专利名称：一种基于光谱知识的矿物信息智能识别方法
技术领域：
本发明涉及一种基于光谱知识的矿物信息智能识别方法，属于高光谱数据处理方 法与应用技术领域，适用于高光谱图像信息自动提取的理论方法以及在矿物信息识别等领 域的应用技术研究。
背景技术：
高光谱相对于传统遥感增加了光谱维信息，反映了其代表地物的内在特征，充分 利用该信息能够大大推动高光谱数据的应用范围与水平，并不断扩展高光谱数据的应用深 度和广度。目前高光谱矿物信息识别的方法主要为基于波谱相似性测度、混合光谱模型、基 于光谱波形参数等。在具有大量已知地物光谱时这些方法适应性强，但明显不足是由于实 际地物光谱变异、获取数据受观测角以及颗粒大小的影响而造成光谱变化，准确匹配比较 困难，造成矿物识别与分析上的混淆和误差。另外基于统计的光谱识别方法几乎没有用到 矿物光谱的内在特征及其化学组成等信息。事实上，矿物往往具有其特有的诊断吸收特征， 并且其吸收特征在不同的矿物中具有较稳定的波长位置和较稳定的独特波形，能够指示矿 物的存在。通过光谱吸收特征或其组合，能够实现对矿物的识别。针对这一问题，国外提出 了基于知识决策的识别方法，该方法利用了矿物光谱的诊断吸收特征。但是该类方法存在 着一定程度的问题受测量条件和环境的影响，同种矿物的标准参考光谱和图像像元光谱 的幅值存在较大差异，采用参考光谱在诊断特征波段区间的最大和最小值作为约束条件来 避免异物同谱的情况会造成识别误差；并且现有方法未考虑矿物在空间分布连续的特性， 造成一些散点的误识别。
发明内容
本发明的目的是针对现有矿物信息识别方法光谱吸收特征利用较少、未充分考虑 测量环境引起的参考光谱与图像像元光谱存在幅值差异以及未考虑矿物本身的分布特性 等不足，提出一种一种基于光谱知识的矿物信息智能识别方法。本发明的技术解决方案是一种基于光谱知识的矿物信息智能识别方法。该方法 主要是基于光谱知识的相关理论，提取包括光谱波形与光谱特征参数的光谱知识，获得参 考光谱以及光谱吸收特征波段区间，然后采用基于光谱主次吸收特征的最小二乘拟合方法 得到最初匹配值，并对最初匹配值进行以下三个约束处理特征波段光谱角匹配、是否存在 特定吸收特征、特征波段反射率阈值设定，从而得到最终匹配值，将图像像元光谱与各个参 考光谱的最终匹配值中的最大匹配值所对应参考光谱作为该像元初步识别结果，然后运用 矿物空间分布的连续性得到高光谱图像的最终识别结果，从而实现高光谱图像矿物信息的 自动识别。本发明一种基于光谱知识的矿物信息智能识别方法，其步骤如下(1)提取包括光谱波形与光谱特征参数的光谱知识；
(2)读入高光谱图像数据；(3)根据图像光谱波长对各个参考光谱进行重采样；(4)对图像光谱及重采样后参考光谱进行连续统去除；(5)对步骤(4)处理后的图像光谱与各个参考光谱在主次吸收特征波段采用最小 二乘拟合方法，得到最初匹配值；(6)对最初匹配值进行三个约束处理特征波段光谱角匹配、是否存在特定吸收 特征、特征波段反射率阈值设定，从而得到最终匹配值；(7)步骤(6)得到的各个最终匹配值中的最大匹配值所对应参考光谱即该像元初 步识别结果，然后运用矿物空间分布连续性的约束得到高光谱图像最终识别结果。其中，步骤(1)中所述的光谱波形与光谱特征参数等光谱知识的提取，其含义说 明如下选取美国地调局光谱库中常见矿物光谱为参考光谱(光谱波段范围0. 3951 2. 56 μ m)；提取其光谱波形以及光谱库中各参考光谱在整个波段范围内吸收特征的个数和 每个吸收特征的起止波段位置等相关参数作为光谱知识。其中，步骤(3)中所述的根据图像光谱波长对各个参考光谱进行重采样，其含义 说明如下由于参考光谱与图像像元光谱波长范围可能不一致，因此在拟合运算之前必须 采用临界采样的方法根据图像像元光谱波长对参考光谱进行重采样。其中，步骤(4)中所述的对图像像元光谱及重采样后参考光谱进行连续统去除， 其含义说明如下连续统去除处理可以突出光谱吸收特征，抑制噪声影响；其具体流程为 首先求得光谱曲线上所有极大值点中的最大值，然后以最大值点作为包络线的一个端点计 算该点与波长增加的方向各个极大值连线的斜率并以斜率最大点作为包络的下一个端点， 再以此点为起点循环直到最后一点，同时以最大值点作为包络的一个端点向波长减小的方 向进行类似计算并以斜率最小点为下一个端点，再以此点为起点循环直到曲线上的开始 点，最后沿波长增加方向连接所有端点可形成包络线，用实际光谱反射率去除包络线上相 应波段的反射率值可得连续统去除曲线；其计算公式如下Rcr(A) = R(A)/C(A)其中，λ为波长，RraU)为连续统去除后的反射率值，RU)为连续光谱的反射率 值，CU)为连续统的值。其中，步骤(5)中所述的基于主次吸收特征的最小二乘拟合方法，其含义说明如 下对连续统去除后的各个参考光谱和图像像元光谱在主次吸收特征区间进行最小二乘拟 合，得到最初的匹配值。其计算公式如下
「 F —冬广YjOiLi-^OiYjLi)! η,tIOtai _ ΖΛ, / ^一一 7
‘=1 ν(ΣΑ2-(ΣΑ)2、)(Σ0'2-(Σ0,)、)其中，ni为第i个吸收特征所含的波段数讽为第i个吸收特征连续统去除后的 图像像元光谱^为第i个吸收特征连续统去除后的参考光谱而为第i个光谱吸收特征 所占的权系数，可利用该吸收特征的面积在整个波段主次两个特征的面积之和中所占的比 例来得到；Fttrtal为连续统去除后的图像像元光谱与参考光谱在主次吸收特征区间的加权匹 配值。其中，步骤(6)中所述的“对最初匹配值进行三个约束处理特征波段光谱角匹
配、是否存在特定吸收特征、特征波段反射率阈值设定，从而得到最终匹配值”，其含义说明如下由于存在不同种矿物连续统去除后特征区间波形相似的情况，因此需要对连续统去 除前的图像像元光谱和参考光谱进行光谱角匹配，并设定光谱角阈值，若光谱角匹配值小 于该阈值，则认为出现了异物同谱的情况，将步骤(5)中所得最初匹配值设为0;由于不同 种矿物会在某一波段区间存在相似特征，但不会在所有波段区间都具有相似特征，因此可 以根据一种矿物在与之具有相似特征的另一种矿物的其它特征波段区间不具有吸收特征 来区分具有相似吸收特征的两种矿物，并设定吸收深度阈值，若一种矿物在与之具有相似 特征的另一种矿物的其它某一特征波段区间的吸收深度大于该阈值，则将步骤(5)中所得 最初匹配值设为0 ；为了去除噪声影响，设定连续统去除前图像像元光谱在与其匹配的参 考光谱的特征波段区间的最小反射率阈值，若不满足该阈值则将步骤(5)中所得最初匹配 值设为0。其中，步骤(7)中所述的“步骤(6)得到的各个最终匹配值中的最大匹配值所对应 参考光谱即该像元初步识别结果，然后运用矿物空间分布连续性的约束得到高光谱图像最 终识别结果”，其含义说明如下图像像元光谱与各个参考光谱经过最小二乘拟合与约束条 件限制得到的最大匹配值表示匹配最佳，其对应矿物即为该图像像元初步识别结果；然后 运用矿物空间分布连续性约束条件，即矿物不以散点形式在图像中出现，得到高光谱图像 中矿物的最终识别结果。本发明与现有技术相比的优点在于本方法运用了光谱知识的相关理论，有效的 克服了现有识别方法对光谱吸收特征利用较少、未充分考虑测量环境引起的参考光谱与图 像像元光谱存在幅值差异以及未考虑矿物本身的分布特性的问题，实现了高光谱图像矿物 信息的自动识别。它具有以下的优点(1)改进了抑制异物同谱的约束条件，采用对连续统 去除前的图像像元光谱和参考光谱进行光谱角匹配的方法，从而消除了测量环境引起的参 考光谱与图像像元光谱存在幅值差异对矿物识别的影响；(2)引入矿物空间分布连续性的 约束条件，充分利用矿物空间信息，提高了方法的精确性。
图1为本发明一种基于光谱知识的矿物信息智能识别方法的流程图。
具体实施例方式为了更好的说明本发明涉及的一种基于光谱知识的矿物信息智能识别方法，利用 机载AVIRIS高光谱成像仪数据，采用本发明方法进行美国内华达州Cuprite地区矿物信息 的自动识别。本发明一种基于光谱知识的矿物信息智能识别方法，具体实现步骤如下(1)提取包括光谱波形与光谱特征参数的光谱知识选取美国地调局光谱库中62 种常见矿物光谱为参考光谱(光谱波段范围0. 3951 2. 56 μ m)，其中包括明矾石，高岭石， 蒙脱石，白云母，方解石，玉髓石，绿泥石，地开石，阳起石，透辉石，白云石，布丁石，绿帘石， 伊利石，孔雀石等常见矿物；提取其光谱波形以及光谱库中各参考光谱在整个波段范围内 吸收特征的个数和每个吸收特征的起止波段位置等相关参数作为光谱知识。(2)读入高光谱图像数据读入AVIRIS高光谱反射率数据，数据大小为 400X350X50 ；(3)根据图像光谱波长对各个参考光谱进行重采样标准参考光谱波长范围0. 3951 2. 56 μ m,图像光谱波长范围1. 9908 2. 4790 μ m,为实现匹配必须将参考光谱波 长重采样至1. 9908 2. 4790 μ m并通过临界采样方法得到相应反射率值；(4)对图像光谱及重采样后参考光谱进行连续统去除；为了抑制实际地物光谱变异、获取数据受观测角以及颗粒大小的影响引起的图像 光谱变化对识别结果的影响，仅考虑波长位置较稳定及波形较稳定得诊断吸收特征区间； 为了突出吸收特征，抑制噪声的影响，采用连续统去除的方法，从而有效地提高了方法的稳 定性。首先求得光谱曲线上所有极大值点中的最大值，然后以最大值点作为包络线的一 个端点计算该点与波长增加的方向各个极大值连线的斜率并以斜率最大点作为包络的下 一个端点，再以此点为起点循环直到最后一点，同时以最大值点作为包络的一个端点向波 长减小的方向进行类似计算并以斜率最小点为下一个端点，再以此点为起点循环直到曲线 上的开始点，最后沿波长增加方向连接所有端点可形成包络线，用实际光谱反射率去除包 络线上相应波段的反射率值可得连续统去除曲线；其计算公式如下Rcr(A) = R(A)/C(A)其中，λ为波长，RraU)为连续统去除后的反射率值，RU)为连续光谱的反射率 值，CU)为连续统的值。(5)对步骤(4)处理后的图像光谱与各个参考光谱在主次吸收特征波段采用最小 二乘拟合方法，得到最初匹配值；对连续统去除后的参考光谱和图像像元光谱在主次吸收特征区间进行最小二乘 拟合，得到最初的匹配值；其计算公式如下
F广Σ0,α-(Σ0,ΣΑ)、pIOtal = Za I ^7
-ν(ΣΑ2-(ΣΑ)2/",)(Σ《-(ΣΦ、)其中，ni为第i个吸收特征所含的波段数讽为第i个吸收特征连续统去除后的 图像像元光谱^为第i个吸收特征连续统去除后的参考光谱而为第i个光谱吸收特征 所占的权系数，可利用该吸收特征的面积在整个波段主次两个特征的面积之和中所占的比 例来得到；Fttrtal为连续统去除后的图像像元光谱与参考光谱在主次吸收特征区间的加权匹 配值。(6)对最初匹配值进行三个约束处理特征波段光谱角匹配、是否存在特定吸收 特征、特征波段反射率阈值设定，从而得到最终匹配值；为了消除测量环境引起的参考光谱与图像像元光谱存在幅值差异对矿物识别的 影响，本发明改进了抑制异物同谱的约束条件，采用对连续统去除前的图像像元光谱和参 考光谱进行光谱角匹配的方法，提高了约束条件的精确性。特征波段区间光谱角匹配计算公式如下
t*r 「00421 ο1 = arccos-
\\t\\*\\r\\其中，t为岩矿参考光谱，r为图像像元光谱，θ为光谱角；通过该约束条件，可避 免不同种地物连续统去除后形状类似而造成的误识别。对连续统去除前的图像像元光谱和参考光谱进行光谱角匹配，并设定光谱角阈 值，若光谱角匹配值小于该阈值，则认为出现了异物同谱的情况，将步骤(5)中所得最初匹
7配值设为0 ；由于不同种矿物会在某一波段区间存在相似特征，但不会在所有波段区间都 具有相似特征，因此可以根据一种矿物在与之具有相似特征的另一种矿物的其它特征波段 区间不具有吸收特征来区分具有相似吸收特征的两种矿物，并设定吸收深度阈值，若一种 矿物在与之具有相似特征的另一种矿物的其它某一特征波段区间的吸收深度大于该阈值， 则将步骤(5)中所得最初匹配值设为0;为了去除噪声影响，设定连续统去除前图像像元 光谱在与其匹配的参考光谱的特征波段区间的最小反射率阈值，若不满足该阈值则将步骤 (5)中所得最初匹配值设为0。(7)步骤(6)得到的各个最终匹配值中的最大匹配值所对应参考光谱即该像元初 步识别结果，然后运用矿物空间分布连续性的约束得到高光谱图像最终识别结果；用数据大小为400X350X62的二值化图像来表示初步识别结果，其中每维图像 表示每种标准参考光谱对应的矿物在该地区的分布图，在图像像元波段维中匹配值最大且 满足约束条件的点，其值设为1，其余设为0 ；然后运用矿物空间分布连续性的约束条件，去 除图像中的散点像元，得到高光谱图像中矿物的最终识别结果。以上整个实现过程不需要人为干预或任何先验信息，因此，实现了矿物信息识别 的自动化和智能化。通过本发明方法，得到了美国内华达州Cuprite地区的六种主要矿物 分布图明矾石，高岭石，蒙脱石，白云母，方解石，玉髓石。
权利要求
一种基于光谱知识的矿物信息智能识别方法，其特征在于它包含以下步骤(1)提取包括光谱波形与光谱特征参数的光谱知识；(2)读入高光谱图像数据；(3)根据图像光谱波长对各个参考光谱进行重采样；(4)对图像光谱及重采样后参考光谱进行连续统去除；(5)对步骤(4)处理后的图像光谱与各个参考光谱在主次吸收特征波段采用最小二乘拟合方法，得到最初匹配值；(6)对最初匹配值进行三个约束处理特征波段光谱角匹配、是否存在特定吸收特征、特征波段反射率阈值设定，从而得到最终匹配值；(7)步骤(6)得到的各个最终匹配值中的最大匹配值所对应参考光谱即该像元初步识别结果，然后运用矿物空间分布连续性的约束得到高光谱图像最终识别结果。
2.根据权利要求1所述的一种基于光谱知识的矿物信息智能识别方法，其特征在于 步骤(1)中所述的光谱波形与光谱特征参数等光谱知识的提取过程如下选取美国地调局 光谱库中常见矿物光谱为参考光谱，提取其光谱波形以及光谱库中各参考光谱在整个波段 范围内吸收特征的个数和每个吸收特征的起止波段位置等相关参数作为光谱知识。
3.根据权利要求1所述的一种基于光谱知识的矿物信息智能识别方法，其特征在于 步骤(4)中所述的连续统去除的方法如下其计算公式如下Rcr(X) = RU)/CU)其中，λ为波长，Rct(X)为连续统去除后的反射率值，RU)为连续光谱的反射率值， C(A)为连续统的值；进行连续统去除的具体步骤如下首先求得光谱曲线上所有极大值 点中的最大值，然后以最大值点作为包络线的一个端点计算该点与波长增加的方向各个极 大值连线的斜率并以斜率最大点作为包络的下一个端点，再以此点为起点循环直到最后一 点，同时以最大值点作为包络的一个端点向波长减小的方向进行类似计算并以斜率最小点 为下一个端点，再以此点为起点循环直到曲线上的开始点，最后沿波长增加方向连接所有 端点可形成包络线，用实际光谱反射率去除包络线上相应波段的反射率值可得连续统去除 曲线。
4.根据权利要求1所述的一种基于光谱知识的矿物信息智能识别方法，其特征在于 步骤(5)中所述的“对步骤(4)处理后的图像光谱与各个参考光谱在主次吸收特征波段采 用最小二乘拟合方法，得到最初匹配值”，其最小二乘拟合方法的计算公式如下 其中，Hi为第i个吸收特征所含的波段数讽为第i个吸收特征连续统去除后的图像 像元光谱；Li为第i个吸收特征连续统去除后的参考光谱；(；为第i个光谱吸收特征所占的 权系数，可利用该吸收特征的面积在整个波段主次两个特征的面积之和中所占的比例来得 到；Ft。al为连续统去除后的图像像元光谱与参考光谱在主次吸收特征区间的加权匹配值， 该值作为最初的图像识别结果。
5.根据权利要求1所述的一种基于光谱知识的矿物信息智能识别方法，其特征在于 步骤(6)所述的“对最初匹配值进行三个约束处理特征波段光谱角匹配、是否存在特定吸收特征、特征波段反射率阈值设定，从而得到最终匹配值”，其特征波段光谱角匹配的约束 条件含义如下对连续统去除前的图像像元光谱和参考光谱在吸收特征波段区间进行光谱 角匹配，并设定匹配阈值；其是否存在特定吸收特征的约束条件如下不同种矿物会在某 一波段区间存在相似特征，但不会在所有波段区间都具有相似特征，判断一种矿物在与之 具有相似特征的另一种矿物的其它特征波段区间是否具有吸收特征；其特征波段反射率阈 值设定的约束条件含义如下设定连续统去除前图像像元光谱在与其匹配的参考光谱的特 征波段区间的最小反射率阈值。
6.根据权利要求1所述的一种基于光谱知识的矿物信息智能识别方法，其特征在于 步骤(7)所述的“步骤(6)得到的各个最终匹配值中的最大匹配值所对应参考光谱即该像 元初步识别结果，然后运用矿物空间分布连续性的约束得到高光谱图像最终识别结果”，其 中匹配值最大表示图像像元光谱与参考光谱之间的匹配程度最大；其矿物空间分布连续性 的约束条件含义如下矿物在空间分布上具有连续性，不会以散点的形式存在于图像中。
全文摘要
一种基于光谱知识的矿物信息智能识别方法，其步骤如下(1)提取包括光谱波形与光谱特征参数的光谱知识；(2)读入高光谱图像数据；(3)根据图像光谱波长对各个参考光谱进行重采样；(4)对图像光谱及重采样后参考光谱进行连续统去除；(5)对步骤(4)处理后的图像光谱与各个参考光谱在主次吸收特征波段采用最小二乘拟合方法，得到最初匹配值；(6)对最初匹配值进行三个约束处理特征波段光谱角匹配、是否存在特定吸收特征、特征波段反射率阈值设定，从而得到最终匹配值；(7)步骤(6)得到的各个最终匹配值中的最大匹配值所对应参考光谱即该像元初步识别结果，然后运用矿物空间分布连续性的约束得到高光谱图像最终识别结果。
文档编号G06K9/62GK101916377SQ201010232490
公开日2010年12月15日 申请日期2010年7月15日 优先权日2010年7月15日
发明者李娜, 牛志宇, 盛浩, 赵慧洁 申请人:北京航空航天大学