8.6.1 方法與流程
8.6.1.1 產品生成業務化流程
常用的高光譜礦物填圖標準方法：先運用最大噪聲分離（MNF）變換對反射率數據進行波譜降維，用像元純度指數（PPI）分析進行空間降維，然後用N維可視化方法來確定圖像端元，進行端元識別，確定礦物波譜，最後用合適的方法進行礦物填圖，並對結果進行優化操作。礦物填圖流程圖如圖8.40所示。
1）數據降維。利用MNF變換進行光譜數據減維，分離數據中的噪聲，減小運算量。觀察最終特征值和MNF圖像，確定數據的固有維數，選擇合適的MNF波段進行PPI指數計算。
2）計算圖像的PPI指數。計算MNF圖像的PPI指數，最終產生PPI圖像，圖像中像元的DN值代表像元被記錄為極值的次數，從直方圖中選擇閾值，僅選擇最純的像元以保證被分析的像元數最小，這些像元被輸入到分離特定光譜端元的交互式可視化算法中。
3）N維可視化進壹步提純純凈像元。在N維可視化中，光譜可視為n維散點圖中的壹個點，n是波段數。通過選擇n維散點圖的頂點和拐角，進壹步提純純凈像元。將最終確定的端元輸入到圖像中的感興趣區（ROI），從圖像中提取每個感興趣區平均反射率光譜曲線作為成像光譜礦物填圖的候選端元。
圖8.40 常見高光譜礦物填圖流程
4）建立真實波譜庫。將采集端元的波譜曲線輸出，經過波譜分析（用波譜特征擬合算法與USGS標準波譜庫進行匹配識別）得到的波譜曲線圖，確定端元礦物並建立該礦物的真實波譜庫。
5）選擇合適的填圖方法，輔以自行建立的真實波譜庫，提取出各類礦物。並對提取結果做最小圖斑去除、類合並等操作，優化礦物提取結果。
8.6.1.2 礦物信息提取的高光譜數據預處理
先將成像高光譜數據進行輻射定標、大氣校正等過程得到光譜反射率數據。無論是高光譜成像儀還是傳統的多光譜傳感器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不壹致的。因此，輻射定標和光譜重建是地物識別和定量分析不可缺少的環節。只有經過輻射標定、輻射校正和大氣校正，剔除由於大氣散射、吸收、地形起伏及傳感器本身不穩定帶來的各種失真，將記錄的圖像值轉換為地面的反照率值，重建像元地面光譜，才能根據光譜特征，有效地識別地物，反演地物成分。
8.6.1.3 典型礦物光譜吸收特征分析
首先打開波譜數據庫系統圖8.41調出所研究的典型礦物的光譜進行分析。
根據主要譜帶的位置將礦物劃分為含Fe2＋礦物、Fe3＋礦物、Mn2＋礦物、碳酸鹽礦物、含Al-OH鍵礦物、含Mg-OH鍵礦物等大類。
Al-OH：診斷譜帶壹般位於2165～2215 nm附近；
Mg-OH：診斷譜帶壹般位於2315～2335 nm附近；
：診斷譜帶壹般位於2335～2386nm區間；
Fe2＋：診斷譜帶壹般位於1000～1100nm附近；
圖8.41 波譜庫系統主界面
Fe3＋：診斷譜帶壹般位於600～900nm附近；
Mn2＋：診斷譜帶壹般位於450～600nm附近。
以主吸收譜帶和次要吸收譜帶的組合特征，並考慮到吸收譜帶在不同巖石中的變異，識別礦物族。如對Al-OH鍵礦物可分為明礬石族、蒙脫石族、白雲母族、高嶺石族；含Mg-OH礦物可分為綠泥石族、黑雲母族、綠簾石族、蛇紋石族、滑石-透閃石族等；碳酸鹽礦物包括方解石族、白雲石族等。
1）對於Al-OH鍵礦物：
明礬石族：兩個吸收特征分別位於2175nm（2165～2175nm，± 10nm）和2325nm。
蒙脫石族：位於2215nm（2205～2215 nm，± 10nm）的主要吸收特征伴隨有壹個2440nm的次級吸收。
白雲母-伊利石族：位於2205nm（2195～2215 nm，± 20nm）的主要特征吸收伴隨有三個次級吸收峰，分別位於2355nm，2440nm和2115nm。
高嶺石族：2200nm附近的OH-譜帶，在該譜帶左翼存在次壹級的譜帶（2160nm）。
圖8.42為典型Al-OH鍵礦物波譜特征圖。
圖8.42 幾種典型Al-OH鍵礦物波譜特征圖
2）對於碳酸鹽礦物：
方解石族：位於2330 nm～2340 nm的主要譜帶。
菱鐵礦族：同時具有Fe2＋在1000nm與 在2300nm附近的特征譜帶。
圖8.43為典型碳酸鹽礦物波譜特征圖。
圖8.43 幾種典型碳酸鹽礦物波譜特征圖
3）對於Mg-OH鍵礦物：
綠泥石族：位於2330 nm主要吸收特征伴隨有壹個2386 nm及2224 nm兩個次級吸收。
綠簾石族：位於2330 nm主要吸收特征伴隨有壹個2225～2226 nm的次級吸收。
蛇紋石族：位於2320 nm附近主要吸收特征伴隨有2110 nm為中心的較寬的弱譜帶。
滑石-透閃石族：位於2290～2310 nm附近的較寬的雙峰譜帶和2385 nm附近的次級吸收。
圖8.44為典型Mg-OH鍵礦物波譜特征圖。
圖8.44 幾種典型Mg-OH鍵礦物波譜特征圖
8.6.1.4 礦物識別技術
目前，基於成像光譜數據的礦物識別的方法主要有：基於光譜波形參數、基於光譜相似性測度、基於混合光譜模型、基於地質統計規律、基於光譜知識的智能識別等。
（1）光譜波形參數提取與蝕變識別的技術方法
巖石礦物單個診斷性吸收特征峰可以用吸收波段位置（λ）、吸收深度（H）、吸收寬度（W）、吸收面積（A）、吸收對稱性（d）、吸收的數目（n）和排序參數作完整地表征（陳述彭等，1998）。根據端元礦物的單個診斷性吸收波形，從成像光譜數據中提取並增強這些參數信息，可直接用於識別巖礦類型。如HSI編碼與吸收波段圖（Kruse，1988）是利用連續統去除後的光譜圖像，定義出波段吸收中心位置圖像，波段深度圖像及波段半極值寬度（FWHM）圖像，並分別賦予HSI空間的明度（H）、強度（I）和飽和度（S），然後逆變換到RGB色度空間。代表性的方法還有光譜特征擬合（SFF）等。
光譜特征擬合（SFF，Spectral feature fitting）：光譜特征擬合是壹種基於光譜吸收特征的方法，使用最小二乘法技術將圖像中每壹個像元的光譜曲線與所選擇的參考光譜曲線的吸收特征進行擬合。是選擇包含目標礦物特定吸收譜帶的光譜區間，利用最小二乘擬合方法，比較像元光譜與目標光譜吸收特征的整體形態和吸收深度。該方法對噪音和地形有較好地抑制作用。
（2）基於相似性測度的識別技術方法
成像光譜最大的優勢在於利用有限細分的光譜波段，去再現像元對應物的光譜曲線。這樣，利用整個光譜曲線進行礦物匹配識別，可以在壹定程度上改善單個波形的不確定性影響（如光譜漂移、變異等），提高識別的精度（甘甫平等，2000）。基於整個波形的識別技術方法是在參考光譜與像元光譜組成的二維空間中，合理地選擇測度函數度量標準光譜或實測光譜與圖像光譜的相似程度。這類方法主要有光譜角制圖（SAM）技術、光譜二值編碼（Binary encoding）技術等。
（3）基於光譜知識模型識別的技術方法
基於光譜知識模型識別的技術方法是建立在壹定的光學、光譜學、巖礦結晶學和數學理論之上的信號處理技術方法。它不僅能夠克服利用單壹譜形識別所存在的缺陷，而且從地物光譜學原理入手、從本質上理解認識巖礦光譜的物理機制與物理過程，建立光譜數學物理模型，識別並定量提取巖礦信息。這在壹定程度上能精確地量化地表物質的組成及深入地描述地物組成的物理特性，以進壹步探測地物所蘊藏的成生環境本質。例如，建立在Hpake（1981）光譜雙向反射理論基礎之上的線性混合光譜分解模型（SMA/SUM），可以根據不同地物或者不同像元光譜反射率響應的差異，構造光譜線性分解模型，從而識別地物，量化地物成分，挖掘地物成生環境信息。
（4）基於地質統計特征的分類識別方法
該類方法是基於地物在圖像上的統計分布規律，建立地質模型進行圖像分類識別。比較典型的有（Ieohku，etal，1996），概率模型（Porbabilistic Model），幾何光學模型（Geomertic-optical Model），隨機幾何模型（Stochastic Geometric Model）及非參數地質統計模型（Non-paramertic GeostatisticTechnique）。
（5）基於光譜知識的智能識別方法
傳統的及上述的成像光譜識別方法利弊***存。對於高維與超大容量的成像光譜數據及大量的實驗室光譜研究結果等迫切要求新的高效的遙感定量分析技術。因此，專家系統、人工神經網絡、模糊識別等基於光譜知識的智能識別應運而生。神經網絡技術是應用最廣泛的識別技術（Gong，1996；Jimenez，et al.，1998；Benediktsson，et al.，1995；Garcia Haro，et al.，1998）。Goetting 和 Lyon（1986）建立壹個試驗性專家系統；Kruse等（1993）建立了基於知識的成像光譜礦物自動匹配制圖系統。以Dempster-Shafer證據理論為基礎格架的證據推理方法也得到了壹定程度的應用。基於光譜知識的智能識別技術方法與系統將是成像光譜遙感地物信息識別、提取與量化及實用化的最佳選擇與發展方向，極具潛力。
8.6.2 結果與分析
8.6.2.1 蛇紋石礦物的填圖及效果分析
對Hyperion反射率數據進行MNF變換，根據變換結果人工確定變換維數，利用像元純度指數（PPI）進行分析，根據n維光譜空間進行特征端元采集。運用光譜特征擬合的方法對端元波譜曲線進行波譜匹配，建立真實的波譜庫，如圖8.45所示。
圖8.45 蛇紋石波譜匹配圖
圖8.46 五種填圖方法結果對比
用前文簡述的常用五種方法提取蛇紋石的具體位置，並進行對比分析，填圖結果如圖8.46所示。
用SAM礦物填圖方法，可以快速提取端元采集出的所有地物，並用彩色分類影像來顯示，使人們很直觀地看出該礦物的分布範圍。
光譜特征擬合將為每個參照波譜輸出壹幅比例圖像和 RMS 圖像或壹幅合成的“擬合”圖像（Scale/RMS）。較高的擬合值表明該像元與參照波譜匹配較好。但是波譜特征擬合效果並不是很好，因為如果輸入了錯誤的參照端元或使用了錯誤的波長範圍，也會出現壹個遠遠大於1的比例值。
MTMF（混合調制匹配濾波）結果將以壹系列灰階圖像的形式出現，兩幅圖像對應壹個被選波譜。浮點型結果提供了像元與參照波譜相對匹配程度的估計方法（1.0表示完全匹配），以及亞像元的權重。不可行性（Infeasibility）值以sigma噪聲為單位，顯示了匹配濾波結果的可行性。用於準確制圖的像元有壹個大於背景分布值的較高的匹配濾波值和壹個較低的不可行性值。對得出的浮點圖進行密度分割等操作，也能很好的得出蛇紋石的分布範圍。
MF（匹配濾波結果）將以壹系列灰階圖像的形式出現，每幅圖像對應壹個選擇的端元。浮點型結果提供了像元與參照波譜相對匹配程度的估計方法（1.0表示完全匹配），以及亞像元的權重。對MF的結果圖做密度分割等操作，也可明顯地看出蛇紋石的分布範圍。
線性光譜分解的結果將以壹系列灰階圖像的形式出現，每幅灰階圖像加上壹個RMS誤差圖像對應於壹個端元。經過發現，此方法的提取效果並不是很好，噪聲較多。因此在實際應用中，並不建議使用此方法。
通過以上對比分析，發現SAM，MTMF，MF三種方法在本地區都比較適合蛇紋石這種礦物的填圖，只是MTMF，MF兩種方法還需對結果圖進行密度分割處理，稍顯繁復，但填圖效果良好。
8.6.2.2 白雲母礦物的填圖及效果分析
對Hyperion反射率數據進行MNF變換，根據變換結果人工確定變換維數，利用像元純度指數（PPI）進行分析，根據n維光譜空間進行特征端元采集。運用光譜特征擬合的方法對端元波譜曲線進行波譜匹配，建立真實的波譜庫（圖8.47）。因為隨著白雲母中Al含量的減少，Al-OH的譜帶位置逐漸向長波方向移動，所以可以分辨出貧鋁白雲母和富鋁白雲母的波譜曲線。
圖8.47 白雲母波譜匹配圖
用上述五種方法提取蛇紋石的具體位置，填圖結果如圖8.48所示。
經過以上五種填圖方法的對比分析發現，SAM填圖方法效果最佳，不僅明確填出白雲母礦物的範圍，而且避免了誤差引起的填圖錯誤。此外，對光譜特征擬合後的結果圖做密度分割等操作，所提取的礦物範圍也較好。因此，兩種方法均適合進行白雲母的礦物填圖。
8.6.2.3 綠簾石礦物的填圖及效果分析
對Hyperion反射率數據進行MNF變換，根據變換結果人工確定變換維數，利用像元純度指數（PPI）進行分析，根據n維光譜空間進行特征端元采集。運用光譜特征擬合的方法對端元波譜曲線進行波譜匹配，建立真實的波譜庫，如圖8.49所示。
用上述五種方法提取蛇紋石的具體位置，填圖結果如圖8.50所示。
經過以上五種填圖方法的對比分析，發現SAM填圖方法效果最好。但光譜特征擬合、MTMF和MF三種方法對綠簾石也有較好的顯示，對他們的結果圖做密度分割等操作，也能較好的提取出蛇紋石的範圍，因此，以上四種方法都適合蛇紋石礦物的提取填圖。
圖8.48 五種填圖方法結果對比
圖8.49 綠簾石波譜匹配圖
8.6.2.4 綠泥石礦物的填圖及效果分析
選取HyMap數據，選取USGS標準波譜庫中綠泥石的光譜曲線作為參考光譜。利用上面的方法提取綠泥石的具體位置，填圖結果如圖8.51所示。
8.6.2.5 多種礦物填圖情況
（1）HyMap數據1情況分析
依據地面區域地質資料，在HyMap反射率數據上選取典型的訓練樣區，利用這些訓練樣區提取五種礦物的分布位置。
SAM方法填圖：該方法需要設置閾值max angle threshod，通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比如下（圖8.52 ，圖5.3）。
Binary Encoding方法填圖：該方法需要設置壹個閾值minimum encoding threshod，通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比（圖8.54 ，圖8.55）。實驗發現富鋁白雲母（黃顏色圖例）在閾值設置為0.97和0.96時，分類效果變化非常大，由於軟件對該閾值的設定只支持小數點後2位，所以不能進壹步的精確，對比分析兩種閾值的分類效果，得出二進制編碼方法對富鋁白雲母的提取效果不是很好。
Minimun Distance（MD）方法填圖：該方法需要設置兩個閾值：Max stdev from Mean；Max Distance Error。通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比如圖8.56和圖8.57所示。
Spectral Information Divergence（SID）方法填圖：該方法需要設置閾值：Maximun Divergence Threshod。通過不同的嘗試，參數設置和填圖效果如下（圖8.58至圖8.60）。
（2）HyMap數據2情況分析
依據地面區域地質資料，在HyMap反射率數據上選取典型的訓練樣區，利用這些訓練樣區提取五種礦物的分布位置。
SAM方法填圖：該方法需要設置閾值max angle threshod，通過不同的嘗試，綠泥石與富鋁白雲母分布較廣，針對兩種閾值的設定情況對比如圖8.61所示。
最小距離填圖：最小距離填圖的參數設置及填圖效果差異如圖8.62和圖8.63所示。
（3）模擬數據情況分析
依據地面區域地質資料，在模擬的反射率數據上選取典型的訓練樣區，利用這些訓練樣區提取五種礦物的分布位置。
圖8.50 五種填圖方法結果對比
圖8.51 三種填圖方法結果對比
圖8.52 局部區域填圖效果
圖8.53 整體區域填圖效果
圖8.54 填圖效果1
圖8.55 填圖效果2
圖8.56 局部區域填圖效果截圖
圖8.57 整體區域填圖效果
圖8.58 不同閾值局部地區填圖效果
圖8.59 填圖效果（Threshold＝0.001）
圖8.60 填圖效果（Threshold＝0.005）
圖8.61 SAM 方法填圖
圖8.62 參數1下效果圖
圖8.63 參數2下效果圖
SAM方法填圖：該方法需要設置閾值max angle threshod，通過不同的嘗試，閾值的設定情況和填圖效果如圖8.64所示。
圖8.64 SAM 填圖效果
Binary Encoding方法填圖：該方法需要設置壹個閾值minimum encoding threshod，通過不同的嘗試，閾值的設定和填圖效果情況如圖8.65所示。多次試驗發現該方法對提取chlorite和chlorite＋serpentine的效果不是很理想。
圖8.65 填圖效果
Minimun Distance（MD）方法填圖：該方法需要設置兩個閾值：Max stdev from Mean；Max Distance Error。通過不同的嘗試，閾值的設定和填圖效果情況如圖（其中Max Distance Error＝2000 ，圖8.66）。
圖8.66 填圖效果
Spectral Information Divergence（SID）方法填圖：該方法需要設置閾值：Maximun Divergence Threshod。通過不同的嘗試，參數設置和填圖效果如圖8.67所示。
圖8.67 填圖效果（Threshold＝0.005）
8.6.2.6 礦物信息填圖結果分析
綜合前面的分析結果，開展了礦物信息提取結果圖，為了分析礦物信息填圖效果，搜集了前人對此試驗區（圖8.68）進行的礦物填圖結果（圖8.69）。
圖8.68 礦物信息研究的區域圖
圖8.69 前人的礦物提取結果填圖結果
為開展蝕變礦物識別精度分析，可對比研究區本次提取的蝕變礦物分布圖（圖8.70）與前人提取的蝕變礦物信息分布圖結果，逐像素進行對比（由於分辨率不同需做像素變換），如果研究區總的點數為N，本次與前人礦物分布圖的結論相同就認為該點取值1，最後統計結果中1的個數n，這樣蝕變礦物識別精度可定義為
高光譜遙感技術原理及礦產與能源勘查應用
對比分析本次礦物信息填圖結果和前人礦物信息的填圖結果，發現其結果並非完全壹樣。其中蛇紋石的填圖效果壹致性最高；綠簾石的分布範圍壹致，但本次數據的填圖結果顯示的範圍較大；白雲母的分布範圍基本壹致，但貧鋁白雲母和富鋁白雲母的分布範圍有些混淆，經過對比分析，本次數據和前人數據填圖範圍的壹致性達到89%，基本滿足高光譜數據的填圖要求。對出現誤差的主要原因分析如下：
1）前人數據是機載高光譜數據，空間分辨率可達到3～12m，此處的Hymap數據的空間分辨率為5m，而本次數據是模擬星載高光譜數據，空間分辨率為30m。隨著分辨率的降低，單個像元所對應的地面面積將增大，導致每個像元中包含更多的礦物類型，礦物間的影響性也會增加。壹方面，由於混合像元的平均效應，目標礦物在像元中的等效豐度會下降，光譜信息減弱。當像元中目標礦物的等效豐度下降到檢出限以下時，礦物將不能被識別，而造成礦物分布區的外圍含量較低的地段和含量較低分布區填繪面積的減少，點狀集群分布區的漏識別，線狀分布區的斷續分布。這種效應相當於檢出限的下降。另壹方面，當像元中目標礦物的等效豐度在檢出限以上時，會使面狀礦物分布區的範圍擴大、空洞的充填、相鄰小區的連接，點狀集群分布區的成片，線狀區域的斑點效應。這兩種效應的綜合作用結果，空間分辨率的減小則會使強異常區（包括高豐度區和光譜反襯度較高的礦物分布區）範圍的擴大、小區的相連、點群的結合，而使異常更加醒目，但其細節特征會因此消失；弱異常區（包括低豐度區和光譜反襯度較低的那些礦物分布區）和小異常區面積會縮小或漏檢；線狀異常可能會形成斷續分布的小斑塊而使線狀特征和其走向變得不清晰。因此，在填圖的細致程度上，分辨率越高的數據填圖效果越好，這是造成填圖效果差異的最主要的原因之壹。
圖8.70 本次試驗礦物信息提取填圖結果
2）輻射校正的精確程度。無論是高光譜成像儀還是傳統的多光譜傳感器，它們所記錄的數據都是地面觀測目標的反射或輻射能量的光譜輻射絕對值，與地物目標的光譜反射率或光譜輻亮度值是不壹致的。因此，輻射校正和光譜重建是地物識別不可缺少的環節。由於Hymap數據是機載高光譜數據，Hyperion數據是星載高光譜數據，對兩種數據進行輻射校正的參數也是不壹致的，因此，得出的反射率數據也是有差異的，這也是造成填圖差異的原因之壹。
總之，用本次數據進行礦物填圖是可行的，它可以在壹定程度上對礦物的種類及分布進行識別。