本发明涉及遥感影像与矿产资源技术领域,特别涉及一种植被覆盖区下金矿的识别方法及系统。
背景技术:
金在常温下为等轴晶系晶体,立方面心晶格。天然良好晶形极为罕见,常呈不规则粒状、团块状、片状、网状、树枝状、纤维状及海绵状集合体。纯金为金黄色,含杂质时,颜色发生系列变化,含银或铂时颜色变淡,含铜时颜色变深。由于金在地壳中丰度很低,又具有亲硫性、亲铜性,亲铁性、高熔点等特性,而要形成工业矿床需要成千上万倍的富集才可,规模巨大的金矿一般要经历相当长的地质时期,多次成矿作用叠加才可能形成,十分珍贵。
遥感技术能在短时间内最大限度的集成地球表面和表层的宏观信息,并以直观清晰的图像形式显示地物景观,能够直接或间接的分析地表地质特征和地下隐伏地质特征,是对物探、化探等勘查手段的有效补充,因此被广泛的应用在地质研究中。经过科技攻关和应用实践,遥感技术逐渐形成了一套操作性、标准化的方法技术。在基础地质方面,遥感技术应用于地质填图;在矿产地质方面,通过遥感技术识别蚀变异常信息、地质构造信息以及与矿有关的其他地质信息,综合进行矿产资源勘查,取得了丰硕成果。其中,识别蚀变异常信息(热液标志)是进行矿产资源勘查的关键手段。
目前,蚀变异常信息遥感应用在干旱、半干旱金矿区寻找金矿中取得了一定的成效,但在植被区蚀变异常信息提取具有很大的困难,植被区中的蚀变异常信息大部分被隐没在植被信息中。因此。很难从植被覆盖区提取蚀变异常信息,进而很难从植被覆盖区识别金矿。
技术实现要素:
本发明的目的是提供了一种植被覆盖区下金矿的识别方法及系统,能够准确有效的确定植被覆盖区下金矿的位置信息。
为实现上述目的,本发明提供了如下方案:
一种植被覆盖区下金矿的识别方法,所述识别方法包括:
获取植被区遥感图像;
确定金矿的岩性标志、热液标志以及构造标志;
对所述植被区遥感图像进行预处理,得到处理后的植被区遥感图像;
采用光谱特征导向法,对所述处理后的植被区遥感图像进行植被波段变换处理,得到目标图像;所述目标图像为消除植被影响后的图像;
根据所述目标图像以及所述岩性标志,确定岩性标志图像;所述岩性标志图像为带有岩性标志区域的图像;
根据所述目标图像以及所述热液标志,确定热液标志图像;所述热液标志图像为带有热液标志区域的图像;
根据所述目标图像以及所述构造标志,确定构造标志图像;所述构造标志图像为带有构造标志区域的图像;
对所述岩性标志图像、所述热液标志图像以及所述构造标志图像进行合成处理,得到合成图像;
根据所述合成图像,确定金矿的位置信息。
可选的,所述对所述植被区遥感图像进行预处理,得到处理后的植被区遥感图像,具体包括:
对所述植被区遥感图像进行去除边界信息处理,得到第一遥感图像;
对所述第一遥感图像进行去干扰处理,得到第二遥感图像;
对所述第二遥感图像进行校正处理,得到第三遥感图像;所述第三遥感图像为行星反射率图像;
对所述第三遥感图像进行线性拉伸处理,得到第四遥感图像;
对所述第四遥感图像进行掩膜处理,得到处理后的植被区遥感图像。
可选的,所述采用光谱特征导向法,对所述处理后的植被区遥感图像进行植被波段变换处理,得到目标图像,具体包括:
采用协方差变换矩阵,对所述处理后的植被区遥感图像中的变量进行变换,生成第一变量集合;
将所述第一变量集合与所述处理后的植被区遥感图像中的变量进行比较,确定植被特征变量集合;
确定所述植被特征变量集合的最大值;
根据以下公式对所述植被特征变量集合中的变量进行变换,并将变换后的变量对应替换所述植被特征变量集合中的变量,得到替换植被特征变量集合;所述公式为e'v=[ξvmax-ξv1...ξvmax-ξvi...ξvmax-ξvn];所述e'v为替换植被特征变量集合;ξvmax为植被特征变量集合的最大值;ξvi为植被特征变量集合的第i个变量,1≤i≤n;
对所述替换植被特征变量集合中的变量进行逆变换,得到目标图像。
可选的,所述根据所述目标图像以及所述岩性标志,确定岩性标志图像,具体包括:
对所述目标图像进行增强处理,得到增强目标图像;
根据所述岩性标志,对所述增强目标图像进行解译,得到岩性标志图像。
可选的,所述根据所述目标图像以及所述热液标志,确定热液标志图像,具体包括
将所述目标图像与多个波段进行组合,得到组合图像;
对所述组合图像进行主成分分析处理,得到所述组合图像的主分量集合;
将所述主分量集合中的第四主分量对应的图像确定为子目标图像;
根据所述热液标志,对所述子目标图像进行解译,得到热液标志图像。
可选的,所述根据所述目标图像以及所述构造标志,确定构造标志图像,具体包括:
从所述目标图像中提取各像素点所在的光谱曲线;所述光谱曲线的横坐标表示像素点的波长以及所述光谱曲线的纵坐标表示像素点的反射率;
根据各所述光谱曲线构建对应的各像素点的空间矢量;
根据各所述像素点的空间矢量构建矢量云空间;
根据所述矢量云空间,计算矢量共生矩阵和矢量差分矩阵;所述矢量共生矩阵中的元素为所述矢量云空间中的第一矢量进行移动到第二矢量的概率密度;所述矢量差分矩阵中的元素为所述矢量云空间中的所述第一矢量与所述第二矢量的夹角出现的概率密度;所述第一矢量为所述矢量云空间中任意矢量;所述第二矢量为所述第一矢量进行移动后的矢量;
根据所述矢量共生矩阵和所述矢量差分矩阵,计算所述目标图像的特征;
根据所述目标图像的特征,对所述目标图像进行划分,得到划分后的图像;
根据所述构造标志,对所述划分后的图像进行解译,得到构造标志图像。
可选的,所述对所述岩性标志图像、所述热液标志图像以及所述构造标志图像进行合成处理,得到合成图像,具体包括:对所述岩性标志图像、所述热液标志图像以及所述构造标志图像进行空间位置合成处理,得到合成图像。
可选的,所述根据所述合成图像,确定金矿的位置信息,具体包括:
将所述合成图像中所述岩性标志区域、所述热液标志区域以及所述构造标志区域重叠的位置信息确定为金矿的位置信息。
本发明还提供了一种植被覆盖区下金矿的识别系统,所述识别系统包括:
植被区遥感图像获取模块,用于获取植被区遥感图像;
金矿标志确定模块,用于确定金矿的岩性标志、热液标志以及构造标志;
处理后的植被区遥感图像得到模块,用于对所述植被区遥感图像进行预处理,得到处理后的植被区遥感图像;
目标图像得到模块,用于采用光谱特征导向法,对所述处理后的植被区遥感图像进行植被波段变换处理,得到目标图像;所述目标图像为消除植被影响后的图像;
岩性标志图像确定模块,用于根据所述目标图像以及所述岩性标志,确定岩性标志图像;所述岩性标志图像为带有岩性标志区域的图像;
热液标志图像确定模块,用于根据所述目标图像以及所述热液标志,确定热液标志图像;所述热液标志图像为带有热液标志区域的图像;
构造标志图像确定模块,用于根据所述目标图像以及所述构造标志,确定构造标志图像;所述构造标志图像为带有构造标志区域的图像;
合成图像得到模块,用于对所述岩性标志图像、所述热液标志图像以及所述构造标志图像进行合成处理,得到合成图像;
位置信息确定模块,用于根据所述合成图像,确定金矿的位置信息。
可选的,所述处理后的植被区遥感图像得到模块,具体包括:
第一遥感图像得到单元,用于对所述植被区遥感图像进行去除边界信息处理,得到第一遥感图像;
第二遥感图像得到单元,用于对所述第一遥感图像进行去干扰处理,得到第二遥感图像;
第三遥感图像得到单元,用于对所述第二遥感图像进行校正处理,得到第三遥感图像;所述第三遥感图像为行星反射率图像;
第四遥感图像得到单元,用于对所述第三遥感图像进行线性拉伸处理,得到第四遥感图像;
处理后的植被区遥感图像得到单元,用于对所述第四遥感图像进行掩膜处理,得到处理后的植被区遥感图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种植被覆盖区下金矿的识别方法及系统,所述方法包括:获取植被区遥感图像;确定金矿的岩性标志、热液标志以及构造标志;对所述植被区遥感图像进行预处理,得到处理后的植被区遥感图像;采用光谱特征导向法,对所述处理后的植被区遥感图像进行植被波段变换处理,得到目标图像;所述目标图像为消除植被影响后的图像;根据所述目标图像以及所述岩性标志,确定岩性标志图像;所述岩性标志图像为带有岩性标志区域的图像;根据所述目标图像以及所述热液标志,确定热液标志图像;所述热液标志图像为带有热液标志区域的图像;根据所述目标图像以及所述构造标志,确定构造标志图像;所述构造标志图像为带有构造标志区域的图像;对所述岩性标志图像、所述热液标志图像以及所述构造标志图像进行合成处理,得到合成图像;根据所述合成图像,确定金矿的位置信息。本发明通过光谱特征导向法对植被区遥感图像进行处理,得到消除植被影响的目标图像,为后续准确有效的确定金矿位置奠定基础;通过岩性标志、热液标志以及构造标志对目标图像综合分析,确定金矿的位置信息,提高准确度。因此,采用本发明提供的方法或者系统,能够准确有效的确定植被覆盖区下金矿的位置信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例植被覆盖区下金矿的识别方法的流程示意图;
图2为本发明植被区遥感图像边界信息去除对比图;
图3为本发明去干扰后多种地物光谱线特征图;
图4为本发明植被区遥感图像拉伸前后对比图;
图5为本发明植被特征变换对比图;
图6为本发明采用光谱特征导向法处理后的植被区遥感图像对比图;
图7为本发明合成图像;
图8为本发明综合分析图像;
图9为本发明实施例植被覆盖区下金矿的识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供了一种植被覆盖区下金矿的识别方法及系统,能够准确有效的确定植被覆盖区下金矿的位置。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例植被覆盖区下金矿的识别方法的流程示意图,如图1所示,本发明提供的识别方法具体包括以下几个步骤:
步骤101:获取植被区遥感图像。
步骤102:确定金矿的岩性标志、热液标志以及构造标志。
步骤103:对所述植被区遥感图像进行预处理,得到处理后的植被区遥感图像。
步骤104:采用光谱特征导向法,对所述处理后的植被区遥感图像进行植被波段变换处理,得到目标图像;所述目标图像为消除植被影响后的图像。
步骤105:根据所述目标图像以及所述岩性标志,确定岩性标志图像;所述岩性标志图像为带有岩性标志区域的图像。
步骤106:根据所述目标图像以及所述热液标志,确定热液标志图像;所述热液标志图像为带有热液标志区域的图像。
步骤107:根据所述目标图像以及所述构造标志,确定构造标志图像;所述构造标志图像为带有构造标志区域的图像。
步骤108:对所述岩性标志图像、所述热液标志图像以及所述构造标志图像进行合成处理,得到合成图像。
步骤109:根据所述合成图像,确定金矿的位置信息。
其中,步骤103具体包括:
对所述植被区遥感图像进行去除边界信息处理,得到第一遥感图像。
对所述第一遥感图像进行去干扰处理,得到第二遥感图像。
对所述第二遥感图像进行校正处理,得到第三遥感图像;所述第三遥感图像为行星反射率图像。
对所述第三遥感图像进行线性拉伸处理,得到第四遥感图像。
对所述第四遥感图像进行掩膜处理,得到处理后的植被区遥感图像。
1边界信息去除处理和去干扰处理
获取的植被区遥感图像边框不齐,且具有许多的干扰,因此需要进行边界信息去除和干扰去除。
1.1边界信息去除处理
边界信息指的是植被区遥感图像在获取时,每个波段所获取的数据是不一样的,如图2中a区所示,如果所研究的区域正好含有边界信息,就需要去除边界信息,使得每一个波段都含有信息。所采用的方法首先对每一个波段都进行是否含有信息的判断,如果含有信息,则附值为1,没有信息,附值为0,然后根据上述赋值处理结果,生成一个二值图像,最后把每一个波段二值图像相乘,生成形成一个新的二值图像,这样就去除了边界信息。具体公式如下:
1.2去干扰处理
对于本发明来说,要避免云、水体、阴影区、白泥地、冰雪、湿地、干河道、冲积扇等干扰。对于干扰的检测采用目估法,一般干扰地物能够在tm/etm的743彩色合成图像或aster的631彩色合成图像有明显的特征,比如云的白色等,去除方法选用比值法、高端或低端切割法、q值法、光谱角法等。
1)高端或低端切割法
主要是利用干扰地物在遥感图像上某个波段有特征的高反射或强吸收,即某波段干扰地物有高值或低值,比如水体在tm/etm的第7波段有低值,采用低端切割方法处理,而云在tm/etm的第1波段有高值,采用高端切割方法处理,白泥地在tm/etm的第3波段有高值,采用高端切割方法处理等。公式为:
2)比值法
常用比值法分离阴影、水体、冰雪、白泥地等多种地物。首先判断地物的各个波段的波谱特征,比如tm/etm图像的阴影区第1波段明显大于第7波段,因此采用第7波段比第1波段的方法,设定一个阈值进行去除,植被采用第5波段比第4波段或者第3波段比第4波段的方法等。公式为:
3)q值法
主要分离雪边或湖边湿地、干河道、冲积区、薄云等地物。定义q值如下:q=(xa×ka-xb×kb)/xc×kc;其中,xa,xb,xc为参与主成分分析的波段,ka,kb,kc为参与主成分变化的xa,xb,xc对应本征向量的值。
4)光谱角法
对于薄云等来说,采用其他手段分离难度较大,因此采用光谱角法。光谱角法把每一个多维空间点以其空间向量来表征,对比空间向量角的相似性。光谱角法是一种监督分类,要求对每一类别有一个已知参考谱,此参考谱可以是地面测得存入参考谱库的,也可以从具已知条件的图面单元做感兴趣区统计,存入参考谱库。公式为:
2校正处理
经过上述处理的植被遥感图像存在几何变形,需要对上述处理的植被区遥感图像进行校正,得到带有坐标信息的行星反射率图像。具体公式如下:
3、线性拉伸处理
将上述处理的遥感图像放置在一个m×n的窗口,这个窗口内遥感图像某一个波段像元xj,k(j=1,m;k=1,n)区间为[x0,xn],统计这个窗口内的直方图,公式如下:
取pi的最大与最小值,即max(pi)和min(pi)。然后把最小值作为0,最大值作为255,中间其他值按内插重新采样。公式如下:
4掩膜处理
掩膜作用是确定哪些数据需要参加计算,哪些不需要。要生成一个掩膜,其实就是生成一个二值图像,0值表示不需要参与计算的数据,1值表示需要参与计算的数据。生成掩膜一般采用波段的逻辑计算方法。公式为
步骤104具体包括:
采用协方差变换矩阵,对所述处理后的植被区遥感图像中的变量进行变换,生成第一变量集合。
将所述第一变量集合与所述处理后的植被区遥感图像中的变量进行比较,确定植被特征变量集合。
确定所述植被特征变量集合的最大值。
根据以下公式对所述植被特征变量集合中的变量进行变换,并将变换后的变量对应替换所述植被特征变量集合中的变量,得到替换植被特征变量集合;
所述公式为e'v=[ξvmax-ξv1...ξvmax-ξvi...ξvmax-ξvn];所述e'v为替换植被特征变量集合;ξvmax为植被特征变量集合的最大值;ξvi为植被特征变量集合的第i个变量,1≤i≤n。
对所述替换植被特征变量集合中的变量进行逆变换,得到目标图像。
具体为:
由于是植被覆盖区,因此首先需要进行植被特征的去除。采用光谱特征导向法去除植被影响。
对于植被区遥感图像来说,植被覆盖量大且覆盖范围广,因此需要把植被覆盖下的信息相对显示出来,采用光谱导向改进植被区遥感图像。根据以上预处理获得的图像,获取植被特征波段(band)。根据植被的光谱特征,植被光谱导向改进图像。
先计算植被覆盖的大约浓度;设置协方差变换矩阵c,协方差变换矩阵c满足公式cl=λl;式中:l为本征矩阵,各lik是此本征向量的分量;λ为c矩阵的本征值。
协方差矩阵c利用以下公式求得:
其次,植被特征的变量ev的最值。
再者根据以下公式对变量ξv进行变换;所述公式为e'v=[ξvmax-ξv1...ξvmax-ξvi...ξvmax-ξvn];所述e'v为替换植被特征变量集合;ξvmax为植被特征变量集合的最大值;ξvi为植被特征变量集合的第i个变量,1≤i≤n。
最后用e'v代替原来的变量ev,然后进行反变换;反变换公式为x'=lte'v。
如图6所示,变换后的波段合成明显改善植被情况,消除植被影响,其中图6中的左图合成的假彩色图像,右图是变换后的合成的假彩色图像。
步骤105具体包括:
步骤1051:对所述目标图像进行增强处理,得到增强目标图像。
步骤1052:根据所述岩性标志,对所述增强目标图像进行解译,得到岩性标志图像。
步骤1051具体包括:目标图像上的值域分布在0≤rk≤∈范围内。对[0,∈]区间内的任一个rk值进行如下变换:
通常为得到图像增强后的均匀直方图的,用直方图累积分布函数的离散形式可由式表示:
步骤106具体包括:
步骤1061:将所述目标图像与多个波段进行组合,得到组合图像。
步骤1062:对所述组合图像进行主成分分析处理,得到所述组合图像的主分量集合。
步骤1063:将所述主分量集合中的第四主分量对应的图像确定为子目标图像。
步骤1064:根据所述热液标志,对所述子目标图像进行解译,得到热液标志图像。
步骤1602具体为:热液识别利用主成分分析法,采用多个波段组合进行主成分分析。主成分分析法:基础数据通过主成分分析(也叫主分量分析或主分量变换)计算各个主分量。主分量分析或主分量变换的原理为:第一步是移动坐标原点,使平均值为零。在这一步骤后,可将坐标旋转,使一个坐标轴与数据具有最大分布的方向相符合,这个旋转后的新轴即第一主分量,它占有总变异的第一大分额。垂直于它的另一个坐标轴则代表其余变异的方向,这就是第二主分量。在两维以上的多维空间里,这样的处理将继续进行,以确定一组直角坐标轴,这些轴逐渐将全部变异分配(消耗)掉,它并不能全部包含在一个次一级主分量中,而是有多少个原始参数就会有几个主分量。各主分量变异值的总和与变换前的变异值总和相等,这就是信息量守恒。
原始有几个波段的数据就影射到几个新的主分量上。各主分量是本征向量线性相加组合而成的。在数学中,就是找出一些新变量ξ1,ξ2,……,ξp,使它们是x的线性函数,而且彼此不相关,即
实际上,就是求出p2个常数lik(i,k=1,…,p)按矩阵表示:
式中:l为本征向量,各lik是此本征向量的分量;λ为c矩阵的本征值。λ和l有以下特点:
对应于不同λ的l(即各主分量)线性不相关,且正交。
从线性代数中知道协方差矩阵c的本征多项式为det(λi-c),此本征多项式的根λ都是协方差矩阵c的本征值。计算过程为:
协方差矩c:
本征值λ:|λi|-c=0;
本征向量l:(λi-c)l=0;
在n波段数据坐标轴转置的时候,协方差矩阵也将被变换,变换之后各波段之间的协方差变为零。
各点与其重心距离的平方和即为本征值之和,这个和可表示为s。在一定意义上,可以说第一个分量“构成”的变异与总变异的比例是λ1/s,前两个分量“构成”的变异与总变异之比是(λ1+λ2)/s,如此等等。有时为了方便譬如可以说“前4个分量构成变异的p%”。某主分量的本征值就是若消去该主分量后,对相应的本征向量所引入的均方误差值。
经过主成分分析获得多个主分量,利用主分量各个波段所反映的特征值判断热液蚀变所指示的主分量,优选为第四主分量。
步骤107具体包括
步骤1701:从所述目标图像中提取各像素点所在的光谱曲线;所述光谱曲线的横坐标表示像素点的波长以及所述光谱曲线的纵坐标表示像素点的反射率。
步骤1702:根据各所述光谱曲线构建对应的各像素点的空间矢量。
步骤1703:根据各所述像素点的空间矢量构建矢量云空间。
步骤1704:根据所述矢量云空间,计算矢量共生矩阵和矢量差分矩阵;所述矢量共生矩阵中的元素为所述矢量云空间中的第一矢量进行移动到第二矢量的概率密度;所述矢量差分矩阵中的元素为所述矢量云空间中的所述第一矢量与所述第二矢量的夹角出现的概率密度;所述第一矢量为所述矢量云空间中任意矢量;所述第二矢量为所述第一矢量进行移动后的矢量。
步骤1705:根据所述矢量共生矩阵和所述矢量差分矩阵,计算所述目标图像的特征。
步骤1706:根据所述目标图像的特征,对所述目标图像进行划分,得到划分后的图像。
步骤1707:根据所述构造标志,对所述划分后的图像进行解译,得到构造标志图像。
步骤1704:取矢量云空间的一个矢量
取矢量云空间的一个矢量
步骤1705:通过矢量共生矩阵计算目标图像的熵、惯性、能量。
通过矢量差分矩阵计算目标图像的曲度、张度、焓。
按照图像空间矢量云检测技术获得的空间特征,其中线形特征为线形断裂,环形特征为环形断裂。
步骤108具体包括:对所述岩性标志图像、所述热液标志图像以及所述构造标志图像进行空间位置合成处理,得到合成图像,如图7所示。
合成处理采用gis平台,利用坐标对应进行信息的合成。这一步,主要是利用gis平台,通过空间位置坐标把一系列的图件进行叠加。对各种标志进行综合分析,并优选靶区。对地各类信息进行优选,突出关键有效的信息。
1)gis能够根据地物信息的具体坐标对各种与找矿有关的信息进行叠加。应用gis进行多元信息叠加时,首先需要对各种信息的投影参数进行准确的备注,使得地球模型、投影方式和带号等都一致,避免出现位置错位等误差。然后需对每种信息都做一个层,如利用mapgis来进行处理,需要对某些图件进行“点”、“线”、“区”的重组。“点”指的是文字、代号信息;“线”指的是断层和各种地质界线等;“区”指的是地质体等。最后,利用gis平台把各种信息对找矿有利的标志都进行总结和分析,从各种信息分析提取有关的信息,优化分析,优选靶区。
2)信息综合:借助gis平台,对矢量化的遥感图层、地热图层、地质图层进行投影变换和坐标配准,通过相交分析、判别分析或加权叠加分析运算等综合处理,研究异常形态、异常强度、异常空间分布规律及其意义,判别优选有意义的点。
3)异常选取:在gis平台上综合各类信息来优选异常,然后结合野外地质调查和gps定位技术,在多源信息综合分析的基础上,进行野外实地查证。
为了输出一幅适合人眼观察的叠加图像,还需进行如下操作。
底图生成:采用最佳指数法进行波段的选择,公式为
式中,si为为第i个波段的标准差,ri,j为第i,j波段的相关系数。oif越大,表明包含的信息量越大,因此,最大的oif波段组合为最佳波段组合,采用最佳波段组合合成的图像作为底图
栅格与矢量图合成:对于底图采用具有信息熵最大的波段组合的假彩色图,矢量采用具有相同投影的点线面表示。利用坐标分层把栅格和矢量进行叠加处理,从而形成适合人眼习惯的图像。
矢量f(x,y,z),x,y为对应的坐标,z为特征值,f(x,y,z)为矢量值,栅格g(x′,y′),x′和y′为对应的坐标,g(x′,y′)为栅格灰度值令,x=x′,y=y′,从而实现栅格g(x′,y′)灰度值和矢量g(x′,y′)的叠加。
图像输出:通过软件输出成为jpg或者tif格式的最终图像。
步骤109具体包括:
将所述合成图像中所述岩性标志区域、所述热液标志区域以及所述构造标志区域重叠的位置信息确定为金矿的位置信息。
确定金矿的位置信息后,还需要对金矿的类型进行区分。
从已有的资料可以看出金矿大致可分为“砂金矿,石英脉金矿,火山岩、次火山岩金矿,砾岩金矿,铁帽型金矿,卡林型金矿”。我们用符合进行标识;砂金矿~sj,石英脉金矿~sy,火山岩、次火山岩金矿~hs,砾岩型金矿~ly,铁帽型金矿~tm,卡林型金矿~kl。
这些金矿主要描述如下:砂金矿(sj):靠水流搬用富集在水系中的金矿;石英脉型金矿(sy):中温-中低温热液金矿,与花岗岩化和混合岩化有关;火山岩、次火山岩金矿(hs):火山机构和附近构造裂隙储存金矿;砾岩型金矿(ly):砂砾岩层的底部;铁帽型金矿(tm):氧化淋漓次生富集在构造中;卡林型金矿(kl):与碳酸盐岩有关的热液蚀变微细粒浸染。
根据金矿的类型和成因,确立金矿的找矿标志大致分为三大类:
岩性标志y:sj主要赋存在水系中,古河道,现代河道等;sy主要与花岗岩、混合岩有关;hs与火山岩有关;ly与砂砾岩有关;tm与泥质砂砾岩有关;kl与碳酸盐岩有关。
构造标志g:sj主要富集在河流易变的界面;sy主要有构造裂隙有关;hs与火山机构和构造有关;ly受构造影响较小;tm受硫化物赋存构造影响;kl受构造影响较小。
热液标志r:sj受热液影响较小,sy受热液影响大,有硅化、绢云母化等;hs受热液影响大,与青盘岩化、硅化、明矾石化、绢云母化等蚀变;ly与热液关系不大;tm与黄铁矿化、黄钾铁矾和褐铁矿关系密切;kl与碳酸盐岩化有关。
根据需要找的金矿的不同,对找矿标志进行判别。根据不同类型的金矿进行遥感找矿标志的判别:
根据描述,确立进行判别的所有指标特征,确定各种类型的金矿的位置信息,如图8所示。
为实现上述目的,本发明还提供了一种植被覆盖区下金矿的识别系统。
图9为本发明实施例植被覆盖区下金矿识别系统的结构示意图,如图9所示,所述识别系统包括:
植被区遥感图像获取模块100,用于获取植被区遥感图像。
金矿标志确定模块200,用于确定金矿的岩性标志、热液标志以及构造标志。
处理后的植被区遥感图像得到模块300,用于对所述植被区遥感图像进行预处理,得到处理后的植被区遥感图像。
目标图像得到模块400,用于采用光谱特征导向法,对所述处理后的植被区遥感图像进行植被波段变换处理,得到目标图像;所述目标图像为消除植被影响后的图像。
岩性标志图像确定模块500,用于根据所述目标图像以及所述岩性标志,确定岩性标志图像;所述岩性标志图像为带有岩性标志区域的图像。
热液标志图像确定模块600,用于根据所述目标图像以及所述热液标志,确定热液标志图像;所述热液标志图像为带有热液标志区域的图像。
构造标志图像确定模块700,用于根据所述目标图像以及所述构造标志,确定构造标志图像;所述构造标志图像为带有构造标志区域的图像。.
合成图像得到模块800,用于对所述岩性标志图像、所述热液标志图像以及所述构造标志图像进行合成处理,得到合成图像。
位置信息确定模块900,用于根据所述合成图像,确定金矿的位置信息。
所述处理后的植被区遥感图像得到模块300,具体包括:
第一遥感图像得到单元,用于对所述植被区遥感图像进行去除边界信息处理,得到第一遥感图像。
第二遥感图像得到单元,用于对所述第一遥感图像进行去干扰处理,得到第二遥感图像。
第三遥感图像得到单元,用于对所述第二遥感图像进行校正处理,得到第三遥感图像;所述第三遥感图像为行星反射率图像。
第四遥感图像得到单元,用于对所述第三遥感图像进行线性拉伸处理,得到第四遥感图像。
处理后的植被区遥感图像得到单元,用于对所述第四遥感图像进行掩膜处理,得到处理后的植被区遥感图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。