成像光谱矿物识别方法与识别模型评述

第1期,总第71期国　土　资　源　遥　感No.1,2007　2007年3月15日R E M O TE SEN S I N G FO R LAND&R ESOU RC ES Mar.,2007　

成像光谱矿物识别方法与识别模型评述

王润生,杨苏明,阎柏琨

(中国国土资源航空物探遥感中心,北京　100083)

摘要:矿物识别和矿物填图是成像光谱应用最成功的领域之一。本文将国内外发展的矿物识别模型归纳为光谱匹配和以知识为基础的智能识别两大类型进行讨论。对光谱匹配方法分别从其方法的分类、光谱相似性测度、整体光谱匹配算法、局部光谱识别、亚像元光谱识别、混合像元分解和矿物端元选择、光谱减维和噪声弱化等方面作了评述。最后,讨论了矿物识别和填图研究中存在的主要问题,指出研究建立全谱段矿物识别方法和技术体系将是今后光谱矿物识别和矿物填图的重要发展方向。

关键词:成像光谱;矿物识别;矿物填图;光谱匹配;光谱相似性测度;全谱段

中图分类号:TP75　文献标识码:A 文章编号:1001-070X(2007)01-0001-09

0　引言

成像光谱技术的兴起与发展,极大地增强了遥感对地的观测能力和对地物的鉴别能力,使遥感从鉴别(D iscri m inati on)发展到对地物的直接识别(I2 dentificati on),使遥感工作方法由图像分析转变为以谱分析为主的图谱结合模式,也使遥感应用逐渐摆脱“看图识字”的阶段,而越来越依赖于对地物波谱特征定量分析和理解。

矿物填图是成像光谱技术最成功的,也是最能发挥其优势的应用领域。应用成像光谱数据,不仅可以直接识别与成矿作用密切相关的蚀变矿物,分析蚀变矿物组合,定量或半定量估计相对蚀变强度和蚀变矿物含量,评价地面化探异常,追索矿化热液蚀变中心,圈定找矿靶区,而且还可探测一些蚀变矿物和一些造岩矿物的成分及结构变异特征,用以分析蚀变带的空间分带、成矿成岩作用的温压条件、热动力过程和热液运移的时空演化。矿物识别技术不仅在矿产资源(金、铜等金属矿床,油气、钾盐等)勘查和评价中发挥重要作用,而且对土质调查、土地退化(沙漠化和盐碱化)监测、矿山环境监测及月球和行星地质学研究都具有重要意义。

成像光谱数据的特点是图谱合一,其数据处理、地物识别方法和识别模型分为图像分析、图像识别和光谱分析、光谱识别两大类,本文仅讨论矿物的光谱识别方法(当然,它们之间并没有截然的界限)。

成像光谱矿物识别的基本原理是成像光谱数据的重建光谱与矿物标准光谱或实测光谱的定量比对分析。国内外发展的光谱识别模型从本质上可分为两大类型:即以重建光谱与标准光谱相似性度量为基础的光谱匹配方法和以矿物学和矿物光谱知识为基础的智能识别方法。

1　光谱匹配方法分类

光谱匹配是将重建光谱与参考光谱相比较,以某种测度函数度量它们之间的相似性或相关性程度,从而对矿物进行识别的方法。相似性测度函数可以是距离函数(欧氏距离、马氏距离)、相似系数、相关系数、光谱信息散度和光谱矢量夹角等;参考光谱既可以是光谱数据库中的标准光谱(典型光谱),也可以是野外或实验室实测的工作区岩矿光谱,还可以是从图像中提取的已知区的图像光谱。对光谱匹配方法的分类有如下几种:

(1)按匹配时所利用的数据,光谱匹配可分为直接匹配和间接匹配两大类型。直接匹配是直接用重建光谱与参考光谱数据进行匹配;间接匹配方法不直接使用原始光谱数据作匹配,而是对光谱数据作编码或变换,利用编码和变换后的数据作匹配,如光谱编码匹配[1]、光谱傅立叶频谱的振幅和相位[2]、小波和分维数[3,4〗等匹配方法。

(2)按所利用的光谱特征,光谱匹配可分为整体光谱匹配和局部光谱匹配。整体光谱匹配指以全部

收稿日期:2006-12-05;修订日期:2007-01-06

基金项目:国家高技术研究发展计划(863计划)课题“成像光谱矿物填图技术及其应用示范”(2001AA36020-4)、中国地质调查局科研项目“成像光谱技术在资源勘查中的应用研究”(200220140003)。

国　土　资　源　遥　感2007年

光谱区间或某一光谱段的整体光谱相似性测度为基础的匹配,利用了光谱区间上光谱的整体特征,如光谱角填图、光谱相关填图等方法;局部光谱匹配仅使用诊断性光谱吸收谱带特征,以吸收谱带参量为基础的识别方法,使用的特征包括谱带的形态、位置、宽度、深度和对称度等。整体匹配利用了整个光谱的形状特性,受照度、光谱定标和光谱重建精度等的影响较小,但受矿物光谱的不确定性影响较大,且对矿物光谱的微小差异不够敏感;局部匹配方法对矿物光谱的微小差异比较敏感,但仅利用了特定的一些特征,受图像的信噪比、光谱定标和光谱重建精度等因素的影响较大。

按所检测目标的尺度,光谱匹配又有全像元匹配和亚像元匹配之分。全像元匹配以像元为单位,检测像元中是否存在目标物质(矿物)以及其与其它像元相比的相对含量;相应地,试图探测较像元尺寸小得多的物质在像元中的含量或在像元中所占比例的方法,则属于亚像元方法,代表性的方法有混合像元分解和光谱匹配滤波。

2　常用的光谱相似性测度与整体光谱匹配算法

(1)欧氏距离(E D,Euclidian D istance)及基于欧氏距离的相似指数(SI,Si m ilarity I ndex)方法[5]。欧氏距离以像元光谱与已知区光谱集群中心(平均值)在高维光谱空间中的距离作为光谱的相似性测度。欧氏距离与波谱强度的关系密切,地物波谱的强度本身变异性较大,且受照度、地形、环境因素的影响显著,稳定性较差。因而,该法仅适用于与已知区像元光谱的比较,实际上是一种图像监督分类方法。

(2)光谱角制图(S AM,Spectral Angle Mapp ing)技术[6]。该技术以高维空间中像元光谱矢量与参考光谱矢量之间所张的角度作为相似性度量,当像元光谱与参考光谱矢量都为单位矢量时,光谱角与欧氏距离的关系为ED=2sin(SAM/2),因而,光谱角实际上也是一种距离测度,它与欧氏距离的区别是仅考虑光谱形状或光谱特征的相似性,而不考虑光谱矢量长度,即光谱强度的影响,而得到更普遍的使用。

(3)光谱相关填图(SC M,Spectral Correlati on Mapper)方法[7]。由于S AM使用光谱矢量的绝对值作匹配,不能区别正、负相关或相似性。为此,O. A. Carvalho J r等对S AM方法作了改进,以皮尔森相关系数(Pears oian Correlati on Coefficient)代替光谱角作为光谱的相似性测度,称为光谱相关填图。SC M的

值域为[-1,+1],较S AM能更有效抑制阴影、照度等对识别的影响,减少S AM因不能区分正、负相关而带来的误判。

(4)光谱信息散度(SI D,Spectral I nf or mati on D i2 vergence)是基于光谱信息测度(SI M,Spectral I nfor2 mati on Measure)的,以目标光谱与参考光谱之间光谱概率分布的距离表征光谱相似性的参量。它将每一像元光谱看作一个随机变量,将归一化成单位矢量的光谱矢量定义为概率矢量P=(p

1

,p2…p L)T,L 为波段数,用以描述光谱的不确定性和随机性,则光谱信息量可用光谱信息熵H描述,即

H=∑

L

l=1

p l log p l(1)光谱x、y的光谱信息散度则定义为两光谱互相之间的相对信息熵D(x‖y)、D(y‖x)之和,即

S I D(x,y)=D(x‖y)+D(y‖x)(2) S I D描述了两光谱之间的信息差异,值越接近于0,表示两光谱之间的相似性程度越大。

(5)交叉相关光谱匹配(CCS M,Cr oss Correl o2 gra m SpectralMatching)方法。考虑到可能存在的光谱波段波长位置的漂移问题,通过光谱轴的相对平移,使像元光谱和参考光谱在不同光谱位置(波段位置)进行匹配,计算每个匹配位置上对应光谱段的线性相关系数(交叉相关系数),绘制交叉相关曲线图(Correl ogra m),用t检验法检验其相关的显著性。以交叉相关系数的最大值、交叉相关曲线的偏度(Ske wness)作为相似性指标度量其相似性,识别端元矿物[8]。

Van derMeer以浅成低温热液金矿床典型蚀变矿物明矾石、高岭石、蒙托石及石英等的光谱模拟生成的由内到外呈同心圆状分布的图像(601个波段,光谱采样间隔1～2nm)和Cup rite地区的AV I R I S图像为实验数据,以光谱识别概率(PS D,Pr obability of Spectral D iscri m inati on)和光谱识别能力(P W S D, Po wer of Spectral D iscri m inati on)作为评判的可分性指标,分析比较了ED、S AM、SC M和SI D4种光谱相似性测度对识别这4种矿物的有效性[9]。PS D表示了从光谱库或选择出的一系列端元中,以某种相似性测度能够识别出目标端元的可能性;P W S D表示了以d为参考光谱,用某种相似性测度能识别和区

分端元s

i

与s

j

的能力[10]。

实验结果表明,SI D识别这4种矿物的效果最好,识别能力最强;ED和S AM识别的效果类似,光谱混淆较SC M和SI D的严重;SC M由于考虑了所有

・

2・