端元光谱选取与信息提取

高光谱矿物信息提取~

8.6.1 方法与流程
8.6.1.1 产品生成业务化流程
常用的高光谱矿物填图标准方法：先运用最大噪声分离（MNF）变换对反射率数据进行波谱降维，用像元纯度指数（PPI）分析进行空间降维，然后用N维可视化方法来确定图像端元，进行端元识别，确定矿物波谱，最后用合适的方法进行矿物填图，并对结果进行优化操作。矿物填图流程图如图8.40所示。
1）数据降维。利用MNF变换进行光谱数据减维，分离数据中的噪声，减小运算量。观察最终特征值和MNF图像，确定数据的固有维数，选择合适的MNF波段进行PPI指数计算。
2）计算图像的PPI指数。计算MNF图像的PPI指数，最终产生PPI图像，图像中像元的DN值代表像元被记录为极值的次数，从直方图中选择阈值，仅选择最纯的像元以保证被分析的像元数最小，这些像元被输入到分离特定光谱端元的交互式可视化算法中。
3）N维可视化进一步提纯纯净像元。在N维可视化中，光谱可视为n维散点图中的一个点，n是波段数。通过选择n维散点图的顶点和拐角，进一步提纯纯净像元。将最终确定的端元输入到图像中的感兴趣区（ROI），从图像中提取每个感兴趣区平均反射率光谱曲线作为成像光谱矿物填图的候选端元。

图8.40 常见高光谱矿物填图流程

4）建立真实波谱库。将采集端元的波谱曲线输出，经过波谱分析（用波谱特征拟合算法与USGS标准波谱库进行匹配识别）得到的波谱曲线图，确定端元矿物并建立该矿物的真实波谱库。
5）选择合适的填图方法，辅以自行建立的真实波谱库，提取出各类矿物。并对提取结果做最小图斑去除、类合并等操作，优化矿物提取结果。
8.6.1.2 矿物信息提取的高光谱数据预处理
先将成像高光谱数据进行辐射定标、大气校正等过程得到光谱反射率数据。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射定标和光谱重建是地物识别和定量分析不可缺少的环节。只有经过辐射标定、辐射校正和大气校正，剔除由于大气散射、吸收、地形起伏及传感器本身不稳定带来的各种失真，将记录的图像值转换为地面的反照率值，重建像元地面光谱，才能根据光谱特征，有效地识别地物，反演地物成分。
8.6.1.3 典型矿物光谱吸收特征分析
首先打开波谱数据库系统图8.41调出所研究的典型矿物的光谱进行分析。
根据主要谱带的位置将矿物划分为含Fe2＋矿物、Fe3＋矿物、Mn2＋矿物、碳酸盐矿物、含Al-OH键矿物、含Mg-OH键矿物等大类。
Al-OH：诊断谱带一般位于2165～2215 nm附近；
Mg-OH：诊断谱带一般位于2315～2335 nm附近；
：诊断谱带一般位于2335～2386nm区间；
Fe2＋：诊断谱带一般位于1000～1100nm附近；

图8.41 波谱库系统主界面

Fe3＋：诊断谱带一般位于600～900nm附近；
Mn2＋：诊断谱带一般位于450～600nm附近。
以主吸收谱带和次要吸收谱带的组合特征，并考虑到吸收谱带在不同岩石中的变异，识别矿物族。如对Al-OH键矿物可分为明矾石族、蒙脱石族、白云母族、高岭石族；含Mg-OH矿物可分为绿泥石族、黑云母族、绿帘石族、蛇纹石族、滑石-透闪石族等；碳酸盐矿物包括方解石族、白云石族等。
1）对于Al-OH键矿物：
明矾石族：两个吸收特征分别位于2175nm（2165～2175nm，± 10nm）和2325nm。
蒙脱石族：位于2215nm（2205～2215 nm，± 10nm）的主要吸收特征伴随有一个2440nm的次级吸收。
白云母-伊利石族：位于2205nm（2195～2215 nm，± 20nm）的主要特征吸收伴随有三个次级吸收峰，分别位于2355nm，2440nm和2115nm。
高岭石族：2200nm附近的OH-谱带，在该谱带左翼存在次一级的谱带（2160nm）。
图8.42为典型Al-OH键矿物波谱特征图。

图8.42 几种典型Al-OH键矿物波谱特征图

2）对于碳酸盐矿物：
方解石族：位于2330 nm～2340 nm的主要谱带。
菱铁矿族：同时具有Fe2＋在1000nm与 在2300nm附近的特征谱带。
图8.43为典型碳酸盐矿物波谱特征图。

图8.43 几种典型碳酸盐矿物波谱特征图

3）对于Mg-OH键矿物：
绿泥石族：位于2330 nm主要吸收特征伴随有一个2386 nm及2224 nm两个次级吸收。
绿帘石族：位于2330 nm主要吸收特征伴随有一个2225～2226 nm的次级吸收。
蛇纹石族：位于2320 nm附近主要吸收特征伴随有2110 nm为中心的较宽的弱谱带。
滑石-透闪石族：位于2290～2310 nm附近的较宽的双峰谱带和2385 nm附近的次级吸收。
图8.44为典型Mg-OH键矿物波谱特征图。

图8.44 几种典型Mg-OH键矿物波谱特征图

8.6.1.4 矿物识别技术
目前，基于成像光谱数据的矿物识别的方法主要有：基于光谱波形参数、基于光谱相似性测度、基于混合光谱模型、基于地质统计规律、基于光谱知识的智能识别等。
（1）光谱波形参数提取与蚀变识别的技术方法
岩石矿物单个诊断性吸收特征峰可以用吸收波段位置（λ）、吸收深度（H）、吸收宽度（W）、吸收面积（A）、吸收对称性（d）、吸收的数目（n）和排序参数作完整地表征（陈述彭等，1998）。根据端元矿物的单个诊断性吸收波形，从成像光谱数据中提取并增强这些参数信息，可直接用于识别岩矿类型。如HSI编码与吸收波段图（Kruse，1988）是利用连续统去除后的光谱图像，定义出波段吸收中心位置图像，波段深度图像及波段半极值宽度（FWHM）图像，并分别赋予HSI空间的明度（H）、强度（I）和饱和度（S），然后逆变换到RGB色度空间。代表性的方法还有光谱特征拟合（SFF）等。
光谱特征拟合（SFF，Spectral feature fitting）：光谱特征拟合是一种基于光谱吸收特征的方法，使用最小二乘法技术将图像中每一个像元的光谱曲线与所选择的参考光谱曲线的吸收特征进行拟合。是选择包含目标矿物特定吸收谱带的光谱区间，利用最小二乘拟合方法，比较像元光谱与目标光谱吸收特征的整体形态和吸收深度。该方法对噪音和地形有较好地抑制作用。
（2）基于相似性测度的识别技术方法
成像光谱最大的优势在于利用有限细分的光谱波段，去再现像元对应物的光谱曲线。这样，利用整个光谱曲线进行矿物匹配识别，可以在一定程度上改善单个波形的不确定性影响（如光谱漂移、变异等），提高识别的精度（甘甫平等，2000）。基于整个波形的识别技术方法是在参考光谱与像元光谱组成的二维空间中，合理地选择测度函数度量标准光谱或实测光谱与图像光谱的相似程度。这类方法主要有光谱角制图（SAM）技术、光谱二值编码（Binary encoding）技术等。
（3）基于光谱知识模型识别的技术方法
基于光谱知识模型识别的技术方法是建立在一定的光学、光谱学、岩矿结晶学和数学理论之上的信号处理技术方法。它不仅能够克服利用单一谱形识别所存在的缺陷，而且从地物光谱学原理入手、从本质上理解认识岩矿光谱的物理机制与物理过程，建立光谱数学物理模型，识别并定量提取岩矿信息。这在一定程度上能精确地量化地表物质的组成及深入地描述地物组成的物理特性，以进一步探测地物所蕴藏的成生环境本质。例如，建立在Hpake（1981）光谱双向反射理论基础之上的线性混合光谱分解模型（SMA/SUM），可以根据不同地物或者不同像元光谱反射率响应的差异，构造光谱线性分解模型，从而识别地物，量化地物成分，挖掘地物成生环境信息。
（4）基于地质统计特征的分类识别方法
该类方法是基于地物在图像上的统计分布规律，建立地质模型进行图像分类识别。比较典型的有（Ieohku，etal，1996），概率模型（Porbabilistic Model），几何光学模型（Geomertic-optical Model），随机几何模型（Stochastic Geometric Model）及非参数地质统计模型（Non-paramertic GeostatisticTechnique）。
（5）基于光谱知识的智能识别方法
传统的及上述的成像光谱识别方法利弊共存。对于高维与超大容量的成像光谱数据及大量的实验室光谱研究结果等迫切要求新的高效的遥感定量分析技术。因此，专家系统、人工神经网络、模糊识别等基于光谱知识的智能识别应运而生。神经网络技术是应用最广泛的识别技术（Gong，1996；Jimenez，et al.，1998；Benediktsson，et al.，1995；Garcia Haro，et al.，1998）。Goetting 和 Lyon（1986）建立一个试验性专家系统；Kruse等（1993）建立了基于知识的成像光谱矿物自动匹配制图系统。以Dempster-Shafer证据理论为基础格架的证据推理方法也得到了一定程度的应用。基于光谱知识的智能识别技术方法与系统将是成像光谱遥感地物信息识别、提取与量化及实用化的最佳选择与发展方向，极具潜力。
8.6.2 结果与分析
8.6.2.1 蛇纹石矿物的填图及效果分析
对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.45所示。

图8.45 蛇纹石波谱匹配图


图8.46 五种填图方法结果对比

用前文简述的常用五种方法提取蛇纹石的具体位置，并进行对比分析，填图结果如图8.46所示。
用SAM矿物填图方法，可以快速提取端元采集出的所有地物，并用彩色分类影像来显示，使人们很直观地看出该矿物的分布范围。
光谱特征拟合将为每个参照波谱输出一幅比例图像和 RMS 图像或一幅合成的“拟合”图像（Scale/RMS）。较高的拟合值表明该像元与参照波谱匹配较好。但是波谱特征拟合效果并不是很好，因为如果输入了错误的参照端元或使用了错误的波长范围，也会出现一个远远大于1的比例值。
MTMF（混合调制匹配滤波）结果将以一系列灰阶图像的形式出现，两幅图像对应一个被选波谱。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。不可行性（Infeasibility）值以sigma噪声为单位，显示了匹配滤波结果的可行性。用于准确制图的像元有一个大于背景分布值的较高的匹配滤波值和一个较低的不可行性值。对得出的浮点图进行密度分割等操作，也能很好的得出蛇纹石的分布范围。
MF（匹配滤波结果）将以一系列灰阶图像的形式出现，每幅图像对应一个选择的端元。浮点型结果提供了像元与参照波谱相对匹配程度的估计方法（1.0表示完全匹配），以及亚像元的权重。对MF的结果图做密度分割等操作，也可明显地看出蛇纹石的分布范围。
线性光谱分解的结果将以一系列灰阶图像的形式出现，每幅灰阶图像加上一个RMS误差图像对应于一个端元。经过发现，此方法的提取效果并不是很好，噪声较多。因此在实际应用中，并不建议使用此方法。
通过以上对比分析，发现SAM，MTMF，MF三种方法在本地区都比较适合蛇纹石这种矿物的填图，只是MTMF，MF两种方法还需对结果图进行密度分割处理，稍显繁复，但填图效果良好。
8.6.2.2 白云母矿物的填图及效果分析
对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库（图8.47）。因为随着白云母中Al含量的减少，Al-OH的谱带位置逐渐向长波方向移动，所以可以分辨出贫铝白云母和富铝白云母的波谱曲线。

图8.47 白云母波谱匹配图

用上述五种方法提取蛇纹石的具体位置，填图结果如图8.48所示。
经过以上五种填图方法的对比分析发现，SAM填图方法效果最佳，不仅明确填出白云母矿物的范围，而且避免了误差引起的填图错误。此外，对光谱特征拟合后的结果图做密度分割等操作，所提取的矿物范围也较好。因此，两种方法均适合进行白云母的矿物填图。
8.6.2.3 绿帘石矿物的填图及效果分析
对Hyperion反射率数据进行MNF变换，根据变换结果人工确定变换维数，利用像元纯度指数（PPI）进行分析，根据n维光谱空间进行特征端元采集。运用光谱特征拟合的方法对端元波谱曲线进行波谱匹配，建立真实的波谱库，如图8.49所示。
用上述五种方法提取蛇纹石的具体位置，填图结果如图8.50所示。
经过以上五种填图方法的对比分析，发现SAM填图方法效果最好。但光谱特征拟合、MTMF和MF三种方法对绿帘石也有较好的显示，对他们的结果图做密度分割等操作，也能较好的提取出蛇纹石的范围，因此，以上四种方法都适合蛇纹石矿物的提取填图。

图8.48 五种填图方法结果对比


图8.49 绿帘石波谱匹配图

8.6.2.4 绿泥石矿物的填图及效果分析
选取HyMap数据，选取USGS标准波谱库中绿泥石的光谱曲线作为参考光谱。利用上面的方法提取绿泥石的具体位置，填图结果如图8.51所示。
8.6.2.5 多种矿物填图情况
（1）HyMap数据1情况分析
依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。
SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如下（图8.52 ，图5.3）。
Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比（图8.54 ，图8.55）。实验发现富铝白云母（黄颜色图例）在阈值设置为0.97和0.96时，分类效果变化非常大，由于软件对该阈值的设定只支持小数点后2位，所以不能进一步的精确，对比分析两种阈值的分类效果，得出二进制编码方法对富铝白云母的提取效果不是很好。
Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.56和图8.57所示。
Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如下（图8.58至图8.60）。
（2）HyMap数据2情况分析
依据地面区域地质资料，在HyMap反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。
SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，绿泥石与富铝白云母分布较广，针对两种阈值的设定情况对比如图8.61所示。
最小距离填图：最小距离填图的参数设置及填图效果差异如图8.62和图8.63所示。
（3）模拟数据情况分析
依据地面区域地质资料，在模拟的反射率数据上选取典型的训练样区，利用这些训练样区提取五种矿物的分布位置。

图8.50 五种填图方法结果对比


图8.51 三种填图方法结果对比


图8.52 局部区域填图效果


图8.53 整体区域填图效果


图8.54 填图效果1


图8.55 填图效果2


图8.56 局部区域填图效果截图


图8.57 整体区域填图效果


图8.58 不同阈值局部地区填图效果


图8.59 填图效果（Threshold＝0.001）


图8.60 填图效果（Threshold＝0.005）


图8.61 SAM 方法填图


图8.62 参数1下效果图


图8.63 参数2下效果图

SAM方法填图：该方法需要设置阈值max angle threshod，通过不同的尝试，阈值的设定情况和填图效果如图8.64所示。

图8.64 SAM 填图效果

Binary Encoding方法填图：该方法需要设置一个阈值minimum encoding threshod，通过不同的尝试，阈值的设定和填图效果情况如图8.65所示。多次试验发现该方法对提取chlorite和chlorite＋serpentine的效果不是很理想。

图8.65 填图效果

Minimun Distance（MD）方法填图：该方法需要设置两个阈值：Max stdev from Mean；Max Distance Error。通过不同的尝试，阈值的设定和填图效果情况如图（其中Max Distance Error＝2000 ，图8.66）。

图8.66 填图效果

Spectral Information Divergence（SID）方法填图：该方法需要设置阈值：Maximun Divergence Threshod。通过不同的尝试，参数设置和填图效果如图8.67所示。

图8.67 填图效果（Threshold＝0.005）

8.6.2.6 矿物信息填图结果分析
综合前面的分析结果，开展了矿物信息提取结果图，为了分析矿物信息填图效果，搜集了前人对此试验区（图8.68）进行的矿物填图结果（图8.69）。

图8.68 矿物信息研究的区域图


图8.69 前人的矿物提取结果填图结果

为开展蚀变矿物识别精度分析，可对比研究区本次提取的蚀变矿物分布图（图8.70）与前人提取的蚀变矿物信息分布图结果，逐像素进行对比（由于分辨率不同需做像素变换），如果研究区总的点数为N，本次与前人矿物分布图的结论相同就认为该点取值1，最后统计结果中1的个数n，这样蚀变矿物识别精度可定义为

高光谱遥感技术原理及矿产与能源勘查应用

对比分析本次矿物信息填图结果和前人矿物信息的填图结果，发现其结果并非完全一样。其中蛇纹石的填图效果一致性最高；绿帘石的分布范围一致，但本次数据的填图结果显示的范围较大；白云母的分布范围基本一致，但贫铝白云母和富铝白云母的分布范围有些混淆，经过对比分析，本次数据和前人数据填图范围的一致性达到89%，基本满足高光谱数据的填图要求。对出现误差的主要原因分析如下：
1）前人数据是机载高光谱数据，空间分辨率可达到3～12m，此处的Hymap数据的空间分辨率为5m，而本次数据是模拟星载高光谱数据，空间分辨率为30m。随着分辨率的降低，单个像元所对应的地面面积将增大，导致每个像元中包含更多的矿物类型，矿物间的影响性也会增加。一方面，由于混合像元的平均效应，目标矿物在像元中的等效丰度会下降，光谱信息减弱。当像元中目标矿物的等效丰度下降到检出限以下时，矿物将不能被识别，而造成矿物分布区的外围含量较低的地段和含量较低分布区填绘面积的减少，点状集群分布区的漏识别，线状分布区的断续分布。这种效应相当于检出限的下降。另一方面，当像元中目标矿物的等效丰度在检出限以上时，会使面状矿物分布区的范围扩大、空洞的充填、相邻小区的连接，点状集群分布区的成片，线状区域的斑点效应。这两种效应的综合作用结果，空间分辨率的减小则会使强异常区（包括高丰度区和光谱反衬度较高的矿物分布区）范围的扩大、小区的相连、点群的结合，而使异常更加醒目，但其细节特征会因此消失；弱异常区（包括低丰度区和光谱反衬度较低的那些矿物分布区）和小异常区面积会缩小或漏检；线状异常可能会形成断续分布的小斑块而使线状特征和其走向变得不清晰。因此，在填图的细致程度上，分辨率越高的数据填图效果越好，这是造成填图效果差异的最主要的原因之一。

图8.70 本次试验矿物信息提取填图结果

2）辐射校正的精确程度。无论是高光谱成像仪还是传统的多光谱传感器，它们所记录的数据都是地面观测目标的反射或辐射能量的光谱辐射绝对值，与地物目标的光谱反射率或光谱辐亮度值是不一致的。因此，辐射校正和光谱重建是地物识别不可缺少的环节。由于Hymap数据是机载高光谱数据，Hyperion数据是星载高光谱数据，对两种数据进行辐射校正的参数也是不一致的，因此，得出的反射率数据也是有差异的，这也是造成填图差异的原因之一。
总之，用本次数据进行矿物填图是可行的，它可以在一定程度上对矿物的种类及分布进行识别。

Manolakis（2003）认为，目标探测就是将目标与背景地物区分，并判断目标在各像元内的存在性问题。在高光谱遥感领域，近年来发展了很多目标探测算法，根据算法模型可分为原始空间模型、子空间模型和白化空间模型（张兵等，2011）。Robey et al.（1992）提出了一种自适应匹配滤波算法（Adaptive Matched Filter，AMF），该算法用多维正态分布模型模拟背景，并不能很好地表达背景的变化情况。刘翔（2008）分析了椭圆轮廓分布模型探测器（Elliptically Contoured Distributions，ECD），认为该模型能够敏感地预测信号随着环境的变化。在目标和背景光谱已知的情况下，Harsanyi（1993）提出了正交子空间投影（Orthogonal Subspace Projection，OSP）算法，同时考虑了背景光谱和各种噪声下的最大化剩余信号；而且Harsanyi还提出了一种约束能量最小化（Constrained Ener－gy Minimization，CEM）算法，该算法根据目标光谱，放大特定方向信号，缩小其他背景信号，从而实现目标探测，适用于小目标探测，但CEM探测器难以将目标端元信号与噪声信号分离（杜博，2010）。寻丽娜等（2007）首先利用PCA技术扣除了图像背景信息，之后借助IEA（迭代误差分析）方法选取端元，以端元光谱作为已知光谱代入CEM，从而很好地提取小目标。为了扩展CEM在大目标探测方面的应用，耿修瑞（2005）也通过设计加权自相关矩阵改进了原算子，提出了一种加权自相关矩阵的CEM算子（WeightedCorrelation Matrix CEM，WCM－CEM）。Reed et al.（1990）发展了异常探测算子RXD，其算法依赖于异常目标往往游离于图像数据所构造的数据 “云团”超平面之外这一假设，即：当图像在异常像元与图像均值向量的连线方向上的投影有较大方差时，该算子失效（张兵等，2011）。耿修瑞（2007）设计了一种基于数据白化距离的异常探测（Whited－distance Abnormity Anomaly Detection，WAAD）算法，该算法对高光谱数据进行白化处理（White Processing，WP），使数据 “云团”在特征空间中呈球状分布，而异常像元仍处于球状云团之外，很好地解决了RXD探测失效的问题。为了扩展CEM在大目标探测方面的应用，耿修瑞也通过设计加权自相关矩阵改进了原算子，提出了一种加权自相关矩阵的CEM算子（Weighted Correlation Matrix CEM，WCM－CEM）。贺霖等（2006）研究了正交子空间和目标子空间投影的高光谱数据背景和噪声抑制方法。路威等（2006）借助于实码遗传优化投影寻踪方法，从分布异常的角度，提出了一种非监督特征投影方法，提取小目标。
近年来，国内外科技界和产业部门从不同的侧面对矿产资源探测与矿区重金属污染物的监测进行了深入研究。在矿产资源的高光谱遥感探测方面，开展了通过成像光谱仪测量岩石、矿物等光谱特性，获取图谱合一的信息等来识别矿物、探测环境等研究，并形成了高光谱岩矿识别与填图的技术流程和技术方法，在岩石矿物识别、信息提取和专题制图方面取得突破（Boardman et al.，1994；杜培军等，2003；Kruse et al.，2006；Zhang J.，2006；张兵等，2008；王润生等，2007，2010）。近十年来，有关矿山重金属污染监测与分析评价方法的研究论文和报告也逐渐增多。如：利用高光谱数据和矿物识别谱系有效识别铜矿区的污染类型（甘甫平等，2004）；通过实验室分析金属铜不同程度重金属污染下煤矸石堆周边土壤的光谱特性（Gao et al.，2005）；利用光谱仪实测光谱数据与综合考虑污染物的光谱特征，对矿山污染物和废矿所造成的污染、选冶废水所产生的水污染及其植被污染，以及长期采矿活动造成的矿区土壤重金属污染等信息提取研究（Kemper et al.，2002；燕守勋等，2003；张宗贵，2004；甘甫平等，2004；崔龙鹏等，2004；Zhang J.，2006；Choe et al.，2008；Ren et al.，2009；Rashed，2010）。另外，一些学者已在植被高光谱遥感的植被生化参数、植被指数、导数光谱、红边位移分析、回归分析、胁迫影响、病害监测、农药残留检测、重金属污染等方面进行了大量研究（Mutanga et al.，2004；刘良云等，2004；陈云浩等，2009；Singh et al.，2010；Liu et al.，2011）；随着对不同环境下地物光谱变化特性的深入探究，基于地物光谱微细变化的矿山生态环境遥感定量探测的实用化技术也已出现（Ferrier，1999；Gao et al.，2005；Choe et al.，2008；任红艳等，2008；金庆花等，2009；Bech et al.，2012）。
综上可见，已有的大部分成果都是对像元光谱或光谱仪实测光谱进行光谱曲线特征点位与特征参量提取、光谱微分处理、光谱吸收特征获取、光谱指数计算、统计分析、混合像元分解、光谱匹配等手段进行处理分析，而缺乏利用如支持向量机（Support Vector Machine，SVM）、小波包变换（Wavelet Packet Transform，WPT）、谐波分析（Har－monic analysis，HA）和自适应神经网络（Adaptive Neural Network，ANN）等现代数学理论对光谱曲线进行深层次的变换处理，因而在噪声分离、同谱异物与同物异谱处理、微量（弱）信息识别等方面存在很大的不足。因此，很有必要开展基于现代数学理论的高光谱遥感数据变换处理、信息提取与分析应用研究。

3.1.3.1 端元数目的确定

一个混合像元可能包含了几种地物类别，所以确定端元的数目是进行光谱线性分解的前提，也是整个光谱线性解混技术中必不可少的一个环节。对于多光谱数据常用的方法是根据主成分分析（PCA）中协方差的大小来判定端元数，但是其分析方法比较粗糙，而对于含有上百个窄波段的高光谱遥感影像来说，主成分分析方法很容易把细微的光谱信息归到噪声部分（Chang C，2007）。因此，目前常用的针对高光谱遥感影像确定端元数目的方法是基于Neyman－Pearson探测理论的特征阈值分析方法（Harsanyi et al.，1994），简称HFC（Harsanyi，Farrand，Chang）。本章也采用此方法进行端元数目的确定。

HFC原理是通过对影像进行矩阵的相关计算，分别得到其相关矩阵R_m×n和协方差矩阵K_m×n及其特征值，并把特征值分别记作 。

如果影像的信号能量为正，则有

高光谱遥感影像信息提取技术

式中：n即为端元数目；m为高光谱影像的波段数。

即便是没有采用主成分分析的方法，也不可避免的有部分弱信号被认作是噪声信号被排除掉，因此，为了尽可能地减少这种现象的发生，在计算端元数目之前最好进行白化处理（Gruninger et al.，2004）。

3.1.3.2 端元的提取

高光谱影像端元提取的方法目前研究的较为深入，研究者从不同的角度提出了很多实用性的提取方法，其中较为常用的有纯像元指数（PPI）、内部最大体积法（N－FINDR）、顶点成分分析（VCA）、单形体投影方法（SPM）、顺序最大凸锥（SMACC）、迭代误差分析（IEA）、外包单形体收缩（SSWA）、最小体积单形体分析（MVSA）、凸锥分析（CCA）、光学实时自适应光谱识别系统（ORASIS）、自动形态学（AMEE）、最大距离法（MaxD）、最大体积法（MaxV）、最大零空间投影距离法（NSP）、定量化独立成分分析法（ICA）等（张兵等，2011）。本章采用的端元提取的方法是顺序最大凸锥（SMACC），它提供了更快、更自动化的方法来获取端元波谱，但是它的结果近似程度较高，精度较低。由于本章的研究目的是一种改进型的线性分解方式，不是集中在端元选择问题上的研究，因此使用SMACC虽然不是最好的算法，但是完全可以达到本章实验的目的。

SMACC算法（Gruninger et al.，2004）在提取端元的同时可以获得丰度反演的结果，它的基本原理是通过迭代的方法来获取端元，经过数次迭代，每次都不断地计算和调整各个端元在混合像元中所占的比例，并且利用投影变换消除端元之间的相互影响。其中，最关键的步骤就是判断该像元中是否有该端元，并且是否需要进行斜交投影（或正交投影）。具体算法如下：

设原始像元集表示为 ，其第j次迭代前的像元集合表示为 ，第j次迭代前的端元集合表示为 ，w_j表示每次迭代时的投影方向，X^j－1为最长的光谱向量，则X^j－1在w_j方向上的投影系数为

高光谱遥感影像信息提取技术

e_j在x_i中的比例系数为

高光谱遥感影像信息提取技术

式中：β_ij为调整系数，当β_ij＝1时为正交投影，否则为斜交投影。经过多次迭代，最终可以得到的ej在x_i中的比例系数 。

像元的投影结果为

高光谱遥感影像信息提取技术

其中，系数β_ij调整的原则为：当O_ij≤0时，β_ij＝0，表示没有该端元；否则，根据

高光谱遥感影像信息提取技术

通过计算v_k得到其中的最小值，记为v_min。当v_min＞1，则β_ij＝1，为正射投影；否则为斜交投影，β_ij＝v_min。

3.1.3.3 混合像元地物信息提取及其分类

经过对混合像元光谱曲线构建的矩阵进行分解，可以得到每一类端元光谱在混合像元中的丰度值f_j（j＝1，2，…，n），但是对高光谱影像的分类或地物信息提取是按照以像元为基本单位进行划分的，也就是说在分类或地物提取中，一个像元不可能被涂上不同的颜色，因此，为了便于分类，选取f_j中值最大的一个对应的端元作为该混合像元的地物种类，即Max（f_j）（j＝1，2，…，n）对应的端元。

---

北票市17259819192： 在一些文献中常见“端元”一词,其确切定义如何?O(∩ - ∩)O谢谢. - ？
佴水护肝： 端元 end member 遥感影像的像素是地物混合的综合,在高光谱中,通过高光谱分析,混合像元是再分的,能被再分出的单元称终端像元(Endmember),或者译为“组分”或者“端元” .可以理解为纯净像元,与混合像元相对. Endmember一般是在进行分类时候用来建立分类规则,或者在进行混合像元分解时,来选择变量.终端像元代表的是纯地物类型.由于该分类是基于地物的波谱线的相似性,因此分类时不会受到阴影的影像.

北票市17259819192： 遥感图像处理软件有哪些 - ？
佴水护肝： 常用的遥感图像处理软件有:ERDAS、PCI、ENVI、ArcGIS等.各软件的特点如下: 1.ERDAS:ERDAS是一款遥感图像处理系统软件. 它以其先进的图像处理技术,友好、灵活的用户界面和操作方式,面向广阔应用领域的产品模块,服务于不...

北票市17259819192： 遥感图像的DEM提取原理是什么? - ？
佴水护肝： 1、遥感信息提取方法分类 常用的遥感信息提取的方法有两大类:一是目视解译,二是计算机信息提取.1.1目视解译 目视解译是指利用图像的影像特征(色调或色彩,即波谱特征)和...

北票市17259819192： 高光谱遥感问题 - ？
佴水护肝： 高光谱分辨率遥感在电磁波谱的可见光、近红外、中红外和热红外波段范围内,获取许多非常窄的光谱连续的影像数据的技术(Lillesand&Kiefer2000).其成像光谱仪可以收集到上百个非常窄的光谱波段信息.多光谱分辨率遥感,是利用具有两个以上波谱通道的传感器对地物进行同步成像的一种遥感技术,它将物体反射辐射的电磁波信息分成若干波谱段进行接收和记录.主要是波段数量的区别,其他应用方面高光谱的应用会更广

北票市17259819192： 遥感数据的分类 - ？
佴水护肝： 原发布者:siny1013遥感图像解译遥感图像解译分为两种:•目视解译:指专业人员通过直接观察或借助判读仪器在遥感图像上获取特定目标地物信息的过程.•遥感图像计算机解译:以计算机系统为支撑环境,利用模式识别技术与人工智能...

北票市17259819192： 遥感ENVI软件打不开modis数据 - ？
佴水护肝： 首先modis数据是以HDF格式保存,打开可以复选择制“file——open extremal file ——Generic formates 选择hdf格式,再选择合适的波段!一般modis1或者2b的数据需要投影,几何纠正,可以bai选择插件 modis convention toolkit 或者nasa自己出的duMRT工具,你搜一下应该有,而且很好操作! 你有哪里zhi的modis数据,如果是南京地区,或者江苏地区的给我发一份,dao谢谢,邮箱:yu.xinghua@163.com

北票市17259819192： 请问:遥感图像分类和信息提取,本质上来讲是一个概念吗??? - ？
佴水护肝： 传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富,地物间光谱差异较为明显的基础上进行的.对于只含有较少波段的高分辨率遥感影像,传统的分类方法,就会造成分类精度降低,空间数据的大量冗余,并且其分类结果...

北票市17259819192： 遥感中,光谱类和信息类有何区别? - ？
佴水护肝： 光谱遥感地物自身存在的,使用遥感传感器可以获得地物光谱. 信息是人类从遥感数据中按照需求提取的内容.

北票市17259819192： 何为光谱特征选择?光谱特征选择的方法有哪些 - ？
佴水护肝： 原有的遥感数据处理算法在处理高光谱数据时,常遇到Hughes现象即“维数祸根“.为了有效地处理数据,“降维”就成为一个必然的选择;“降维”即在尽可能地保留信息的同时,对波段进行压缩.目前压缩波段有两种方法:①从众多波段中选择感兴趣的若干波段,或选择信息量大、相关性小的若干波段.②利用所有波段,通过数学变换压缩波段.如主成分分析法(PCA)等.本文主要介绍第一种压缩方法.