基于多类型光谱特征参数协同的矿物类型遥感识别方法
【技术领域】
[0001] 本发明涉及一种基于多类型光谱特征参数协同的矿物类型遥感识别方法，适用于 多种高光谱数据的区域矿物填图领域。
【背景技术】
[0002] 由于高光谱遥感数据具有波段连续、波谱分辨率高的特点，可以在矿物类型识别 中发挥重要作用，且已经在局部区域矿物填图等工作中得到逐步广泛的应用。利用遥感手 段可以从广域空间、多时相尺度下实现矿物信息的快速识别和提取，缩短矿物填图时间，提 高效率。然而由于地表结构复杂、混合像元及大气环境背景影响等因素的限制，致使利用遥 感技术进行矿物识别的精度不高。因此，研究高精度的矿物信息识别方法具有重要的意义。
[0003] 当前的高光谱遥感数据识别矿物类型的方法主要分为两类：
[0004] -类是基于光谱匹配的方法，使用连续的高光谱遥感数据与地表测量的具体类型 的矿物光谱数据匹配，依据二者匹配的相似性或距离差异确定矿物类型。该方法的限制性 主要有两个方面：（1)由于受当前技术条件及环境背景、大气参数等因素的影响，即使对高 光谱遥感数据进行地表反射率的恢复重建等处理，仍然不能完全消除大气对地表真实光谱 的影响；（2)混合像元对光谱有明显的影响，地表的矿物光谱是测量的纯净矿物光谱信息， 而遥感测量的是矿物及周围背景要素综合作用的光谱，二者匹配有较大困难。以上因素使 得直接用光谱匹配技术识别矿物类型存在明显的不确定性。
[0005] 另一类是基于特定矿物光谱特征参数的识别方法，不同的矿物类型，在不同的光 谱波段体现出独特的光谱特征，依据特定类型矿物的光谱特征参数可以识别出该类型的矿 物。在矿物类型单一的区域，该方法能体现出较高的精度，而在矿物类型复杂的区域，由于 矿物的光谱特征主要集中在短波红外这一非常窄的波长区域，单一的光谱特征参数很难区 分出不同类型的矿物。因此，当前技术方法的局限，限制了高光谱遥感技术在矿物类型识别 中的应用。
【发明内容】
[0006] 针对现有技术中存在的上述技术问题，本发明提出一种基于多类型光谱特征参数 协同的矿物类型遥感识别方法，能够有效提高区域的矿物填图精度。
[0007] 为了实现上述目的，本发明采用如下技术方案：
[0008] 基于多类型光谱特征参数协同的矿物类型遥感识别方法，包括如下步骤：
[0009] a高光谱数据预处理
[0010]对高光谱数据进行光谱重建；
[0011]光谱重建包括坏线修复、绝对辐亮度值转换、大气校正、条纹去除及光谱平滑处 理；
[0012] b典型矿物波谱处理
[0013] 针对不同的高光谱数据，按照不同的采样间隔对典型矿物波谱数据进行波谱重采 样；
[0014] c多类型光谱特征参数解算
[0015] 首先对高光谱数据和典型矿物波谱进行包络线去除处理，然后再分别提取其多类 型光谱特征参数；
[0016] 其中，光谱特征参数包括吸收波谷位置、吸收反射率、吸收深度、吸收宽度、吸收斜 率、吸收对称度、吸收面积、光谱吸收指数、吸收左肩位置及吸收右肩位置；
[0017] d监督分类法矿物填图实验
[0018] 通过最佳指数因子计算不同类型光谱特征参数组合的信息量，确定最佳光谱特征 参数组合，基于模式识别方法进行矿物填图实验；
[0019] e决策树分类法矿物填图实验
[0020] 首先对典型矿物波谱的多类型光谱特征参数进行统计分析，然后参照高光谱数据 中矿物端元对应的光谱特征参数值，构建研究区矿物类型识别决策树模型，进行矿物填图 实验。
[0021] 本发明具有如下优点：
[0022] 本发明中的矿物类型遥感识别方法是基于多类型光谱特征参数的协同，能够有效 降低或减弱混合光谱、光谱畸变、大气及复杂环境背景等因素的影响，保持较高的稳定性， 具有较高的整体矿物识别精度。本发明为高光谱矿物识别提供了一种新思路，可为以后使 用高光谱遥感手段进行矿物类型识别中不同信息的综合应用提供借鉴。
【附图说明】
[0023] 图1为本发明实施例中基于多类型光谱特征参数协同的矿物类型遥感识别流程框 图；
[0024] 图2为本发明实施例中光谱特征参数计算示意图。
【具体实施方式】
[0025]下面结合附图以及【具体实施方式】对本发明作进一步详细说明：
[0026]如图1所示，基于多类型光谱特征参数协同的矿物类型遥感识别方法，包括如下步 骤：
[0027] a高光谱数据预处理
[0028]为准确获取地物的真实地表反射率信息，需要对高光谱数据进行光谱重建。光谱 重建包括坏线修复、绝对辐亮度值转换、大气校正、条纹去除及光谱平滑处理。
[0029]对于AVIRIS数据仅仅需要进行大气校正处理。
[0030] 而对于Hyperion高光谱数据，存在如下问题：
[0031] 1、由于传感器辐射定标存在问题，导致数据中存在不正常的条带数据，其中，无数 据或数据值异常的行或列称为坏线；
[0032] 2、由于传感器的固有系统噪声造成的规律性条带成为条纹，因此，需要分别进行 坏线修复和条纹去除；
[0033] 3、由于Hyperion数据由两部分光谱仪获取，不同光谱范围的辐射定标值不同，因 此，需要做绝对辐亮度值转换，而后进行大气校正处理；
[0034] 4、经过大气校正后的Hyperion数据，仍存在大量的"毛刺"光谱噪声，反射率变化 非常明显，因此需要进行光谱平滑处理。
[0035]由此可见，Hyper ion高光谱数据的处理流程为坏线修复、绝对福亮度值转换、大气 校正、条纹去除及光谱平滑处理。其中，
[0036] 1、坏线修复使用Hyperion Tools处理。
[0037] 2、绝对辐亮度值转换及大气校正使用ENVI中的FLAASH大气校正模块处理。
[0038] 3、条纹去除使用全局条纹去除法处理，如公式1、2、3所示：
[0042] 其中，为影像第k波段第j列像元平均值；
[0043] 影像第k波段第j列像元值的标准差；
[0044] 妨^为参考影像第k波段第j列像元平均值和标准差；
[0045] R、k表示影像第k波段第j列第i行的校正值。
[0046] 4、然后采用海明窗滤波器(Hamming)对高光谱数据进行光谱平滑处理，如公式4、5 所示，减少噪声的影响，突出高光谱数据的光谱吸收特性。
[0047] Hamming函数可以时间域可表示为：
[0049]它的频域特性可以表示为：
[0051 ] b典型矿物波谱处理
[0052] USGS(United States Geological Survey)波谱库在JPL(Jet Propulsion Laboratory)波谱数据库的基础上构建，覆盖范围为0.4~2.45μπι。
[0053] 为了与其他高光谱数据进行光谱匹配分析，需要对其进行光谱重采样处理，如式6 所示：
[0055] 式中，ρ表示重采样后的光谱，ρ(λ)表示原始光谱，β(λ)表示光谱响应函数。
[0056] 针对不同的高光谱数据，按照不同的采样间隔对典型矿物波谱数据进行波谱重采 样。
[0057] c多类型光谱特征参数解算
[0058]首先对高光谱数据和典型矿物波谱进行包络线去除处理，然后再分别提取其多类 型光谱特征参数，如图2示出了本发明中光谱特征参数计算示意图。
[0059]光谱特征参数包括吸收波谷位置Ρ、吸收反射率RP、吸收宽度W、吸收对称度S、吸收 深度H、吸收面积A、吸收斜率K、光谱吸收指数SAI、吸收左肩位置吸收右肩位置&。
[0060] 吸收波谷位置P是指吸收谱带的谷底极小值点所对应的波长，即反射率最低处的 波长，可用λρ表示。
[0061] 吸收反射率RP指的是吸收波谷位置Ρ处的反射率值。
[0062] 吸收宽度W是吸收波谷两侧肩部的波谱带宽，如公式7所示：
[0063] ff=A2-Ai (7)
[0064] 式中，λ#Ρλ2分别为吸收波谷起始波长和终止波长的反射率；
[0065]吸收对称度S是指过波谷位置垂线的左右两部分的对称程度，等于左（右）肩部距 谷底的波长宽度与吸收宽