一种遥感数据角度异常信息提取方法及系统与流程

本发明涉及矿产勘查领域，特别是涉及一种遥感数据角度异常信息提取方法及系统。

背景技术：

大量实践证明，遥感数据普通异常信息提取在戈壁荒漠区找矿已经具有一定的效果，但提取的遥感数据普通异常信息存在干扰异常多、弱信息难识别等问题。究其原因是因为遥感数据普通异常信息提取仅仅注重了数据光谱特征，而光谱差异的角度信息未能利用。

技术实现要素：

本发明的目的是提供一种遥感数据角度异常信息提取方法及系统，集合光谱特征和光谱差异两个方面，从角度上进行异常提取，从而获得比遥感数据普通异常提取效果更好的结果。

为实现上述目的，本发明提供了如下方案：

一种遥感数据角度异常信息提取方法，包括：

获取工作区的多波段遥感数据；

对所述遥感数据按波段形式存储，形成遥感数据集；其中，工作区的每个波段遥感数据均是由一个带坐标的二维矩阵组成；

对所述遥感数据集中的数据进行角度变换处理，生成光谱角度数据集；

采用正交分解技术，从所述光谱角度数据集的数据中提取遥感数据角度异常信息。

可选的，在采用正交分解技术，从所述光谱角度数据集的数据中提取遥感数据角度异常信息之后，还包括：

在所述多波段的遥感数据上叠加所述遥感角度异常信息，输出显示遥感靶位信息图像。

一种遥感数据角度异常信息提取系统，包括：

工作区遥感数据获取模块，用于获取工作区的多波段遥感数据；

遥感数据集生成模块，用于对所述遥感数据按波段形式存储，形成遥感数据集；其中，工作区的每个波段遥感数据均是由一个带坐标的二维矩阵组成；

光谱角度数据集生成模块，用于对所述遥感数据集中的数据进行角度变换处理，生成光谱角度数据集；

角度异常信息提取模块，用于采用正交分解技术，从所述光谱角度数据集的数据中提取遥感数据角度异常信息。

可选的，还包括：

图像输出模块，用于在所述多波段的遥感数据上叠加所述遥感数据角度异常信息，输出显示遥感靶位信息图像。

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：

本发明提供了一种遥感数据角度异常信息提取方法及系统，主要包括首先将获取的工作区的遥感数据按波段形式存储，形成遥感数据集；然后对遥感数据集中的数据进行角度变换处理生成光谱角度数据集；最后采用正交分解技术从光谱角度数据集的数据中提取遥感数据角度异常信息。本发明集合光谱特征和光谱差异两个方面，从角度上进行异常提取，从而获得比遥感数据普通异常提取效果更好的结果。

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为本发明遥感数据角度异常信息提取方法的流程图；

图2为本发明角度异常信息提取区域对应的角度频域直方图；

图3为本发明角度异常信息位置示意图；

图4为本发明遥感靶位信息图；

图5为本发明遥感数据角度异常信息提取系统的结构图。

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一种遥感数据角度异常信息提取方法及系统，集合光谱特征和光谱差异两个方面，从角度上进行异常提取，从而获得比遥感数据普通异常提取效果更好的结果。

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。

“角度异常”是基于光谱角度数据集异常提取技术提取的异常，能克服数据值普通异常提取造成的错误，结合几何异常提取优势和统计分类优势两种优势，从而达到异常精准识别的目的。主要分为三个步骤：构建角度、角度异常提取、异常切割和优化。

如图1所示，本发明提供的一种遥感数据角度异常信息提取方法包括如下步骤。

步骤101：获取工作区的多波段遥感数据。

获取的工作区(矿区)的多波段遥感数据，可以是高光谱数据，多光谱数据等各类光学遥感数据，如aster，landsat等。

步骤102：对所述遥感数据按波段形式存储，形成遥感数据集；其中，工作区的每个波段遥感数据均是由一个带坐标的二维矩阵组成。

对获取的遥感数据按波段存储(输出)，如band1表示第一波段，band2表示第二波段等等，共计m*n个波段。每个波段都是由一个带坐标的二维矩阵组成，形成的遥感数据集，如下式所示。

步骤103：对所述遥感数据集中的数据进行角度变换处理，生成光谱角度数据集；具体为：

计算所述遥感数据集中的遥感数据的均值，即：

bandi表示第i波段的二维矩阵数据(即第i波段的遥感数据)，以此均值为原点对所述遥感数据集进行角度变换处理，获得角度数据，即

bi为第i波段的二维矩阵数据中的一个具体数值，表示第j波段转后的光谱角度数据，新生产的光谱角度数据集为

φ1表示第1波段转后的光谱角度数据，也可在一个波段内进行角度变换，如在bandi波段内进行角度变换如下

bi为第i波段的二维矩阵数据中的一个具体数值，bijk为第i波段的二维矩阵数据中第j行第k列的一个具体数值，θi为波段内转换的光谱角度数据，新生产的一个波段内的光谱角度数据集为

θ1为第1个波段内遥感数据转后的光谱角度数据。

步骤104：采用正交分解技术，从所述光谱角度数据集的数据中提取遥感数据角度异常信息。

(1)利用偏度系数和峰度系数，在所述光谱角度数据集中筛选出如图3所示的角度异常信息提取区域。

在光谱角度数据集angset和acrset上，假设存在一块区域p×q，这个区域内遥感图像的某一个波段像元φst(s＝1...p；t＝1...q)区间为[x0，xp]，像元均值为标准差为σ，利用偏度系数和峰度系数进行直方图进行判断。其角度异常信息提取区域对应的角度频域直方图如图2所示。

偏度系数满足公式：

其中，ε1为给定一个很小的正数。

峰度系数满足公式：

其中，ε2为给定一个很小的正数。

那么这个p×q区域就是所选择的数据x。

(2)采用正交分解算法对所述角度异常信息提取区域中的数据进行处理，提取遥感数据角度异常信息。

对选择的数据x，采用正交分解算法提取遥感数据角度异常信息。

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正交基，它占有总信息量的第一大份额，垂直于它的另一个坐标轴则代表其余信息量的方向，这就是第二正交基。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，这些直角坐标轴逐渐将全部信息量分配(消耗)掉，它并不能全部包含在一个次一级正交基中，而是有多少个原始参数就会有几个正交基。各正交基的信息量总和与变换前的信息量总和相等，即信息量守恒。

原始有几个波段的数据就影射到几个新的正交基上。各正交基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，……，ξu，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u²个常数lfg(f，g＝1,…，u)按矩阵表示：

cl＝λl；

式中：l为本征矩阵，各lfg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：

称为迹，或总信息量；

对应于不同λ的l(即各主分量)线性不相关。

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；i为单位矩阵＝

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，可以说第一个正交基“构成”的信息量与总信息量的比例是λ1/s，前两个正交基“构成”的信息量与总信息量之比是(λ1+λ2)/s，如此等等。有时为了方便譬如可以说“前4个分量构成信息量的u％”。

某正交基的本征值就是若消去该正交基后，对相应的本征向量所引入的均方误差值。

对于求出的本征向量，按照与参与正交变换的各个波段进行对应，考虑符合蚀变异常特征的那个本征向量，一般为第4个向量。对应关系如表1所示。

表1对应关系表

如果某一异常的特征为va4>vb4<vc4>vd4，那么va4、vc4一定与vb4、vd4的符号相反，而va4与vc4、vb4与vd4的符号相同。用于异常切割的本征向量4要求vc4为正号，如果为负号，需要经过转换变成正号，公式如下：

其中，vc4^t为vc4经过负号转化后的结果。

(3)利用正态分布原理，对所述遥感数据角度异常信息进行优化和分割，得到最终如图3所示的遥感数据角度异常信息。

在正交分解变换前，经过处理后使得每个波段的直方图为正态分布，转化后的异常主分量(即某本征向量)直方图也为正态分布，利用正态分布的有关理论进行异常的切割。正态分布公式如下：

其中，x为随机变量，σ称为标准误差。对于正交变换来说，σ称为标准离差，定义如下：

n为样本数，为均值，xi为每个样本的值。在做异常切割或数据切割时便可借用σ这个表征正态分布曲线的尺度。例如，正交变换结果可以把均值理解为代表区域背景，利用(x+kσ)确定异常下限和划分异常强度等级。一般取±4σ作为最小与最大限值。

切割异常时有了这一尺度可以减少主观任意性，异常分级是按下式计算的：

l＝127.5+k*sf；或l＝127.5+k*127.5/4；h＝l+1；

式中h、l分别为切割高、低门限值；k为倍数；σ为标准离差；sf为比例因子；σ和sf由正交变换报告给出。

步骤105：在所述多波段的遥感数据上叠加所述遥感数据角度异常信息，输出显示遥感靶位信息图像。

在原始图像上，叠加角度异常信息，输出一幅适合人眼观察的叠加图像，即如图4所示的遥感靶位信息图像。其中，是通过软件输出成为jpg或者tif格式的最终图像。

如图5所示，本发明还提供了一种遥感数据角度异常信息提取系统，包括：

工作区遥感数据获取模块201，用于获取工作区的多波段遥感数据。

遥感数据集生成模块202，用于对所述遥感数据按波段形式存储，形成遥感数据集；其中，工作区的每个波段遥感数据均是由一个带坐标的二维矩阵组成。

光谱角度数据集生成模块203，用于对所述遥感数据集中的数据进行角度变换处理，生成光谱角度数据集。

角度异常信息提取模块204，用于采用正交分解技术，从所述光谱角度数据集的数据中提取遥感数据角度异常信息。

图像输出模块205，用于在所述多波段的遥感数据上叠加所述遥感数据角度异常信息，输出显示遥感靶位信息图像。

所述光谱角度数据集生成模块203，具体包括：

均值计算单元，用于计算所述遥感数据集中的遥感数据的均值。

光谱角度数据集生成单元，用于以所述均值为原点对所述遥感数据集进行角度变换处理，获得角度数据，进而生成光谱角度数据集。

所述角度异常信息提取模块204，具体包括：

提取区域确定单元，用于利用偏度系数和峰度系数，在所述光谱角度数据集中筛选角度异常信息提取区域。

角度异常信息提取单元，用于采用正交分解算法对所述角度异常信息提取区域中的数据进行处理，提取遥感数据角度异常信息。

角度异常信息优化单元，用于对所述遥感数据角度异常信息进行优化和分割，得到最终的遥感数据角度异常信息。

本发明的目的是一种遥感数据角度异常信息提取方法及系统，为潜在的、隐伏的、微弱的异常信息提取提供了一种新的技术方法。本发明在遥感原始数据，通过构建光谱角度数据集，在光谱角度数据集基础上，采用正交分解技术提取角度异常信息，从而确定遥感靶位信息，能够解决隐伏的、潜在的、微弱的异常靶位信息异常提取难度大、假异常多、提取效果不准确、有偏差等问题，有针对性的改善异常，从而为寻找精确目的提供技术支撑。对于矿产勘查工作可以起到节省时间、节约人力物力，事半功倍的作用，是科学技术进步促进生产发展的新技术。本发明在中国浅覆盖区、干旱区和植被覆盖区发现多个矿点，为中国找矿做出了贡献。

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。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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。