一种植被覆盖区铀矿化蚀变信息遥感识别方法与流程

1.本发明属于遥感地质技术领域，具体涉及一种植被覆盖区火山岩型铀矿化信息遥感识别方法。


背景技术：

2.铀矿是具有放射性的国家重要的战略性矿产。火山岩型铀矿是我国乃至全球铀矿资源的主要类型，按照“多探少采”的总体要求，硬岩型铀矿勘查立足“增加储备”，重点围绕已有老铀矿田深部及外围探索。目前，遥感矿化蚀变信息提取的理论方法众多，在裸露地区的矿产资源勘查中遥感技术具有独特的优势。然而，大量植被覆盖区铀矿地质工作程度极低－空白区，其成矿地质构造复杂，成矿条件优越，矿产资源丰富，运用传统遥感蚀变信息提取难度较大。
3.植物对电磁波辐射的吸收、反射和散射作用构成了植物的特征光谱。研究发现，可见光波段的反射低谷分别位于0.45μm、0.67μm波长处的蓝光、红光；近红外波段形成的“反射高原”位于0.7～1.3μm波长处，波长1.3～2.4μm之间存在2个明显的吸收谷，分别位于1.45μm和1.94μm处。岩石矿物的吸收光谱特征主要由于电子跃迁或振动过程所产生的。矿物在可见光-近红外光谱带，电子跃迁形成的特征谱带主要是受到铁元素的影响，其中占主导地位的是fe
2+
、fe
3+
，在振动过程产生的吸收谱带特征主要受水、羟基基团和碳酸根离子的影响。羟基类是对以粘土矿物为特征矿物的蚀变类型的统称，粘土矿物是热液矿床形成过程中形成的蚀变矿物，主要由羟基、水和金属阳离子组成，光谱特征与羟基和水基团的晶体结构有关。该类蚀变的特征矿物较多，与铀矿化相关的有钙蒙脱石和碎片状水云母。该类蚀变矿物的光谱曲线中，强吸收谱带在1.4μm、1.9μm和2.2～2.4μm三个波长区，其中1.4μm的谱带是矿物组成中羟基团引起的，1.9μm的谱带则是矿物水分子的弯曲振动贡献，而2.2～2.4μm之间的谱带也是羟基团产生的。因此，植被光谱曲线与含有羟基基团蚀变矿物光谱曲线在1.4μm、1.9μm附近都有吸收谱带，在2.0～2.4μm波段处植被反射率较低，在1.6～2.4μm之间植被光谱曲线呈现出逐渐下降的特征，而在该区间上粘土矿物矿物的光谱曲线也呈现出了下降的特征，两者在总体特征上具有较大的相似性，所以传感器接收到的蚀变矿物反射光谱受到了植被反射光谱的很大影响。因此，在植被覆盖区提取铀矿化蚀变信息前对该地区的植被干扰进行抑制和去除是很有必要的。
4.国内外研究者利用遥感数据在低植被覆盖区或基岩裸露区蚀变信息提取已经做了大量的研究，并且取得了良好的效果。然而在植被覆盖区进行蚀变信息提取的研究和应用当前仍是一个难点。


技术实现要素：

5.本发明的目的在于提供一种植被覆盖区火山岩型铀矿化信息遥感识别方法，该方法基于像元二分模型进行植被覆盖度估算，确定高植被覆盖区和中低植被覆盖区，釆用植被抑制算法抑制中低植被覆盖区，掩膜高植被覆盖区及其他干扰因素，在去除干扰因素的
基础上，采用主成分分析方法进行植被覆盖区遥感蚀变信息提取，解决了减轻植被干扰对遥感蚀变信息提取影响的技术问题。
6.实现本发明目的的技术方案如下：一种植被覆盖区铀矿化蚀变信息遥感识别方法，该方法的具体步骤如下：
7.步骤1、在植被覆盖区进行遥感数据源选择；
8.步骤2、针对上述步骤1中得到的遥感影像进行预处理，得到遥感影像图；
9.步骤3、基于像元二分模型，对上述步骤2中遥感影像进行植被覆盖度估算，确定高植被覆盖区和中低植被覆盖区；
10.步骤4、针对上述步骤3中确定的中低植被覆盖区和高植被覆盖区，去除植被以外的干扰之后，抑制中低植被覆盖区植被，掩摸高植被覆盖区植被，得到去除干扰因素的植被覆盖区影像图；
11.步骤5、针对步骤4中得到的去除干扰因素的植被覆盖区影像图，采用主成分分析法提取铀矿化蚀变异常信息，从而完成植被覆盖区铀矿化蚀变信息的遥感识别。
12.所述步骤2的具体步骤如下：
13.步骤2.1、针对上述步骤1中的遥感影像进行重采样；
14.步骤2.2、针对上述步骤2.1中重采样后的遥感影像进行辐射定标，得到辐射定标后的光谱遥感影像；
15.步骤2.3、针对上述步骤2.2中辐射定标后的遥感影像去边框；
16.步骤2.4、针对上述步骤2.3中去边框后的遥感影像进行大气校正。
17.所述步骤3的具体步骤如下：
18.步骤3.1、归一化上述步骤2.4中大气校正后遥感影像的植被指数；
19.步骤3.2、去除上述步骤3.1中遥感影像归一化植被指数ndvi的异常值；
20.步骤3.3.1、对上述步骤3.2中去除ndvi异常值后的遥感影像归一化植被指数ndvi进行最值统计；
21.步骤3.3.2、将上述步骤3.3.1中最值统计后的遥感影像归一化植被指数ndvi生成ndvisoil和ndviveg参数文件；
22.步骤3.3.3、将上述步骤3.3.2中得到遥感影像归一化植被指数ndvi的参数文件，进行植被覆盖度计算；
23.步骤3.3.4、去除上述步骤3.3.3中得到植被覆盖度的异常值；
24.步骤3.3.5、针对上述步骤3.3.4中得到去除异常值的植被覆盖度进行等级划分，确定中低植被覆盖区和高植被覆盖区。
25.所述步骤4的具体步骤如下：
26.步骤4.1、去除水系、阴影、云雪和第四系覆盖区干扰因素；
27.步骤4.2、抑制中低植被覆盖区植被；
28.步骤4.3、去除高植被覆盖区植被；
29.步骤4.4、在上述步骤4.1、步骤4.2基础上，得到中低植被覆盖区去除干扰因素后的影像图；
30.步骤4.5、建立上述步骤4.1、步骤4.3高植被覆盖区的合膜，得到高植被覆盖区掩膜后的影像图。
31.所述的步骤5的具体步骤如下：
32.步骤5.1、针对步骤4.4中得到的去除干扰因素的植被覆盖区影像图，进行蚀变矿物异常主分量提取，得到植被覆盖区的异常主分量图像灰度值；
33.步骤5.2、针对步骤5.1中得到的植被覆盖区的异常主分量图像灰度值，得到研究区的蚀变信息，从而完成植被覆盖区铀矿化蚀变信息的遥感识别。
34.所述的步骤2.2中对遥感影像数据进行辐射定标采用envi5.3软件选择符合flaash大气校正要求的遥感影像数据参数，参数包括定标类型、存储顺序和缩放系数，输出得到辐射定标后的遥感影像。
35.所述的步骤2.3中采用掩摸方法去除遥感影像的边框。
36.所述的步骤2.3中的掩摸方法去除遥感影像的边框的全边框掩摸计算公式如下：b3＞0＝b3new，b6＞0＝b6new，b3new+b6new＝b1，b5＞0＝b5new，b7＞0＝b7new，b5new+b7new＝b2，b1+b2＝bmask。
37.所述的步骤3.1中的遥感影像的归一化植被指数ndvi＝(nir-r)/(nir+r)。
38.所述的步骤3.2中的去除异常值的公式为：-1》ndvi《1。
39.所述的步骤3.3.3中的植被覆盖度
40.vfc＝(ndvi-ndvisoil)/(ndviveg-ndvisoli)。
41.所述的步骤3.3.4中植被覆盖度去除异常值d1的公式为：0.0》d1《1.0。
42.本发明的有益技术效果在于：(1)本发明的方法引入像元二分模型进行植被覆盖度遥感估算，划分了植被覆盖度等级，准确定位于遥感影像图上，初步确定了研究区内植被覆盖情况。
43.(2)研究区内干扰蚀变信息提取的主要干扰因素包括植被、水系、阴影、云雪和第四系等。根据本发明的方法中像元二分模型设计的植被覆盖度估算，确定了研究区的中低植被覆盖区和高植被覆盖区。本发明在中低植被覆盖区釆用植被抑制算法最大程度抑制植被光谱信息，在高植被覆盖区和水系、阴影、云雪与第四系采用分别建立掩膜、相乘取得合膜的方法进行了去干扰操作。
44.(3)本发明的方法在去除干扰因素的基础上，采用“植被抑制算法抑制中低植被覆盖区+掩膜高植被覆盖区及其他干扰因素+主成分分析+异常主分量+无损线性拉伸+异常切割”的方法，提取植被覆盖区铀矿化蚀变异常信息，能够进行铀矿产资源寻找和预测。
45.(4)采用本发明的方法青龙铀矿田地区蚀变信息提取过程中植被是做为重要干扰因素被去除。
附图说明
46.图1为本发明所提供的青龙铀矿田及外围地区遥感异常分布图。
具体实施方式
47.下面结合附图和实施例对本发明作进一步详细说明。
48.下面以青龙铀矿田地区aster数据为例，描述对本发明所提的一种植被覆盖区铀矿化蚀变信息遥感识别方法，该方法的具体步骤如下：
49.步骤1、在植被覆盖区进行遥感数据源选择
50.在中等空间分辨率的多光谱遥感影像中aster数据相对于etm+数据增加了7个波段，aster数据在短波红外波段有6个波段，而etm+数据在短波红外波段只有1个波段(如下表1所示)，具有地面分辨率高、通道范围窄及波段多等优点，更利于矿物蚀变信息的提取。本实施例中选择覆盖研究区l1a级的aster数据，共1景，使用波段为可见光、近红外和短波红外波段。该遥感影像数据质量较好，云覆盖较少，图像清晰。
51.表1 aster与etm+遥感数据各波段对照
[0052][0053]
步骤2、针对上述步骤1中得到的遥感影像数据进行预处理，得到aster遥感影像；所述的步骤2的具体步骤如下：
[0054]
步骤2.1、针对上述步骤1中得到的aster遥感影像数据进行重采样
[0055]
由于aster遥感影像数据中的可见光、近红外和短波红外分辨率不一致，将30米空间分辨率的aster遥感影像数据中的swiir波段重采样至与vnir波段相同的15m空间分辨率。然后与vnir波段按波段顺序合并成新的文件，形成9个波段的遥感影像数据。
[0056]
步骤2.2、针对上述步骤2.1中重采样后的的aster遥感影像数据进行辐射定标，得到辐射定标后的aster遥感影像
[0057]
利用envi5.3软件中radiometric calibration工具单击apply flaash settings按钮，自动选择符合flaash大气校正要求的aster遥感影像数据参数，包括定标类型(calibration type)、存储顺序(type)和缩放系数(scale factor)，输出得到辐射定标后的aster遥感影像。
[0058]
步骤2.3、针对上述步骤2.2中得到的辐射定标后的aster遥感影像去边框
[0059]
由于aster传感器在可见光-近红外波长区间与短波红外区间成像时间略有差异，导致每个波段位置有所不同，主要体现在边界的一些信息不重合，因此，需要去aster遥感影像的边框，剔除不重合部分，保留重合区域。aster遥感影像去边框的具体步骤如下：
[0060]
分别对aster数据3波段、6波段和5波段、第7波段分别进行波段“与”运算，构建全边框掩模，应用掩摸方法，使数据覆盖范围完全一致。其全边框掩摸计算公式如下：
[0061]
b3＞0＝b3new
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0062]
b6＞0＝b6new
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0063]
b3new+b6new＝b1
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0064]
b5＞0＝b5new
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0065]
b7＞0＝b7new
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0066]
b5new+b7new＝b2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0067]
b1+b2＝bmask
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0068]
式中，b3、b5、b6、b7为aster数据的3波段、5波段、6波段、7波段；b3 new、b5 new、b6 new、b7 new为aster数据新的3波段、5波段、6波段、7波段；b1、b2为东西向切边框数据、南北向切边框数据；bmask为全边框掩膜数据。
[0069]
步骤2.4、针对上述步骤2.3中去边框后的aster遥感影像进行大气校正
[0070]
利用envi5.3软件中flaash atmospheric correction工具进行参数设置，参数包括：传感器基本信息、大气模型(atmospheric model)、气溶胶模型(aerosol model)、气溶胶反演方法(aerosol retrieval)、初始能见度(initial visibility)，其余参数默认即可，得到大气校正后的aster遥感影像。
[0071]
步骤3、基于像元二分模型，对上述步骤2.4中大气校正后的aster遥感影像进行植被覆盖度估算，确定高植被覆盖区和中低植被覆盖区；所述的步骤3的具体步骤如下：
[0072]
步骤3.1、归一化上述步骤2.4中大气校正后的aster遥感影像的植被指数
[0073]
采用归一化植被指数(ndvi)做为计算研究区遥感影像的植被覆盖度指示因子，归一化植被指数ndvi值等于步骤2得到的aster数据近红外波段与可见光红波段数值之差与波段数值之和之比。aster遥感影像的归一化植被指数ndvi的公式为：
[0074]
ndvi＝(nir-r)/(nir+r)
ꢀꢀꢀꢀꢀꢀ
(8)
[0075]
式中，ndvi为归一化植被指数；nir为aster遥感影像的近红外波段反射率；r为aster遥感影像的红光波段反射率。
[0076]
步骤3.2、去除上述步骤3.1中得到的aster遥感影像归一化植被指数ndvi的异常值
[0077]
由于大气校正后的aster遥感影像结果有部分像元为负值，主要集中在阴影地区，这部分区域计算的ndvi在[-1,1]之外，对这部分像元进行处理，即ndvi值大于1的变为1，小于-1的变成-1，将步骤3.1得到的aster遥感影像的归一化植被指数ndvi结果在[-1,1]，去除异常值band math表达式为：
[0078]-1》ndvi《1
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0079]
式中，ndvi为归一化植被指数。
[0080]
步骤3.3、基于像元二分模型，针对上述步骤3.2中得到的去除ndvi异常值后的aster遥感影像归一化植被指数进行植被覆盖度估算
[0081]
步骤3.3.1、对上述步骤3.2中去除ndvi异常值后的aster遥感影像归一化植被指数ndvi进行最值统计
[0082]
由于遥感成像受多种因素(如气象条件、观测角度、观测时间、太阳高度等)影响，因此在遥感图像中，难免会存在异常值。本发明中研究区地物类型分为林地、农业用地、城市用地、水体、其他。为了获取这5种地物类型对应的ndvi最大值和最小值，基于统计学原理，通过取一定置信度的值来确定步骤3.2得到的ndvi最大值的ndvimax和最小值ndvimin，这里取2％的置信度，即累积概率在2％和98％处的值。
[0083]
取林地像元累积概率(accpct)2％处的dn值作为ndvi最小值统计，累积概率98％处的dn值作为ndvi最大值。若累积概率无2％或98％，可取累积概率2％处前后dn值均值作为ndvi最小值。林地ndvimin＝(0.365+0.380)/2；林地ndvimax同理。
[0084]
同样方法得到其他地物覆盖类型的ndvi阈值，如下表2所示。
[0085]
表2研究区地物类型ndvi阈值
[0086][0087]
水体没有植被(水藻不属于植被)，认为这部分区域的植被覆盖度为0。
[0088]
步骤3.3.2、将上述步骤3.3.1中最值统计后的aster遥感影像归一化植被指数ndvi生成ndvisoil和ndviveg参数文件
[0089]
根据步骤3.3.1得到的研究区土地覆盖类型的ndvi阈值，使用bandmath工具分别生成ndvisoil和ndviveg参数文件，其表达式如下：
[0090]
ndvisoil＝c1*ndvimin1+c2*ndvimin2+c3*ndvimin3+b4*ndvimin4+b5*ndvimin5(10)
[0091]
ndviveg＝c1*ndvimax1+c2*ndvimax2+c3*ndvimax3+c4*ndvimin4+c5*ndvimin5(11)
[0092]
式中，c1为林地文件，c2为农业用地文件，c3为城市用地文件，c4为水体文件，c5为其他文件；ndvisoil为完全是裸土或无植被覆盖区域像元的ndvi值，、ndvimin1为林地的无植被覆盖区域像元的ndvi最小值，、ndvimin2为农业用地的无植被覆盖区域像元的ndvi最小值，、ndvimin3为城市用地的无植被覆盖区域像元的ndvi最小值，通常认为水体没有植被(水藻不属于植被)，认为这部分区域的植被覆盖度为0，即ndvimin4为0，ndvimin5为其他的无植被覆盖区域像元的ndvi最小值；ndviveg为完全被植被所覆盖的像元的ndvi值，ndvimax1为林地的完全被植被所覆盖的像元的ndvi最大值，ndvimax2为农业用地的完全被植被所覆盖的像元的ndvi最大值，ndvimax3为城市用地的完全被植被所覆盖的像元的ndvi最大值，通常认为水体没有植被(水藻不属于植被)，认为这部分区域的植被覆盖度为0，即
ndvimax4为0，ndvimax5为其他的完全被植被所覆盖的像元的ndvi最大值。
[0093]
步骤3.3.3、将上述步骤3.3.2中得到aster遥感影像归一化植被指数ndvi的参数文件，进行植被覆盖度计算
[0094]
ndvimin为影像土地覆盖类型对应的ndvi最小值，ndvimax为影像土地覆盖类型对应的ndvi最大值。利用步骤3.3.2得到的ndvisoil和ndviveg参数文件带入计算公式(12)，使用band math表达式(13)进行植被覆盖度vfc计算。其表达式为
[0095]
vfc＝(ndvi-ndvisoil)/(ndviveg-ndvisoli)
ꢀꢀꢀꢀꢀꢀ
(12)
[0096]
式中：ndvi为“去除异常值的ndvi；ndvisoil为完全是裸土或无植被覆盖区域像元的ndvi值；ndviveg为完全被植被所覆盖的像元的ndvi值
[0097]
步骤3.3.4、去除上述步骤3.3.3中得到植被覆盖度的异常值
[0098]
分析步骤3.3.3得到的植被覆盖度估算结果，可能会存在一些异常值，即值在[0,1]之外。这些异常值是由于在ndvi置信度(2％—98％)之外的那部分像元产生的(也包括ndvi异常像元)。这些像元数量不多，大约占2％左右。还有背景及水体区域的植被覆盖度的值为-nan，即无效值。因此利用band math表达式(13)去除这部分异常值，可以将小于0的值变成0，大于1的值变成1。
[0099]
其表达式为：
[0100]
0.0》d1《1.0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0101]
式中，d1为植被覆盖度。
[0102]
步骤3.3.5、针对上述步骤3.3.4中得到去除异常值的植被覆盖度进行等级划分，确定中低植被覆盖区和高植被覆盖区
[0103]
将步骤3.3.4得到的去除异常值的植被覆盖度(vfc)计算，利用envi5.3软件中的new raster color slices工具进行分割，根据植被指数分级标准，将植被覆盖度划分为低植被覆盖、较低植被覆盖、较高植被覆盖、高植被覆盖共计4个等级(中低植被覆盖区和高植被覆盖区)(如下表3所示)。
[0104]
表3植被指数分级标准
[0105]
等级等级名称范围ⅰ低植被覆盖0～0.10ⅱ较低植被覆盖0.10～0.25ⅲ较高植被覆盖0.25～0.40ⅳ高植被覆盖0.40～0.55
[0106]
步骤4、针对上述步骤3.3.5中划分研究区为中低植被覆盖区和高植被覆盖区，在去除植被以外的干扰之后，中低植被覆盖区采用植被抑制算法，高植被覆盖区进行掩摸去除植被，得到去除干扰因素的植被覆盖区的影像图；所述的步骤4的具体步骤如下：
[0107]
步骤4.1、去除植被以外的干扰因素
[0108]
针对水系、阴影、云雪和第四系覆盖物等干扰因素采用掩膜技术去除。
[0109]
步骤4.2、去除中低植被覆盖区的干扰地物因素
[0110]
根据步骤3.3.5得到的中低植被覆盖区，使用envi 5.3光谱分析软件中的植被抑制算法(vegetation suppression)去除中低植被覆盖区的干扰地物因素，突出地面光谱信息和增强裸露地面岩石光谱信息，最大程度抑制了植被光谱信息，减小对蚀变信息提取结
果的影响。
[0111]
表4中特征值ndviq表示中低植被覆盖区植被抑制前的ndvi特征，ndvih表示植被抑制后的特征，其中ndvi的最大值从0.302326降到了0.30074，平均值也,0.106381降到了0.097708，说明了被抑制方法在本研宄区对抑制植被光谱信息，减小植被因素对烛变信息提取结果的影响是适用的和有效的。
[0112]
表4中低植被覆盖区植被抑制前后统计特征
[0113]
特征值最小值最大值平均值标准差ndviq－0.6470590.3023260.1063810.109513ndvih－0.5196270.3004740.0977080.106364
[0114]
步骤4.3、高植被覆盖区干扰地物因素去除
[0115]
对上述步骤3.3.5中确定的高植被覆盖区进行掩膜处理，去除高植被覆盖区的干扰因素。
[0116]
步骤4.4、中低植被覆盖区去干扰后影像图
[0117]
在上述步骤4.1、步骤4.2基础上，得到中低植被覆盖区去除干扰因素后的影像图。
[0118]
步骤4.5、建立高植被覆盖区的合膜，得到高植被覆盖区掩膜后的影像图
[0119]
将步骤4.1、步骤4.3得到的高植被覆盖区掩膜、水系、阴影、云雪和第四系覆盖物掩膜一一相乘，得到高植被覆盖区的掩膜后的影像图。
[0120]
步骤5、针对步骤4.4、步骤4.5中得到的去除干扰因素的植被覆盖区影像图，采用主成分分析法提取铀矿化蚀变异常信息，从而完成植被覆盖区铀矿化蚀变信息的遥感识别；所述的步骤5的具体步骤如下：
[0121]
步骤5.1、针对步骤4.4、步骤4.5中得到的去除干扰因素的植被覆盖区影像图，进行蚀变矿物异常主分量提取，得到植被覆盖区的异常主分量图像灰度值
[0122]
针对步骤4.4、步骤4.5中得到的去除干扰因素的植被覆盖区影像图，基于蚀变矿物的波谱特征选择主成分变换波段，分析变换后的特征向量载荷因子的大小和符号，确定每个波段对矿化蚀变矿物的光谱响应贡献，判别适合提取蚀变矿物异常的主分量图像。
[0123]
通过对研究区蚀变分带模式中各蚀变带主要矿物波谱特征的分析，选取了蚀变矿物在aster近红外至短波红外具有光谱特征的波段，采用主成分分析法，分析变换后的特征向量载荷因子的大小和符号，确定每个波段对矿化蚀变矿物的光谱响应贡献，判别适合提取蚀变矿物异常的主分量图像。其中铝羟基蚀变提取选择波段1、3、4、6(表5)，镁羟基蚀变提取选择波段1、3、4、8(表6)；铁染提取选择波段1、2、3、4(表7)。
[0124]
表5铝羟基蚀变pc1－pc4的特征向量表
[0125]
特征向量band1band3band4band6pc10.2213490.4721970.6645370.535187pc20.6552370.569512－0.443477－0.222820pc30.618439－0.630142－0.1231350.453091pc4－0.3730990.235810－0.5886900.677226
[0126]
表6镁羟基蚀变pc1－pc4的特征向量表
[0127]
特征向量band1band3band4band8
pc10.2276210.4842670.6811350.499728pc20.6661670.512507－0.537614－0.067309pc30.317209－0.564722－0.2359850.724416pc4－0.6354440.428848－0.4374210.470067
[0128]
表7铁染蚀变pc1－pc4的特征向量表
[0129]
特征向量band1band2band3band4pc10.2469880.3498380.5249980.735518pc20.5222970.5688460.213519－0.598356pc30.4411370.231754－0.8067750.317495pc40.686732－0.7073310.167037－0.013401
[0130]
步骤5.2、针对步骤5.1中得到的植被覆盖区的异常主分量图像灰度值，得到研究区的蚀变信息；从而完成植被覆盖区铀矿化蚀变信息的遥感识别。
[0131]
先将步骤5.1中得到的异常主分量图像灰度值范围无损线性拉伸至0到255之间，基于分量灰度图像元值的似正态分布的直方图，用σ表征正态分布曲线尺度进行数据切割，异常的分级利用标准离差的倍数kσ。把主分量分析结果均值(x)理解为代表区域背景，利用计算切割时使用的公式(15)划分异常强度等级，然后进行中值滤波对噪声和孤立点驱除，得到研究区蚀变信息结果。研究区蚀变信息的计算切割公式为：
[0132]
l＝x+kσ
ꢀꢀꢀꢀꢀꢀ
(15)
[0133]
式中，l代表密度分割时使用的低值；x为所选择分量的灰度图的均值；k值一般取在1.5—3左右；σ所选择分量的灰度图的标准差。
[0134]
步骤5.3、根据步骤5.2中得到的研究区蚀变信息结果图中遥感异常分布的面积及强度，获取铀矿化蚀变信息分布特征
[0135]
根据步骤5.2中研究区蚀变信息结果图中遥感异常分布的面积及强度，发现这些异常呈ne向展布，遥感蚀变异常部位往往受线性断裂、环状构造控制，发育于线性断裂、环状构造内。铀矿化(异常)点与遥感蚀变异常部位相互重叠(如图1所示)。铀矿化与蚀变关系密切。
[0136]
根据遥感异常分布图与铀成矿部位进行分析，研究区羟基和铁染两类异常分布范围与目前已发现的铀矿床、铀矿点有对应关系。
[0137]
羟基异常主要分布在木头凳、燕河营等区这些异常呈北东向展布，部分受火山岩系、构造控制，青龙铀矿化聚集区的干沟一带的羟基异常分布，受火山机构控制，与该区铀矿化可能有一定的关系。
[0138]
铁染异常的分布与羟基异常分布区基本一致，分布范围稍大，主要分布在中下侏罗统中基性、中酸性火山岩系及基底老地层中。
[0139]
上面结合附图和实施例对本发明作了详细说明，上述实施方式仅为本发明的最优实施例，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。