易行、比較可靠。交叉相關匹配（Fer-rier，et al.，1999；Varder Meer，et al.，1997）是使用一個相關因子（r.）作為相似性指數，通過逐象元交叉相關匹配進行礦物識別。當參考光譜與檢驗光譜完全匹配時，其位置m=0；參考光譜向長波方向移動時，其m＜0。反之，m＞0。在RGB空間，分別賦予斜度（skewness），t檢驗值與相關因子以R，G，B；若在「0」匹配位置，其斜度、t檢驗值與相關因子（r.）均接近於「1」而顯示為白色，從而識別出端元礦物。對於礦物的智能識別，往往也採用完全譜形。例如，Tetracord礦物識別軟體是基於UNIX平台，利用光譜資料庫中的光譜與圖像光譜擬合從而自動進行識別礦物；王潤生等（1999）根據礦物的完全波形，利用神經網路進行礦物自動識別。以上方法在具有大量已知地物光譜時適應性強。對圖像地物識別更有用。但明顯不足是由於實際地物光譜變異、獲取數據受觀測角以及顆粒大小的影響而造成光譜變化，對於整體光譜特徵差別不太大的地物，准確匹配比較困難，造成岩礦識別與分析上的混淆和誤差。
基於光譜模型的識別的技術方法是建立在一定的光學、光譜學、結晶學和數學理論之上的信號處理技術方法。它不僅能夠克服上述方法存在的缺陷，而且在識別地物類型的同時精確地量化地表物質的組成和其他的物理特性。例如，建立在Hapke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）（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），可以根據不同地物或者不同象元光譜反射率響應的差異，構造光譜線性分解模型。一個象元內並非存在單一類型地物，而更多地由不同類型地物組成。因此，在大多數情況下，象元光譜並非為純地物光譜的線性混合，而更多地表現為非線性。對於單散射，可作為線性模型分解，多散射則認為非線性混合。由於平均單散射反照率豐度主要依賴於成分含量不同而可以認為是線性混合（Mustard，et al.，1987）。這樣，通過單散射反照率（SSA）轉換，即可以利用運算元W=（3r+6）r/（1 +2r）2，將非線性「線性化」，再進行光譜分解。Tompkins（1996）提出修正的光譜混合分析（MSMA）模型。該模型利用虛擬端元，採用一個阻尼最小二乘演算法，根據一定的先驗知識，有效地並最終可以選擇亞像端元進行光譜分解，提高了SMA實用性。與SMA相比，MSMA最大的不同表現在：①端元以及其豐度均作為未知變數；②對數據組中所有象元同時求解。對於能量約束最小模型（CEM，constrained en-ergy minimization technique）（Farrand，et al.，1997；Farrand，et al.，1996；Resmini，et al.，1997）是在成像光譜圖像序列中，運用一個目標區域（或ROI區域，region of insteresting）與象元光譜（ri）相關的權系數wk來描述象元向量的數字值y，從而進行特徵選擇與分解進行地物識別與信息提取。與混合光譜分解模型一樣，該分解結果在一定程度上，不僅代表了識別象元的類型信息，而且有機地表示了其豐度比值。與混合光譜分解模型不同的是，該方法更多地依賴於目標區域的統計特徵，但結果更精確。總之，這些方法更多地依賴光譜學知識與數理方法，在實際應用中由於難以確定特徵參數或難以准確地描述光譜模型而限制了該類技術方法的應用。不過，由於該類方法在識別地物的同時量化物質組成，因此就其發展趨勢而言，隨著一系列技術的成熟與光譜學、結晶學等知識的深入發展，識別精度的改善與量化能力的提高，其應用將會越來越廣泛。
國內也相繼開展了一些成像光譜進行礦物直接識別應用試驗，但由於國產感測器的性能尚不夠完善，數據信噪比較低。但在定性岩礦識別方面取得了一定的收獲。如甘甫平等（2000）利用基於波形特徵組合的主成分分析有效地對河北張家口後溝金礦區進行了岩性劃分；劉慶生（1999）利用對應分析提取出內蒙古某礦區的含金蝕變。在直接定量礦化識別、識別模型和識別譜系等方面都落後於美國等發達國家，相比還存在一定差距。
總之，岩礦光譜學機理研究、遙感信息提取基礎與遙感信息提取方法技術研究，三者之間相輔相成，具有一定的對應關系。
遙感地物光譜應用基礎與遙感影像信息提取技術研究隨著遙感光譜成像技術的發展而發展，兩者研究方向與趨勢都主要集中在光譜特徵知識與地物物理化學屬性的關聯以及光譜物理模型兩大方面。對地物物化屬性與光譜特徵的相關性和對光譜物理模型的深入分析與研究可從不同的角度為遙感直接識別礦物、提取地物的分布規律、屬性、物化性質以及進行地物深層次信息挖掘等提供理論基礎支撐，推動遙感應用技術的發展。遙感地學應用的實用化與產業化是遙感地物光譜應用基礎與遙感地物影響信息提取技術研究相互促進的結果。
地物光譜學機理研究、遙感信息提取基礎與遙感信息提取方法技術研究的發展將導致三者的結合，並最終綜合於遙感應用模型和技術集成中，以便充分利用各自的優勢，提高遙感應用能力並增強對地質應用的理解，以及模擬、評估和預測地學發展的規律。
2. 遙感信息的獲取
1.數據的選取
（1）遙感資料的選取
根據《總體設計書》的規定，Landsat-TM是本次國土資源調查的基礎遙感資料。覆蓋河南省167000 km2的TM資料共需21景。其中，覆蓋河南全省1997～1999年秋季時相數據圖像共14景，涉及省外資料8景（表2.1.1）。
表2.1.1河南省國土資源調查遙感資料（Landsat-TM）一覽表
（2）地理數據的選取
根據遙感圖像幾何校正和影像地圖製作的需要，選擇使用1∶100000地形圖131幅、1:250000地形圖13幅，供圖像處理時對圖像進行精校正點選取及行政區劃境界線數據套合使用。
2.技術路線和方法
Landsat-TM圖像處理是國土資源遙感調查的重要環節。此次的主要任務是藉助數字圖像處理技術來增強各種地物信息，在圖像上以色調和紋理所表現出來的差別，從中提取所需要的特徵信息。為了提高遙感調查的適時性，力求反映現狀信息、突出綜合信息。在波段選擇上遵循先試驗、後推廣的原則。其工藝流程見圖2.1.1。
圖2.1.1河南省衛星影像圖製作工藝流程框圖
3.彩色合成圖像製作
彩色合成圖像是綜合調查的基本素材，應力求達到色調協調、反差與對比度適中、信息豐富的最佳效果。由於地物在各波段的輻射信息之間的相關性，使得Landsat-TM的7個波段數據特徵帶有較強的相關性。若選取的三個波段的相關性很強，各波段的信息就會出現大量的重復，影響合成圖像色彩的飽和度。即相關性越強，圖像飽和度越差，導致合成圖像的總信息量不高。因此，標准偏差和相關系數兩個參數都直接影響合成圖像的使用效果。由此選擇波段組合原則為：
1）各波段的方差要盡可能的大；
2）各波段的相關系數要盡可能的小；
3）各波段的均值大小不要相差太懸殊；
4）選用含有目標地物特徵譜帶的波段。
根據以上分析，結合各波段的波譜物性，我們選擇了具有代表性的2景TM數據進行統計分析（表2.1.2～5）。
表2.1.2124-36 2048×2048子區樣本統計數據
表2.1.3124-36 2048×2048子區樣本相關系數矩陣
表2.1.4125-36 2048×2048子區樣本統計數據
表2.1.5125-36 2048×2048子區樣相關系數矩陣
通過上述分析可知：TM3、4、5、7方差比較大，TM2、3、4、7均值比較接近，說明這幾個波段所含信息量相對豐富；TM1、2、3波段，TM5、7波段相關性較好；TM4、6則具有較大的獨立性，與其他各波段的相關性都較小。相關性決定了信息重復量，故選用相關性較小的波段參與合成。由此確定波段的組成方案為TM1、2、3中選一個，TM5、7波段中選一個，加一個TM4波段組成紅、綠、藍假彩色合成片。而TM6地面解析度為120m×120m，解析度較低且受大氣熱輻射影響，對於生成清晰、信息量豐富、使用廣泛的基礎片不適合，故在基本合成中不考慮使用該波段數據。
在TM1、2、3波段中，TM3波段的信息量反映相對豐富，且植被在近紅外區（TM4）與紅光區（TM3）的波譜差異反映很敏感，由此選用TM3與TM4的組合能很好地突擊植被信息，滿足1:250000分幅圖中對植被的分類要求，故確定TM3波段參與組合。TM5、7波段無論誰與TM4、3組合色調反映較好，並且從直方圖可看出，其信息量反映寬，即信息量相對豐富，但是，TM5與TM7相比，TM5與其他波段的相關性較大，即TM5與其他波段信息重復量多，故兩者中選擇TM7。
由此，確定TM4（紅）、7（綠）、3（藍）波段為最佳組合，用於河南全省TM遙感影像圖製作。
4.圖像數字鑲嵌
圖像鑲嵌一般指的是把多個單幅圖像根據相同地物標志拼接成一幅大圖像的處理過程。鑲嵌時不僅要進行幾何鑲嵌，還要進行程度不一的色調（灰度）鑲嵌。一幅高質量的遙感鑲嵌圖應具備有三個條件，即：信息豐富，色調協調，幾何精度高。根據河南省的TM影像數據具體情況，設計鑲嵌方案如下：
1）根據數據預處理結果，確定以1997年10月30日圖像為基準色調。其他所有影像顏色均向其配准。
2）由於縱向上124軌道和橫向上36帶處於河南省中部，且124/36、124/37這兩景影像圖的接收日期為1997年10月30日。鑲嵌時所有影像縱向以124軌道，橫向以36帶為中心分別向四方擴展拼接。
3）屬同一軌道、同一成像時間、同一成像條件的影像，圖像輻射亮度水平沒有太大的差異，兩者可直接鑲嵌；時像相差不大的如123/37、123/38，以接近10月30日的圖像為基準進行鑲嵌，即分別與123/35、123/36的鑲嵌圖進行顏色配准鑲嵌。
4）鑲嵌控制點、鑲嵌線按照地物走勢曲線及顏色變化趨勢靈活選取。在鑲嵌處理過程中，122/37和122/38,123/35和123/36,124/36和124/37,125/36和125/37屬同一時相圖像；126/35、126/36、126/37雖不為同一時相，但基本上在一個月份內。地物波譜信息反映相似，色調差異不大，故選擇先兩兩鑲嵌。對於部分時像不一致的，顏色差異較大的圖像，分別按軌道與10月份的資料鑲嵌。在鑲嵌前須對這部分資料的三個波段分別按10月份的數據灰度值的亮度情況進行調整，而後利用顏色匹配功能進行調整，達到色調一致的效果。
當每條軌道上圖像縱向鑲嵌完成後，即以124軌道為准開始橫向鑲嵌。橫向鑲嵌對應的重疊區域跨度大時，須要對這兩條軌道數據進行多次色度調整試驗以達到最佳視覺效果。在整個鑲嵌過程中，圖像未進行采樣，嚴格按像元一一對應，盡可能不採用鑲嵌線兩側的圓滑處理，充分保證了每個像元的精度。
3. 遙感信息提取方法
一、ASTER遙感信息提取方法
（一）圖像預處理
本次研究所採用的ASTER數據產品等級是1B和3A01，數據已進行了感測器相關系數輻射校正。在進行幾何精校正過程中，校正控制點主要源於研究區於20世紀70年代完成的1∶100000地形圖，地形圖的精度不高，因此控制點的總平均誤差控制在2個像元內。
依據《ASTER礦物指數處理手冊》的數據處理程序進行暗像元糾正，以消除大氣散射對圖像的影響。依據直方圖找出各波段最小值的像元，像元的每個波段最小值代表或近似於大氣輻射的影響，減去最小值的像元即可。ASTER圖像經過暗像元處理後相當於進行了一次背景值濾波，使短波紅外區間的特徵更加明顯，有利於提取礦物指數，從而提取岩礦信息。
由於研究區下墊面影響因子復雜，必須要消除雲、雪和植被等下墊面復雜因素對基岩信息的干擾，掩膜圖像處理技術可以有效地扣除這些干擾信息。具體處理過程為：首先，在植被、雲及雪覆蓋的原始圖像上提取植被NDVI指數，製作NDVI指數圖像，然後做植被0-1掩膜，再進行雲和雪0-1掩膜，最後將植被掩膜與雲、雪掩膜圖像疊加，在此基礎上進行有用信息的進一步處理，製作掩膜圖像。掩膜圖像的效用有兩個方面，一是壓縮圖像處理樣本的統計空間，使有用的信息相對得到增強，二是排除干擾信息可能引起的假異常。
（二）岩石與礦物信息提取方法
可見光-近紅外波段區域對赤鐵礦、針鐵礦和黃鉀鐵礬等鐵氧化物敏感，而短波紅外波段可以探測粘土和層狀硅酸岩礦物的特徵吸收，實現更為詳細的礦物岩石識別。在熱紅外譜域，8～14μm是最佳大氣窗口，由於硅酸鹽岩在熱紅外區間隨著SiO2含量的減少，岩石寬緩的吸收帶向長波段方向系統位移，從而能夠探測SinOk、SO4、CO3、PO4等原子基團基頻振動及其微小變化，很容易識別硅酸鹽、硫酸鹽、碳酸鹽、氧化物、氫氧化物等礦物，使困擾遙感地質的岩石識別成為可能，大大拓寬了遙感岩礦識別的廣度與深度，從而彌補連續波段高光譜在熱紅外譜域的不足，使ASTER遙感技術成為岩礦識別的重要補充手段。
本次試驗採用的主要信息提取方法包括基於掩膜圖像的主成分分析、礦物指數和光譜角度填圖方法等。
對於所有ASTER數據，常規圖像均採用通道7、3、1（紅、綠、藍）假彩色合成，這種合成方案盡管植被的信息比較突出，但有利於後續使用者對照其他信息的圖件判別地質體的色調異常與來源於植被的干擾異常。在該類圖像中通常的規律是藍色調大多為碳酸鹽，紫色調的地質體二價鐵含量相對較高。主成分圖像通常採用4～9波段的主成分分析，依照試驗結果，選用不同的主成分，其中3、4、5等弱信息的主成分使用較多。
1.主成分分析
主成分分析是遙感地質最有效和最常用的圖像信息提取方法之一，它是將原始的遙感數據集變換成非常小且易於解譯的不相關變數，這些變數含有原始數據中大部分信息，通過正交變換去除多波段圖像中的相關信息，使新的組分圖像之間互不相關，各自包含不同的地物信息，這是一種重要的圖像增強方法。
在本次研究中，應用預處理後的掩膜圖像進行主成分分析，通過將原始圖像進行主成分變換，得到SWIR系統4到9波段的5個主成分的影像，將其中的PC3、PC4、PC5主成分分別置於綠、紅、藍影像層，生成主成分合成影像，並將該影像與高空間解析度的VNIR段影像進行融合，生成新的主成分彩色合成影像。與傳統的彩紅外合成影像相比，主成分合成影像色差可以識別更細微的岩性差別。
從圖9-6不難看出，對掩膜前後的圖像均採用相同的主成分組合方案，但掩膜後的主成分圖像細節更加突出，中三疊統鬧倉堅溝組（T2n）板岩（藍色調條帶）被突出了。
2.礦物指數法
ETM數據只能提供一些鐵錳成分異常和羥基蝕變礦物異常等一些籠統的信息，而ASTER的波段劃分更精細，能夠提供更為明確的礦物信息。常見礦物的特徵吸收帶集中在2～2.3μm之間（圖9-1），即在ASTER的5～9波段之間，而ASTER的第4波段盡管沒有特徵吸收存在，但它是地質體反射率統計差異最大的遙感窗口。目前，國際上流行的各類礦物指數方法很多，它們主要是基於上述這些礦物特徵吸收帶的波長位置及其與ASTER波段設置的關系，通過簡單的各類比值運算得來，如《ASTER礦物指數處理手冊》所收集的澳大利亞科工組織（CSIRO）和美國地質調查局等機構經常使用的一些礦物指數（圖9-7）。
圖9-6 溫泉水庫地區ASTER掩膜主成分分析圖像
（短波紅外4～9波段的4、3、5主成分合成圖像）
波段比值是一種經常被用來提取波譜信息的有效手段。根據代數運算的原理，當波段間差值相近但斜率不同時，反射波段與吸收波段的比值處理可增強各種岩性之間的波譜差異，抑制地形的影響，並顯示出動態的范圍。波段比值通常是在對大氣路徑輻射或由多光譜感測器產生的疊加偏移進行初步校正的基礎上，由兩個波段對應像元的亮度值之比或幾個波段組合的對應像元亮度值之比獲得。通常是選擇特定目標的最小或最大反射或輻射波段作為比值波段。一種地物在兩個波段上波譜輻射量的差別，常被稱為波譜曲線的坡度。不同地物在同一波段上坡度有大有小，有正有負。比值法就是增強不同地物以及岩石間的這種微小差別。因而，以岩礦的特徵光譜為基礎，選用適當的波段比值進行彩色合成，可增強岩性和蝕變帶信息，便於提取蝕變信息。
我們選取了20個各類礦物比值進行試驗應用，在圖像處理軟體中進行流程式的批量處理，再依據具體地質背景和圖像質量進行篩選，獲得了較好的應用效果。尤其對粘土類礦物的蝕變和層狀硅酸鹽礦物的岩性識別非常有效，對巴顏喀拉山群淺變質岩岩性劃分具有良好的應用效果。
所採用的各類遙感礦物指數擇要描述如下：
（1）波段12/波段13比值：基性度指數（BDI）。由澳大利亞科工組織Bierwith提出，BDI與岩石中的二氧化硅含量有很好的負相關，高亮度為基性成分高的地質體，低亮度為酸性地質體，可以很好反映地質體的基性程度。在東大灘銅礦區花崗岩體外接觸帶及前寒武紀變質岩區，BDI顯示出很好的異常及其與銅礦之間的關系。
（2）波段14/波段12比值：富石英岩類異常。異常效果良好，是硅化蝕變的重要依據。在昆侖山巴顏喀拉山群地層和溫泉水庫西部的下二疊統中普遍存在該指數的異常，表明均為一套高硅質的淺變質岩系。在卡巴紐爾多南部，沙地表現為高二氧化硅含量的正異常。此外，高山冰緣區土壤濕度存在垂直分帶現象，同樣會引起基性度指數或二氧化硅指數的假異常，這種異常往往沿等高線分布。
（3）波段13/波段14比值：碳酸鹽岩異常。該比值由於熱紅外14通道的雜訊較大，應用效果並不理想，僅在溫泉水庫和昆侖山一帶有較好的顯示。
（4）波段4/波段5比值：鐵礬土異常。Bierwith定義為鐵礬土，而Volesky定義為硅酸鹽蝕變。高濃度異常的大面積分布通常具有重要的找礦指示意義。
圖9-7 《ASTER礦物指數處理手冊》中常用礦物指數匯總
（5）波段5/波段3+波段1/波段2比值：二價鐵異常。該比值需要謹慎對待，尤其在高山區，雪在1波段的高反射常常引起假異常，需要結合常規合成圖像具體分析。
（6）波段4/波段2比值：鐵帽異常。試驗區圖像效果較差，尚未發現有意義的異常，但由於鐵帽在找礦中的重要意義，以及其負異常的突出特徵，保留這一指數是必要的。
（7）波段7/波段5比值：高嶺土礦物異常，該比值不確定性較強。溝谷中條帶狀分布的異常可能與表生作用下的風化高嶺土有關，大面積的團塊狀異常才具有內生蝕變礦物的意義。
（8）（波段4+波段6）/波段5比值：明礬石和高嶺土指數。在納赤台萬保溝群中大面積出現這種異常，但實地考察屬硅化大理岩異常。
（9）波段7/波段6比值：白雲母異常。白雲母在2.2μm附近的特徵吸收（ASTER第6波段）較強，實踐證明該指數較為敏感，對板岩類有良好的識別能力。
（10）（波段5×波段7）/（波段6×波段6）比值：粘土礦物蝕變異常。具有明確的找礦指示意義，在水泥廠東北部存在這種異常。
（11）（波段7+波段9）/波段8比值：碳酸鹽-綠泥石-綠簾石組合異常。主要分布在1∶5萬水泥廠幅東北部和溫泉水庫西部。可以與波段13/波段14比值圖像碳酸鹽異常對比，進一步區分碳酸鹽異常和綠泥石-綠簾石異常。
（12）波段5/波段6比值：多硅雲母異常。
（13）（波段5+波段7）/波段6比值：絹雲母-白雲母-伊利石組合異常。該組礦物高濃度異常具有明確的找礦指示意義，但大面積異常通常意味著變質岩區的片岩，如內蒙古狼山地區的大面積異常與該地區偉晶岩化、雲母片岩、板岩等區域變質或侵入接觸變質作用有關。在東昆侖試驗區也具有很好的效果，昆侖山巴顏喀拉山群和溫泉水庫西部的下二疊統均有大面積的該類礦物異常。
必須指出的是，實際信息提取過程中，白雲母和高嶺土異常經常在空間上相伴生，在昆侖山和1∶250000填圖區北部出現這種情況，很有可能僅僅是一種異常。在變質岩區有可能僅僅是白雲母，而非高嶺土。從圖9-1不難看出，高嶺石和白雲母的特徵吸收帶都出現在ASTER的第6通道，波長位置的細微差別有可能是ASTER礦物指數方法容易產生混淆的原因。在1∶50000填圖區東北部的異常也同樣出現類似狀況，綠簾石、綠泥石、角閃石和碳酸鹽均出現異常。實際上這種異常均出現在第8通道附近，這幾種礦物均存在較強的吸收帶。這種情況可能僅僅是碳酸鹽，但它們與典型的碳酸鹽（731為藍色調）又有明顯的區別。
盡管如此，礦物指數方法在實際應用中也存在一些問題，從典型礦物曲線和ASTER波段的對比中不難看出有可能出現幾種易混淆的礦物組：如高嶺土-白雲母和方解石-白雲石-綠簾石-綠泥石-角閃石等礦物組。因此，集中在第6和第8通道的異常僅僅說明具有顯著的某種礦物類的異常，而不能明確說明是何種礦物。在復雜條件下只能明確礦物類，可以在此基礎上進行野外驗證，從而確定礦物種類。
在熱紅外區間，岩石的二氧化硅含量與Si-O2振動強吸收帶的波長位置呈現反比的系統位移規律，這是ASTER識別硅酸鹽岩的基本依據。此外，碳酸鹽岩在ASTER的14波段的強吸收也是識別該岩類的基本依據，但14通道紅外輻射能量最弱，雜訊大，應用效果不理想。
3.光譜角度填圖方法
光譜角度填圖方法（SAM）是Boardman開發的一種演算法程序，一般用於超光譜圖像的監督分類。該方法給出一系列光譜記錄來逐一定義每個岩石類型，將每個像元看作n維圖像資料庫空間的一個向量，並計算與光譜資料庫中光譜數據記錄（參考光譜）之間的向量夾角。像元光譜與光譜記錄（參考光譜）的光譜角度相匹配，即可分類為該類岩石。SAM方法的優越性在於只考慮像元光譜與參考光譜的相似性，不考慮像元相對亮度的影響，這在一定程度上改善了陰影，或者土壤濕度的干擾，因為角度的匹配不考慮向量模的大小。
該方法應用的條件是圖像數據必須進行反射率反演，使像元的「視反射率」能夠與光譜資料庫中的參考光譜進行匹配。但實際應用中，由於大氣條件和圖像質量等各方面的原因，較難完成反射率反演這道科學程序，從而限制了該方法的實際應用。因為ASTER的數據質量不理想，參考光譜選用的是典型的像元光譜。
光譜角度填圖方法試驗區選在納赤台北部的東昆中斷裂帶附近的花崗岩內外接觸帶（圖9-8）。試驗中選取的典型岩類有5個，構成參考光譜資料庫。提取的像元光譜是1～9波段，依照這組波段曲線，它們的光譜角度最大差異的區間分布在4～9波段的近紅外-短波紅外譜段，因此將其作為SAM處理的6維向量空間，角度匹配的閾值為5度。從結果中能夠看出，SAM方法不僅可以克服花崗岩中不同亮度值對分類的影響，能夠進行陰影中的分類，而且能夠區分常規合成圖像中容易混淆的 白雲石（藍色）和高嶺土（黃色）。但萬保溝群中的部分岩性段被歸入花崗岩體（紅色），說明該方法還不能區分「同譜異質」的地質體。
圖9-8 納赤台北部ASTER數據4～9通道光譜角度填圖
上圖—光譜角度填圖結果；中圖—ASTER7、3、1常規合成圖像；下圖—基於像元的分類參考光譜
說明：橫軸為ASTER1-9波段；縱軸為像元視反射率。
二、IRS-P6遙感礦物指數試驗
IRS-P6在地質上的應用國內外少有報道，主要原因是它波段分布有限，尤其缺少短波紅外區間的設置，因此缺乏對羥基類地質體信息的識別能力（表9-7），但它的地面解析度高於ETM，在ETM數據缺乏或者質量不佳的情況下也不失為一種可以替代的數據資源。本次試驗也對其在地質填圖中的應用效果進行了比值指數的初步應用。
表9-7 IRS-P6和ETM的波段設置對比
在可見和近紅外區間，鐵的特徵吸收佔光譜的主導因素。依據常見鐵氧化礦物的吸收特徵，針對0.9μm附近三價鐵的寬緩吸收帶，波段2和波段3良好地反映了該處的吸收特徵。因此選用CH2/CH3作為三價鐵氧化礦物的指數。如果沒有鐵氧化礦物存在，吸收帶就不存在，這個比值將會是很低的。所使用幾個比值指數如下：三價鐵氧化礦物CH2/CH3；二價鐵或暗色岩系CH1/CH4平的特徵；碳酸鹽岩CH1/CH2，依據碳酸鹽岩一般缺乏鐵礦物，缺少鐵族礦物在近紫外區間很強的電子躍遷引起的吸收。
但在卡巴紐爾多南部局部地區，採用了4/3.2/3和1/2幾種比值組合，完全是針對該區廣泛分布的砂板岩，依據試驗效果的一種選擇。
IRS-P6的應用效果不如ETM，但應用上述比值合成的假彩色圖像在解譯應用中也能夠與ETM圖像取長補短。如溫泉水庫西部，IRS-P6有更加概括的岩性信息，而ETM由於短波紅外信息的加入，圖斑細碎，不宜於解譯成圖。
三、Hyperion遙感信息提取方法
由於高光譜遙感具有多個波段和高光譜解析度的特點，高光譜的窄波段可以有效地區別礦物的吸收特徵，利用各種礦物和岩石在電磁波譜上顯示的診斷性光譜特徵可以識別礦物，使礦物識別和區域地質制圖成為高光譜技術主要的應用領域之一。
為了實現研究區內岩礦高光譜遙感的識別和分類，並考慮到研究區復雜的地質、地貌、氣候和地表覆蓋等特點對所採用的遙感圖像的影響，在高光譜岩礦填圖中採用地面光譜和圖像光譜相結合的處理分析方法。
（一）岩石光譜測量
為了最大限度地滿足光譜測量精度的要求，在本次野外光譜測量中所採用的儀器為美國ASD公司的最新產品FieldSpec FR便捷式地物波譜儀（圖9-9），該儀器主要參數見表9-8。此儀器不僅具有攜帶方便、速度快、高信噪比、高可靠性、高重復性、操作簡單和軟體包功能強勁等特點，而且還可以進行實時測量和觀察輻射、輻射度、CIE顏色、反射和透射。
圖9-9 野外光譜採集
數據採集軟體採用的是美國ASD公司的FieldSpec FR數據採集分析軟體包，該軟體具有速度快、實時測量、操作界面簡單、靈敏度高和功能強大等優點，另外它所獲取的數據可以直接被ENVI軟體讀取，極大地促進了後期數據處理進程。
由於研究區域特殊地理位置和復雜的氣候條件，而且氣候多變，考慮到諸多不利因素對光譜採集質量的影響，我們於2008年7月進行了野外光譜數據採集，此時該地區的大氣、空氣濕度、風、光照和雲層覆蓋等條件適宜於野外光譜數據採集，而且採集到的數據和選用的遙感圖像數據時間匹配性好，滿足研究精度要求和填圖需要。
為了最大限度地滿足高光譜遙感礦物填圖的要求，採用了野外和室內測量相結合的測量方法。另外，在研究區域內還選擇了多個具有代表性的開闊地帶作為平場並進行了多次重復測量。
野外完成了包含花崗岩、變質岩、流紋岩、千枚岩、大理岩、板岩、頁岩、鐵礦石、銅礦石、金礦石、鉛礦石、鋅礦石等多達100多種不同類型以及同種類型不同狀態（如岩礦石的風化面、新鮮面等）的岩礦石的光譜數據室內和野外採集工作，並且經過系統編號整理建立了各種岩礦石與其光譜數據的對應表（圖9-10），為圖像解譯和填圖工作提供了較為完備的基礎數據。
表9-8 FieldSpec FR便捷式地物波譜儀相關參數
圖9-10 野外實測光譜資料庫
（二）礦物光譜測量
採用南京地質調查中心研發的BJKF-III型攜帶型近紅外礦物分析儀，對礦化樣品進行光譜曲線測量，得到典型蝕變礦物光譜曲線，其礦物包括方解石（圖9-11a）、高嶺石（圖9-11b）、綠泥石（圖9-11c）和孔雀石（圖9-11d）等。黃銅礦為銅的硫化物礦石，具有不透明礦物的典型特徵，遙感較難識別，而孔雀石存在二價銅離子引起的特徵吸收帶。
圖9-11 東大灘銅礦典型礦物光譜曲線圖
通過駝路溝鈷金礦床野外調查取樣，利用攜帶型近紅外礦物光譜儀對樣品進行光譜測量，進一步驗證了遙感圖像提取孔雀石和黃鉀鐵礬等礦物信息（圖9-12）。同時，在駝路溝礦區斷裂帶內還檢測出遙感圖像未能解譯出的石膏等礦物（圖9-12d）。
（三）數據預處理
Hyperion高光譜數據經過斑點去除、回波糾正、背景去除、輻射糾正、壞像元恢復以及圖像質量檢查等一系列處理過程，用戶拿到的數據應該不再有壞像元或條紋，但實際上卻仍然存在，在進行圖像應用之前，必須對圖像進行預處理，糾正不正常的像元。預處理主要包括去除未定標及受水汽影響的波段、絕對輻射值轉換、壞線修復及誤差條帶的去除、反射率定標和大氣校正等。
1.去除未定標及受水汽影響的波段
Hyperion數據的242個波段中，經過輻射定標的獨立波段實際上只有196個，但有些波段受水汽影響非常嚴重，無法應用，經去除處理後只有158個波段可用（表9-9）。
2.絕對輻射值轉換
Hyperion的L1產品數據集以有符號的整型數據記錄，數值范圍為-32767～+32767。但實際上地物的輻射值非常小，產品生成時對VNIR和SWIR波段都採用了擴大因子，系數分別為40和80。因此，需要把圖像的亮度值轉換為絕對輻射值，將VNIR和SWIR波段分別除以40和80，生成絕對輻射值圖像。
圖9-12 駝路溝鈷金礦典型礦物光譜曲線圖
表9-9 剔除和保留的波段
3.壞線修復及誤差條帶的去除
由於Hyperion感測器的個別通道存在壞的探測元，致使圖像存在著不正常數據，DN值為零或者非常小的稱為死像素列，即壞線。對壞線用相鄰行或列的平均值進行修復，壞線修復前與修復後效果見圖9-13。
Hyperion光譜儀採用推掃式的對地觀測方式，所以系統中CCD的排列方式垂直於航跡方向。由於不同行中的感測器對光譜響應值不同，在光譜入射時會導致在每個譜段上出現豎條紋，即列向條帶雜訊。條紋嚴重影響圖像的質量及實際應用，應用時需要對條紋雜訊進行去除處理。
本項目採用ENVI軟體中的傅里葉變換及聯合概率濾波平滑方法去除影像的條紋雜訊，並用MNF進行效果評價。修復效果見圖9-14。
圖9-13 VNIR第56波段壞線修復前後圖像
圖9-14 垂直條紋去除前後圖像對比
4.反射率定標
高光譜遙感數據定標的首要任務就是對成像光譜儀定標，將遙感器探測到的數據變換為絕對亮度或與地表反射率、表面溫度等物理量有關的相對值的處理過程。通過原始圖像提取的波譜曲線為太陽輻射與大氣輻射共同作用的結果，這些波譜剖面曲線都是相似的，表示的是輻射亮度曲線，而不是反射率波譜曲線。因此，需要將輻射亮度曲線轉換為反射率波譜曲線，以消除大氣吸收、散射、地形起伏及感測器本身誤差所帶來的各種失真對數據的影響，恢復地物光譜數據的原貌。將影像的輻射亮度值轉換成表觀反射率的過程，稱為反射率定標或地物光譜重建。
主要校正定標的方法有平場域定標、內部平均相對反射率定標以及經驗線性定標。本次研究針對星載高光譜數據，主要採用了基於大氣輻射傳輸理論的FLAASH定標模型，並進了分析總結，得到了比較好的應用效果。
5.大氣校正
遙感衛星感測器接收到的目標物反射及發射能量輻射在傳輸過程中需要通過大氣層，使高光譜遙感影像記錄的是包含地面反射光譜信息和大氣輻射傳輸效應引起的地面反射輻照度變化等綜合信息。大氣校正的目的是消除大氣和光照等因素對地物反射的影響，獲得地表的真實物理模型參數，如地物反射率、輻射率和地表溫度等。圖像是否需要進行大氣校正，主要取決於圖像的質量及用途。對於空間分布均勻的影像，如果只是用單時像的數據分類，由於大氣對分類的影響是一致的，就沒有必要進行大氣校正。對於空間分布不均勻的影像，如有些區域有霧或者下雨等現象，就有必要糾正大氣的影響。因此，將表示反射率亮度的原始遙感影像DN值數據轉換為反射率數據，對正確利用遙感數據進行定量分析及信息提取十分關鍵。由於本次研究利用實測地物光譜與美國USGS光譜庫標准光譜相結合的方法進行識別分類，所以需要進行大氣校正。
目前，基於大氣輻射傳輸理論的輻射校正模型主要包括：5S、6S、ATREM、MODTRAN、ACORN和FLAASH等。針對Hyperion高光譜數據的特點，本項目主要利用ENVI軟體中的FLAASH模塊進行大氣校正處理。
為了驗證FLAASH大氣校正的效果，分別使用了校正前後的雪、岩石及水體的混合波譜曲線進行對比見圖9-15，並採用野外實測波譜曲線與校正後的圖像的波譜曲線進行對比，總的效果較好。
圖9-15 大氣校正前後雪、岩石和水體的波譜曲線對比
6.幾何糾正
圖像預處理的最後一步工作為圖像的幾何糾正。本研究採用了1∶100000納赤台幅地形圖，應用二次多項式和雙線性內插重采樣方法，共選取了117個控制點，對高光譜數據進行了幾何精度校正。
（四）圖像鑲嵌與裁剪
本項目共定購東大灘地區5景Hyperion數據，其中KL2與KL3景在夏天獲取，KL4-KL6在冬天獲取，所以地物色調相差較大，進行鑲嵌時必須進行調色處理。由於Hyperion數據覆蓋面積寬7.7km，長85km，南北向覆蓋區域較長，應用時需做剪裁處理。經過鑲嵌與剪裁之後數據的覆蓋范圍見圖9-5。
（五）信息提取
經過去除未定標和受水汽影響的波段、進行絕對輻射值轉換、壞線及條紋修復、smile效應去除、大氣校正和幾何精度校正等過程，得到反射率數據。利用波譜分析工具Spectral Analyst進行波譜分析鑒別礦物，選擇美國地質調查局波譜庫，該庫包括近500種礦物波譜，波長范圍0.4～2.5μm。本次岩礦蝕變信息提取主要應用USGS波譜庫作為端元波譜，結合野外實測光譜曲線，應用純凈像原指數法（PPI）作為輔助方法提取端元波譜，最後利用光譜角（SAM）填圖法和波譜特徵擬合法（SFF）成圖。
本項目各類遙感圖像覆蓋面積達18850km2。除受風成黃土、植被、雪被、草甸土、陰影以及冰緣凍融作用所產生的碎屑坡積物等因素干擾不能有效提取信息外，其他地區均提取出大量岩石、構造和礦化蝕變信息。野外驗證表明，不同的遙感數據均可有效地提取地質信息，但是適用范圍和提取信息量存在差別。本項目選擇溫泉水庫地區和玉珠峰巴顏喀拉山群分布區進行ASTER遙感岩性填圖與納赤台地區Hyperion高光譜礦物填圖試驗，評價國內目前尚未普及、但極具應用前景的ASTER和Hyperion等遙感信息在岩性與礦物填圖中的應用潛力。