如何利用光谱获取信息

A. 如何利用色谱、光谱来判断化合物的结构信息

色谱、光谱是常用的分析工具，主吵灶要是通过谱图的匹配程度来推算化合物信息，与谱图库的丰富程度和工程师的升基扮行业经验有很大关系。

如果有一点预算的话推荐找专业的研究人员进行分析，专业从业人员谱图库全面，分析经验丰富，得到的化合物信息更加准确锋厅，可以更精确的定性定量。

检测研究中心

B. 土壤有机质光谱信息提取

土壤有机质是土壤的重要组成物质，也是植物的营养仓库，它的损失直接影响土壤生产力。土壤有机质不仅能持续缓慢地提供植物生长所需的养分，而且能改善土壤的物理状况，促进团粒结构形成，从而改善土壤的水分及通气状况。另外，随着土壤有机质含量的增多，土壤颜色加深，有利于提高土壤温度。土壤有机质含量多少在一定限度内可以说明土壤的肥沃程度，是土壤肥力的重要指标之一。一般来说，有机质含量 ＞ 2. 5% 的土壤是比较肥沃的，1% ～2. 5%为中度肥沃的土壤， ＜ 1% 则为较贫瘠的土壤，但也不绝对。例如我国东北地区黑土有机质含量高，但是温度低，分解慢; 暖温带某些类型土壤有机质含量低，但分解快，其有效化程度高，也有一定肥力。总的来说，土壤有机质是土壤肥力和作物丰产的基础。基于光谱技术的土壤有机质含量反演方法较多，但是这些方法均具有一定局限性，针对不同的研究区域、应用于不同土壤类型时会出现较大误差，目前尚没有通用的模型。

土地退化评价指标体系是由植被、土壤、地形地貌、水文与水文地质、近地表大气等反映土地退化特征的指标组合而成，指标之间相辅相成，从不同方面共同反映退化土地的特征，包括空间上的相对退化和时间上的动态退化。反映土地退化的指标很多，包括植被覆盖度、陆地表面温度、土壤湿度和土壤母质化以及水土流失等。本节只选择能够体现高光谱遥感技术优势的土壤有机质指标作为研究对象，以陕西省横山县黄土丘陵区为例，对174 个土样的光谱反射率数据与土壤有机质含量进行分析，从而进行信息提取，评价高光谱遥感技术在可见光和近红外波段进行土壤有机质监测的应用潜力，运用多元统计分析技术，初步建立反射率反演模型，尝试进行定量化成图。

( 一) 土壤有机质预测模型建立

为了建立反射率和土壤有机质含量之间的反演模型，从中寻找对土壤有机质含量敏感的光谱指标，对光谱的反射率作了8种变换，包括反射率的倒数1/Ｒ、反射率的对数lgＲ、反射率对数的倒数1/lgＲ、反射率的平方根 、反射率的一阶微分Ｒ'、倒数的一阶微分(1/Ｒ)'、反射率对数的一阶微分(lgＲ)'、对数的倒数的一阶微分(1/lgＲ)'、平方根的一阶微分 。采用单相关分析方法，利用实验室测定的174个土样的土壤有机质含量与反射率及其变换形式逐波段地进行相关分析，相关系数r的表达式如下:

退化废弃地遥感信息提取研究

式中:r_i为土壤有机质含量OM与光谱反射率或其变换形式(都用Ｒ表示)的单相关系数;i为波段序号;Ｒ_ni为第n个土壤样本第i波段的光谱反射率值(或其变换形式的值); 为N个土壤样本在i波段光谱反射率(或其变换形式)的平均值;OM_n为第n个土样的土壤有机质含量; 为实测的N个土样的土壤有机质含量的平均值;N为174，是土样的总个数。

本研究的具体思路是以野外采样点地物光谱数据为基础，首先利用高光谱Hyperion数据对野外地物光谱库进行重采样(第二次采样);运用经验线性拟合法，以野外地物光谱数据为基础对高光谱Hyperion影像进行校正，以便进一步确立两者之间的相关性;然后在前人研究的基础上，运用统计回归分析方法建立采样点地物光谱数据与土壤有机质含量的最佳反演模型，并且把该模型运用到高光谱Hyperion影像当中，得到土壤有机质含量的空间分布情况。

本研究采用容量分析法测定了174个土样的土壤有机质含量，最小值为0.124%，最大值为4.865%，平均值为1.179%，均方差为1.122。Krishnan等(1980)用逐步多元线性回归和迭代的方法对四种不同土壤类型的研究发现，在近红外区域 ( 800 ～2400nm) 没有由有机质引起的吸收峰，用可见光区域预测土壤有机质含量要优于近红外区域，所得相关系数分别为 0. 8732 和 0. 9828，并给出用 623. 6nm 和 564. 4nm 两个最佳波段的反射光谱值预测土壤有机质含量的回归模型:

退化废弃地遥感信息提取研究

式中: K 为回归常数; ρ 为反射率值; λ 为波长。

Krishnan 等的预测模型中的回归常数 K 从某种程度上反映了其他因素对土壤有机质光谱特性的影响，然而文中并未对其进行具体的讨论说明，但是可以肯定的是 623. 6nm 处反射率倒数之对数的一阶微分与 564. 4nm 处反射率倒数之对数的一阶微分的比值和土壤有机质含量存在某种相关性，把它记为 W，通过把计算的 30 个地物光谱数据的 W 值与土壤有机质含量进行相关性分析，发现 W 与土壤有机质含量之间的相关系数达到 0. 8948，存在着强烈的相关关系。所以确定以 W 为变量，进行回归分析，其中

退化废弃地遥感信息提取研究

运用 SPSS 软件进行统计回归分析，结果见表 3 －2。

表 3 －2 土壤有机质含量模型与 W 的拟合模型表

图3－4 有机质含量实测值与预测值比较

从表3－2中可以发现，二次函数Y=16.466－4.385W+2.668W²的判定系数Ｒ²最高，达到了0.8684，其中 ，ρ为反射率值，说明它的反演效果最好，精度最高。通过30个土样的土壤有机质含量实测值与预测值的散点图(图3－4)也可以直观地看出，二次函数结果与实测值较为接近，有很好的预测效果。

由此得到土壤有机质含量的最佳反演模型是Y=16.466－4.385W+2.668W²，判定系数Ｒ²=0.8684。

(二)定量参数成图

将建立的土壤有机质含量最佳反演模型应用到反射率影像当中，进行土壤有机质含量指标的定量参数成图。所谓参数成图，首先是给每个像元赋具体参数值，这可以借助一些波段值或其变换形式与土壤生物理化参数的半经验关系建立预测模型，采用统计回归的方法建立的土壤有机质含量与反射率的关系就是这种预测模型;然后通过这种关系计算出高光谱遥感影像上每个像元的土壤有机质含量的预测值;最后采用聚类或密度分割的方法将单参数预测图分成若干级(类)，即为单参数分布图。

图3－5 土壤有机质含量参数成图

由土壤有机质的最佳反演模型是Y=16.466－4.385W+2.668W²，其中 。在ENVI软件中，运用线性光谱分离方法提取出影像中的土壤信息，利用NDVI指数，取数值在0.1～0.3之间的为土壤(NDVI＞0.3的为植被，NDVI＜0.1的为水体)，掩膜处理掉影像中的植被和水体信息;然后在EＲDAS软件下运用空间建模方法，将模型应用于高光谱Hyperion数据，进行定量化参数成图，得到土壤有机质含量的空间分布情况(图3－5)。

( 三) 小结

1) 土壤有机质含量和有机质的组成对土壤的反射率有较强的影响。土壤有机质对土壤反射率的影响在视觉上表现为暗黑色的土壤比亮色的土壤有机质含量高，这表明了土壤有机质与可见光反射率之间的关系: 土壤有机质含量越高，可见光的反射率越低; 反之，可见光的反射率越高。国外学者研究发现，土壤有机质中含有一种叫做胡敏酸的物质，胡敏酸反射率很低，并且会掩盖土壤反射率和土壤颜色等信息 ( 周清，2004) 。Baumgardner等 ( 1985) 在研究印度土壤时发现，当土壤有机质含量超过 2% 时，其有可能掩盖其他因素对土壤光谱的影响; 当小于 2%时，随着土壤有机质含量的降低，其掩盖其他成分的能力越来越弱，对土壤光谱的影响就很小了。

2)建立了土壤有机质反演模型Y=16.466－4.385W+2.668W²。判定系数Ｒ²最高达到了0.8684，其中 ，并且用该模型对高光谱影像进行参数成图，取得了较满意的结果。

3)对以反射率作对数的一阶微分方程变换后进行统计回归分析有两个目的:一是一阶微分变换能去除部分线性或接近线性的背景和噪声光谱对目标光谱的影响;二是将反射率和土壤有机质含量之间的关系线性化，便于研究。

C. 从宇宙的黑暗部分到太阳系天体，如何通过X射线获取关键信息

作者：文/虞子期

随着人类对宇宙 探索 的不断深入，我们开始对各类天体的演化过程更加了解，也对宇宙的构成有了清晰的轮廓。尽管这个看似熟悉的宇宙仍然充满着诸多未知，但至少我们知晓了宇宙的大部分物质都是黑暗的，且无法通过目前的任何技术实现对它的直接观测。那些构成行星或恒星的质子、中子和电子，都仅仅是宇宙质量和能量中极小的一部分，科学家们现在能做的就是通过X射线，去揭示其余关于宇宙黑暗部分的秘密。X射线天体物理学，正乎不仅可以帮助我们了解自己身处的这个宇宙空间，更是物理学 探索 中至关重要的一个部分。那么，科学家们是如何通过X射线来观测宇宙的不同部分，以及我们太阳系中的各大天体？

众所周知，暗能量和暗物质是宇宙中最大的两个部分，也是黑暗宇宙的主要构成。在宇宙的所有物质构成中，虽然人类目前对它们的了解相对较少，但可以确定宇宙的最终命运走向，便主要由这两种物质共同决定。在一般情况下，暗物质会将宇宙的黑暗部分聚集在一起，而暗能量则往往会将它驱散，若要充分的了解这样的宇宙事件，我们需要用到一切可能有利于观测的科学工具。在20世纪末的时候，我们对宇宙的看法受到了很大的震动，因为大爆炸之后的宇宙加速膨胀，其扩张的速度并没有随着时间而减缓。

宇宙的这种加速现象是一种神秘的暗能量形式，还是缺乏对于引力的理解？X射线天文学正在通过强大的技术研究星系团，以解决这个困扰已久的难题，并且，这些技术目前正在采用，绝凯在之后的时间里也会提出更多其他更好的方法。而宇宙的另一个重要未知物质，它的名字叫做暗物质。我们可以通过观察宇宙中目前已知物质的引力效应，从而推断出宇宙剩下的85%都是由不会发光的物质所构成，并且，它们拥有与恒星和行星完全不同的物质组成。科学家们可以通过X射线来研究暗物质在各种环境中带来的影响，以实现对遍布于宇宙中的这种神秘物质的性质有所收获。

若将宇宙的整个组成形容为一个馅儿饼，那么我们能用眼睛和望远镜所看到的一切，仅占据这个馅饼的5%左右，这个数据包括了星际气体与尘埃、恒星和行星等所有可见部分。在发现暗物质之前，我们曾以为这5%便是整个宇宙的所有构成。现在，科学家们开始通过计算机、望远镜等先进的工具进行可观测宇宙中的 探索 ，包括哪些令人兴奋的物体、现象和事件的信息，我们可以通过这些微小但重要的内容，窥探到更大的黑暗宇宙。在已经过去的十多年时间里，天文科学家们验证了X射线是宇宙 探索 工具箱的基本组成

在可见宇宙的组成部分中，星系团算得上是最重要的结构，这些巨大的物体所包含的单独星系甚至可以达到数千个。它们通过重力结合在一起，沉浸在巨大的热气云中，并被大量不可见的暗物质所聚集。在钱德拉等X射线卫星的观测下，可以收集到这些热气体在不同温度下的辐射情况，其实际质量远超过该星系本身。因为星系团本身的质量和大小，以及丰富的暗物质储量，让其成为了研究整个宇宙性质的宝贵实验室。比如，宇宙中最庞大的星团之一珀尔修斯集群，便是包含了数千个星系、质量相当于数万亿个太阳的一个巨大星系团。整个集群的内部区域因为声波而被加热气体，阻碍了气体冷却以高速率的制造恒星，同时也说明了在该系星的中心，存在一个相对微小但巨大的黑洞，因为它的控制范围远超出了星系范围内的气体加热和冷却。

当一颗恒星以剧烈爆炸的方式来结束自己的生命之时，明亮的超新星也因此而产生，并且超越了它们的“家庭”星系。在它们的生命演化周期中，恒星会将氦气和氢气转化为更复杂的重元素，然后在恒星爆炸的时候分布到太空中。比如，我们地球上包括生命在内的所有东西，其实都应该归功于上一代超新星的恒星灭亡。那些超新星中的参与物质，在X射线光中的发光时间甚至可以达到数千年，并在这个过程中向敏感的X射线望远镜传递它们的秘密信息并清唤。比如，科学家们观测到的银河系中最年轻的超新星遗迹Cassiopeia A（简称Cas A），在钱德拉的图像中，蓝色的纤细弧线呈现了爆炸所产生的膨胀冲击波发生了加速，而其中绿色和红色的区域，则显示了那些被破坏、且已被加热至数百万度的恒星物质。

或许你有所不知，在最近的附近宇宙中，大约有一半的重子物质都处于下落不明的状态，也就是所谓的中子和质子，存在于早期宇宙中的它们去了哪里呢？关于这个问题的答案，其中有一个这样相对最合理的推论，即：那些缺失的中子，成为了一个极端分散的“网状气体云系统”的构成部分，参与了星系和星系团的形成。而检测这些缺失的重子有一个最好的方法，那就是它们微弱却而已被观察到的X射线特征。比如，被探测到的Mkn 421X射线吸收现象，若该星系际X射线吸收云的大小和分布都具有代表性，那么，该光谱就可以证明宇宙中的大部分原子和粒子都位于我们难以看到的宇宙网中。

尽管太阳系中的彗星、卫星和行星的温度，远低于产生宇宙X射线应该具备的温度条件，但科学家们已经发现这些较冷天体产生X射线的不同方式，这些来自太阳系物体的X射线辐射，为科学家们提供了其他望远镜难以获取的许多重要信息。在地球延伸的外层大气中，地冕中的氢原子与碳、氧和氖离子之间发生碰撞，然后便有了地球的地冕X射线证据。科学家们将这个过程称为电荷交换。当大气中电子的中性原子和太阳风中的粒子之间发生交换，移动到更紧凑轨道的电子会发射出X射线，而这些X射线的能量，便等于电子轨道能量状态的差异。

科学家们可以利用电荷交换过程中碰撞能量的X射线光谱，与具有敏感X射线光谱仪的其他过程区分开来。在整个太阳能系统中，都运行着这样的电荷交换过程，且对于彗星而言尤为重要。我们都知道，在彗星的周围布满了尘埃和气体云，研究人员对彗星大气中电荷交换所引起的X射线进行研究，可以提供彗星旋转和彗星大气结构的信息，以及太阳风中存在元素的重要提示。而在不远的将来，科学家们需要进一步探测太阳系中、恒星周围数百颗彗星集合中的X射线，那些相对年轻的恒星具有更强劲的恒星风，因而成为了最好的 探索 目标选择。

从位置上来说，金星和地球处于相对的方向，因而来自金星和某种程度上的地球X射线，都是因为太阳X射线照射到大气中的荧光，金星的钱德拉图像呈现出了半月牙的外观。在行星表面上方大约120公里的地方，被吸收的太阳X射线将电子从原子内部推出，从而将原子激发到了更高能级，恢复低能状态的原子发出了荧光X射线。而来自火星大气中氧原子的荧光X射线，与金星上的具有很高相似性，即使是巨大的沙尘暴也不会对X射线的强度带来任何变化。而那些位于火星表面7000公里左右的地方，也探测到了微弱的X射线光环，它们的存在可能与火星脆弱的极端高层大气和太阳风电荷的交换过程有关。

木星因自身存在的强大磁场，总能以不同的方式产生X射线的环境，比如，当那些来自太阳的高能粒子被捕获，便会在其磁场中加速，直到达到极性区域产生X射线。它们会和木星大气中的原子发生碰撞，在木星的北极和南极附近都具有强烈的X射线浓度，而弱赤道X射线发射，则可能是受到了太阳X射线的反弹。同时，由于月球表面也受到了来自太阳的X射线影响，导致来自月球的X射线是因为“荧光”而产生。当月球表面上的原子吸收了太阳X射线，电子会从原子内部撞出、并激发更高的能级。随着荧光X射线的发射，原子几乎立刻就恢复到了较低能量时的状态，并以类似的方式，紫外光产生了荧光灯一般的可见光。由于荧光X射线原子的独特性，科学家们可以利用这种X射线来探测其中存在哪些元素。

D. 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Fe^2＋矿物、Fe^3＋矿物、Mn^2＋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；

：诊断谱带一般位于2335～2386nm区间；

Fe^2＋：诊断谱带一般位于1000～1100nm附近；

图8.41 波谱库系统主界面

Fe^3＋：诊断谱带一般位于600～900nm附近；

Mn^2＋：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Fe^2＋在1000nm与

在2300nm附近的特征谱带。

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。

E. 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液芦分量变换（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，…，x_m］^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NF_i ＝

，信噪比定义为SNR_i＝

。

∑_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 ＝∑X_Z ＋∑_N （6.2）

假设F为∑_N的白化矩阵，∑_N的特征值矩阵为

＝diag（λ_N1，λ_N2，…，λ_Np），其中p为波段数，则有

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

由∑_N的特征向量组成，且满足

。

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

＝d i a g（λ_w1 ，λ_w2 ，…，λ_wp），对矩阵∑_w作主成分变换，可以得到由矩阵∑_w特征向量组成的

，使得

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）得观测信号颤埋卜最小噪声分量变换后的矩阵为

T ＝ M^TX （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

。即按变换后数据T的特征值排列，较大的特征值对应信号为主的图像，接近于1的特征值代表噪声占主导的图像。在变换之后，通常可以直接利用T进行数据后续处理，但是Cheriyadat和Bruce等人证明，主成分变换完全依赖于数据整体的协方差，当类内方差占据类间方差的主体时，主成分变换倾向于将数据向不利于分类的方向投影。可见，MNF变换与主成分变换具有相同的特点，因此，研究中提出的算法在利用MNF之后，利用最小噪声分量反变换将数据转换回光谱空间，这样可以最大限度地保证数据的可分性。

（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），并且吸收深度H的计算公式如下：

H ＝ d × ρ_L ＋（1-d）× ρ_R-ρ_M （6.8）

d ＝（λ_L-λ_M）/（λ_R-λ_L） （6.9）

2）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；并且通过大量的实茄穗验发现，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：

和

分别为吸收左肩端、右肩端、吸收谷点的反射率和波长位置；d＝

为吸收的对称性参数。

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

F. 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）

G. 煤火灾害多光谱遥感信息提取方法

（一）基于ETM数据的图像处理方法

根据对汝箕沟煤火区地物图像波谱特征分析，图像波段比值ETM7/4异常对识别和提取烧变岩和明火信息有利，地物的多波段波形特征ETM5＞ETM7＞ETM1＞ETM3＞ETM2＞ETM4对识别地下煤火有较好的指示作用。设计提取煤火灾害遥感异常的具体图像处理方法如下。

（1）利用煤田边界资料，生成一幅煤田分布掩模图像；

（2）在掩摸条件下，利用光谱角技术提取煤火区地物的分布信息，生成一幅煤田地物分布图像，见图3⁃4⁃1；

图3-4-1 利用光谱角技术提取的煤火区地物分布信息图像

（3）计算煤田分布图像的波段比值ETM7/4，利用比值图像加数倍标准差的方法进行比值异常提取，作为判别烧变岩的遥感信息；

（4）利用模板ETM5＞ETM7＞ETM1＞ETM3＞ETM2＞ETM4，提取ETM图像中的波形异常信息，作为判别地下煤火地物光谱异常信息；

（5）对上述两类遥感信息进行叠加和综合，生成地下煤火灾害遥感信息图。

图3⁃4⁃2是根据上述方法提取的汝箕沟煤火遥感异常信息档唯空。其中包括煤火区图像ETM7/4比值异常，分割阈值1.60，3×3均值滤波；煤火区多波段波形异常，波形匹配阈值0.04，3×3均值滤波。

（二）基于ASTER数据的图像处理方法

1.数据处理

用于汝箕沟和乌达煤田煤火探测研究的ASTER数据是属于经过辐射和几何校正的ASTER⁃1B数据。其中汝箕沟煤火区数据图像清晰，信息丰富，无条带和噪声干扰；乌达煤火区图像，有部分云量，覆盖面积小于40%，无云区清晰度很高，无条带和噪声干扰，可满足煤火探测研究使用。

原始ASTER⁃1B数据的投影模式为UTM，Zone 48 North，基准面为North America 1927，需要进行投影转换，转换为GK Zone 18（Pulkova 1942）；然后根据煤火区的地理坐标范围进行图像数据裁剪。由于ASTER数据具有不同的空间分辨率，为便于进行多波段数据组合与处理，对SWIR和TIR数据进行重采样和几何配准，使它们的图像分辨率与VNIR分辨率一致，生成具有统一空间分辨率的煤火区ASTER多波段图像。

2.烧变岩遥感信息提取

图3-4-2 汝箕沟煤火灾害遥感信息提取图像

烧变岩信息是研究煤田过火区的重要指示标志，也是确定地下煤火迁移方向和火灾变化范围的重要依据。以汝箕沟煤火区9号点死火区烧变砂岩、7号点燃烧区烧变行瞎岩石的短波红外光谱曲线为目标参量，根据波形相似原理选择光谱角技术对煤火区图像的每个像元进行逐一自动扫描，给定阈值提取与烧变岩短波红外波形相似的图像像元信息，作为烧变岩信息分布图像。在汝箕沟煤火区，选取烧变砂岩的光谱角阈值为0.01，选取燃烧区烧变粗砾砂岩的光谱角阈值为0.005。图3⁃4⁃3是利用短波红外数据提取的烧变岩遥感信息分布图。

（三）煤火灾害信息提取效果分析

在汝箕沟煤火区遥感异常图像上读取波谱异常区的中心坐标，在野外根据GPS显示寻找图像异常区，并对异常区的地面属性进行调查。表3⁃4⁃1是部分遥感异常地面检查一览表。在汝箕沟地区，分别对ETM7/4异常、波形异常和ASTER光谱异常区进行地面检查。主要结果表明，ETM7/4异常区主要反映的是含煤系地层的烧变岩石和煤层信息，波形异常区主要反映的是含煤系地层岩石和煤火信息。

ASTER光谱异常区可部分反映地下煤层燃烧信息，如点位7、8；部分反映了煤层信息，如点11。与ETM相比较，ASTER光谱异常区主要集中在火区地带。从提取的遥感信息图像中可看出信息分布集中且具有一定的规律性，主要分布在北东-南西向的汝箕沟向斜轴两侧附近，向斜东端煤上覆地层烧变岩分布较多，多位于山脊和山坡上。烧变岩分布方向与煤火区地下煤火的燃烧历史状况一致，分布在已熄灭的过火区；即主要分布在白芨沟矿区、卫东煤矿、大峰矿、汝箕沟矿和古拉本矿周围，面积较大。从烧变岩的分布规律看出该区的煤层自燃演化过程，该区煤层自燃沿向斜两翼分别由北向南发展。燃烧区岩石信息目前主要分布在汝箕沟、大峰矿、卫东煤矿和汝箕沟太阳沟地区，与矿区的现势火情和野外检查相吻合。由此可见，利用多光谱信息，可以提取一些与煤火灾害有关的信息。汝箕沟煤火区图像有如下情况。

图3-4-3 汝箕沟煤火区烧变岩遥感信息提取图像

表3-4-1 汝箕沟煤火区典型遥感异常信息野外检查山祥表

续表

（1）ETM7/4异常多呈小面积分布，热异常值比较高，与煤层分布范围较一致。这可能与地表岩石土壤在煤火烘烤烧变作用下，发生强烈的氧化作用使岩土中的铁离子富集且质地致密坚固有关。它是判别烧变岩区和活火区的有利依据。

（2）利用ETM5＞ETM7＞ETM1＞ETM3＞ETM2＞ETM4光谱特征提取的异常多呈点状分布，可能与煤层燃烧改变了燃烧区上覆地层的矿物成分及地层结构、构造、抗风化能力等特征有关。在地表热异常值比较低的地方，可作为判别死火烧区的依据。

（3）ASTER短波红外数据对识别燃烧区和死火区的烧变岩信息比较有利。

H. 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R_m×n和协方差矩阵K_m×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 ，w_j表示每次迭代时的投影方向，X^j－1为最长的光谱向量，则X^j－1在w_j方向上的投影系数为

高光谱遥感影像信息提取技术

e_j在x_i中的比例系数为

高光谱遥感影像信息提取技术

式中：β_ij为调整系数，当β_ij＝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x_i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β_ij调整的原则为：当O_ij≤0时，β_ij＝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v_k得到其中的最小值，记为v_min。当v_min＞1，则β_ij＝1，为正射投影；否则为斜交投影，β_ij＝v_min。

3.1.3.3 混合铅枝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f_j（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f_j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（f_j）（j＝1，2，亏激滑…，n）对销腊应的端元。

I. 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。