高光谱遥感岩矿识别方法对比研究

刘汉湖，杨武年，杨容浩

(1.成都理工大学地质灾害防治与地质环境保护国家重点实验室，四川成都 610059;2.成都理工大学国土资源部地学空间信息技术重点实验室，四川成都 610059)

1 引言

高光谱遥感是当今国内外遥感领域，特别是遥感地质界重点研究和发展的高科技应用技术之一。传统的多光谱遥感由于波谱分辨率有限，难以区分地物独特而丰富的波谱信息(邹林等，2006;杨自安等，2009;杨长保等，2009)。20世纪80年代以来，高光谱遥感技术在地质找矿、地物波谱信息提取等方面做了大量工作，取得了许多成果(王晋年等，1996;刘圣伟等，2006;甘甫平等，2007;王润生等，2007;王润生等，2010;童庆禧等，2010)。研究表明，利用纳米级的高光谱遥感数据提取成矿地质体、岩石与矿物的标识性光谱信息已成为可能。本文在高光谱遥感数据处理基础上，开展了岩矿分类识别方法的实验分析。

2 研究区及数据情况

Cuprite矿区位于美国内华达州 Esmeralda County，Goldfield镇南约15km处，95号高速公路北西－南东向贯穿全区。主要出露岩层有寒武系沉积岩和变沉积岩、第三系火山岩和第四系冲积层。其中第三系火山岩热液蚀变广泛，在95号公路两边形成两个南北向拉长的蚀变区，明显可分为硅化带、蛋白石化带和泥化带(图1)。硅化区主要蚀变矿物为石英和少量的方解石、明矾石和高岭石;蛋白石化带分布广泛，主要为明矾石、浸染状蛋白石、方解石置换的蛋白石和高岭石;泥化带主要有高岭石、蒙脱石和少量由火山玻璃生成的蛋白石(Abrams et al.，1980)。研究区从20世纪70年代起就成为地质研究的重要实验区，国内外学者使用该地区AVIRIS高光谱遥感影像主要开展了岩矿波谱特征及其类别的识别算法研究，取得良好的效果(Resmini et al.，1997;Abrams et al.，1980;甘甫平等，2004)。但前人的研究重在对于算法本身及其效果的评价，特点是研究算法的深度大，精度评价依据依赖于典型离散点。本文拟通过较为系统的分类识别方法研究，开展基于面域的精度评价。

本次使用的数据来源于机载可见光－红外成像光谱仪(Airborne Visible Infrared Imaging Spectrometer －AVIRIS)，该数据在 0.4μm ～2.45μm 的波长范围获取224个连续的波谱波段图像(图2)。波段宽度10nm，数据成像时间为1997年6月19日，空间分辨率20m，空间范围为西经 117°10'～117°14'，北纬 37°31'～37°34'。获取地址为“http://aviris.jpl.nas a.gov/html/aviris.freedata.html”。图像为辐射能量数据，单位为uW/(cm2·nm·sr)。

图1 Cuprite矿区蚀变分布图(据Ashley et al.修改，1980)Fig 1 Map showing mineral alteration in the Cuprite ore district(modified from Ashley et al.，1980)

图2 研究区AVIRIS高光谱遥感图像Fig.2 Hyperspectral remote sensing image of AVIRIS in the study area

3 高光谱遥感数据处理

根据研究区AVIRIS数据特点，总结本次数据处理技术流程如图3。图3中，监督分类中要求有训练样区的方法需要开展野外调查工作，以探测特定的目标特性，这种情况下，要求野外调查和遥感图像与野外图件的精确配准，一般不需要大气校正;而用地面或实验室波谱为参照，与像元波谱比较来识别地物特性，大气校正绝对必要，成像光谱岩矿识别填图的技术方法大都是这一类。

对于高光谱遥感数据的处理，主要是通过MNF变换(王爱云等，2011)，进行特征波段的选择，而后经过二维散点图和三维散点图可以选择出较纯净的端元，这些纯净像元通过波谱分析可以识别出类型，同时，这些端元在高光谱遥感图像上位置是可以确定的，因此，这些与端元对应的像元及其光谱曲线完全可以作为已知的训练样区和样本波谱，为后面的岩矿识别提供依据。

图3 研究区AVIRIS数据处理流程图Fig.3 Flow chart of the AVIRIS data processing for the research area

4 高光谱遥感数据识别方法

图像预处理与波谱处理的目的是为图像信息分析与解译提供一个良好的基础数据源。而图像信息提取其本质也是对地物进行识别，这也是本文研究的最终目的。关于识别方法，根据有无先验类别样本可以分两大类别。

一是非监督分类，它是在没有先验类别知识的情况下，根据图像本身的统计特征及自然点群的分布情况，来划分地物类别的分类处理。非监督分类方法是依赖图像的统计特征作为基础的，它不需要具体地物的已知知识。采用非监督分类还可以更好的获得目标数据内在的分布规律。非监督分类方法有贝叶斯学习、最大似然度分类以及聚类。无监督的贝叶斯方法和最大似然度方法与有监督的贝叶斯学习以及最大似然度方法基本相同，唯一的区别在于无已知类别的样本可供参考。

二是监督分类，根据监督分类面向对象来看，又可以划分为传统的适合于多光谱图像的分类方法和面向高光谱遥感图像地物波谱特征的分类方法。前者是一种精度较高的统计判别分类法，在已知类别的训练场地上提取各类训练样本，通过选择特征变量，确定判别函数或判别规则，从而把图像中的各个像元点划归到各个给定类的分类方法。后者主要是基于地物波谱波形，通过比较图像未知波谱和参考波谱(实验室、野外或已有标准波谱)的相似度来识别和分类。

一般来说，非监督分类只是提供一个研究区地物的大体类别，为我们选择样本提供一个借鉴，实际应用中，效果不佳。而常用到的是监督分类法，因此，本文仅对后者进行实验研究。

4.1 传统分类方法

传统监督分类主要应用于波段数目少的多光谱遥感图像，高光谱遥感图像由于其波段过多而不能直接应用于监督分类，一般采用的方法是对高光谱遥感图像进行波段选择或者特征提取，在尽量保持信息不损失或者少损失的情况下，降低图像波段数目，论文中正是采用特征提取方法，将高光谱遥感图像进行MNF变换，采用前10个波段进行监督分类。

对于传统的监督分类，一般要经过这样几个步骤:A选择特征波段;B选择训练区;C选择或构造训练分类器;D对分类精度进行评价。传统监督分类方法有:平行六面体分类法(Parallepiped)、欧氏距离分类法(Euclidean distance)、马氏距离分类法(Mahalanobis distance)、最大似然分类法(Maximum Likelihood)(彭正林等，2011;)、支持向量机分类法(support vector machine)(傅文杰等，2006;许将军等，2006)，分类图见图4(a)－图4(e)。

4.2 基于波谱特征的分类识别

由于传统统计分类法没有考虑地物波谱特征和混合像元问题，往往造成分类中的混分和漏分，同时也无法反映地物分类的真实性。为了解决这个问题，论文中采用了基于波谱特征的分类方法，波谱角分析法(SAM)、波谱特征拟合(SFF)、波谱匹配滤波(SMF)、线性波谱解混(LSU)(燕守勋，2004;田丰，2010;陈勇敢等，2011)，同时采用了规则分类法进行类别重组，分类图见图5(a)－图5(d)。基于波谱特征的方法是通过研究两个波谱曲线的相似度来判断地物的归属类别。它是由已知地物类型的反射波谱，通过波形或特征匹配比较来达到识别地物类型的目的(甘甫平等，2003;张宗贵等，2003)。

5 识别精度对比分析

遥感图像分类结果的评价主要有2种方法。一种是基于像素的评价，即选取一定的检验样本，通过与真实地物图比较，获得对分类结果的估计，这种方式一般是通过混淆矩阵实现;另外一种是基于特征的评价，分别对各类别或者类别内部的图像特征与真实特征进行比较，通过特征的各属性域的差异，获得对精度的评价。论文中采用的分类方法都是基于波谱信息的逐个像素的运算，因此在进行精度分析时利用第一种方法。

本文将各类分类法(包括平行六面体分类法、马氏距离分类法、欧氏距离分类法、最大似然分类法、支持向量机分类法、波谱角度制图、光谱特征拟合分类、波谱匹配滤波分类、波谱线性分解分类法)得到的成果图像与研究区参考分类图(图6)进行了分类精度的计算。相关计算的见表1，表2。

图4 (a)平行六面体法分类结果;(b)欧氏距离法分类结果;(c)马氏距离法分类结果;(d)最大似然法分类结果;(e)SVM分类结果图Fig.4 (a)－Classification results of the parallel hexahedron method;(b)－Classification results of the euclidean distance method;(c)－classification results of the markov distance method;(d)－Classification results of the maxi mum likelihood method;(e)－Classification results of the support vector machine method

图5 (a)SAM分类结果;(b)SMF分类结果;(c)SFF分类结果;(d)波谱线性分离分类结果Fig.5 (a)－Classification results of the spectral angle analysis;(b)－Classification results of the spectrum matching filter;(c)－Classification results of spectral feature fitting;(d)－Classification results of linear Spectral Unmixing

表1 不同岩石和矿物各种分类方法的精度Table 1 Accuracies of different classification methods for varied rocks and ores

表2 各分类法计算的总分类精度Table 2 Total classification accuracy of all classification methods

表1为各类岩矿在不同分类方法中的精度，从中可以看出，明矾石、云母、方解石、凝灰岩、水铵长石这五类岩矿在各方法获取的分类结果中，其精度普遍较高，从这些岩矿的空间位置分布上来看，它们都具有一个共同的特点，即分布的集中性，这一特点在一定程度上减少了相邻地物的波谱干扰，相应的提高了岩矿地物的纯度，保证了岩矿波谱的统一性，同时，这五类岩矿在2～2.5μm之间都有自己独特的波谱特征，这也是岩矿分类精度高的一个原因。其它三类岩矿(高岭石、石英、蒙脱石)分类精度普遍较低，原因各自不同。高岭石和蒙脱石本身在2～2.5μm之间是具有独特的波谱特征的，但从波谱分离成果图和USGS提供的分类图来看，二者在研究区内与其它岩矿混合较多，大大影响了高岭石和蒙脱石的分类精度，而石英在2～2.5μm之间没有明显而独特的波谱特征，因此，分类精度也较低。

图6 参考分类图(据Ashley et al.修改，1980)Fig.6 Reference classification image(modified from Ashley et al.，1980)

表2为各分类法计算的总分类精度，从分类方法上可以归为三类，一是传统分类法(PC、EMDC、MDC、MLC)，这四类方法中，PC分类精度最低，其它三类方法分类精度相差不大。二是基于统计学理论上的SVM，本次经过多次实验，获取的分类结果精度较高，本方法受参数影响较大，目前还没有指导参数设置的相关理论，需要进一步研究。三是基于波谱特征的分类法，这些方法中，以SFF分类法精度最高，且地物独特的波谱特征越明显越好。这些基于波谱特征分类的方法，其精度很大程度上决定于分类过程中参数的设置，如SAM中对最小角度阀值的设置。总的来看，基于支持向量机方法获取的分类数据和基于波谱特征的分类识别方法获取的分类数据其精度普遍高于传统分类法获取的分类数据。

6 结论

本文在高光谱遥感图像处理基础上，对基于像元统计和基于波谱特征的有关岩矿分类识别方法进行了对比研究。研究成果表明:从单个岩矿分类精度来看，分布越集中，诊断性波谱特征越明显，分类精度越高。从分类方法来看，依据分类精度从低到高，可以归为三类，一个是传统分类法(PC、EMDC、MDC、MLC)，二是基于统计学理论上的SVM，三是基于波谱特征的分类法。这些方法中，以SFF分类法精度最高，且地物独特的波谱特征越明显越好。

Ashley R P.，Abrams M J.1980.Alteration mapping using multispectral images — Cuprite Mining District，Esmeralda County，Nevada［R］.U.S.Geological Survey Open File Report:80 －367

Chen Yong－gan，Han Xian －ju，Zhang Hui－yu，Wang Mei－juan，Tang Yuan － yuan，Fu Yang，Chang Chun － jiao.2011.Extracting remote sensing alteration information from areas with various covers based on decomposition of mixed pixels:An example of the Zhaishang gold mine in Min County of Gansu Province［J］.Geology and Exploration，47(6):1171 －1176(in Chinese with English abstract)

Fu Wen － jie，Hong Jin － yi，Zhu Gu － chang.2006.Extracting altered and mineralized rock information from remote sensing image based on support vector machines and spectral similarity scale［J］.Geology and Exploration，42(2):69 －73(in Chinese with English abstract)

Gan Fu － ping，Wang Run － sheng.2007.The application of the hyperspectral imaging technique to geological investigation［J］.Remote Sensing for Land and Resources，(4):57 －62(in Chinese with English abstract)

Gan Fu － ping，Wang Run － sheng.2004.The basis of mineral information extraction and technology research using remote sensing［M］.Beijing:Geological Publishing rlouse:15－50(in Chinese)

Gan Fu － ping，Wang Run － sheng，Ma Ai－ na i.2003.Spectral identification tree(sit)for mineral extraction based on spectral characteristics of minerals［J］.Earth Science Frontiers，10(2):445 － 454(in Chinese with English abstract)

Liu Sheng － wei，Gan Fu － ping，Yan Bo － kun，Yang Su － ming.2006.Application of the imaging spectroscopic technique in mineral identification and mapping［J］.Geology in China，(2):178 － 186(in Chinese with English abstract)

Peng Zheng － lin，Mao Xian － cheng，Liu Wen － yi，He Mei－ xiang.2011.Method for classification of remote sensing images based on multiple classifiers combination［J］.Remote Sensing for Land and Resources，(2):19 －25(in Chinese with English abstract)

Resmini R G.1997.Mineral mapping with hyperspectral digital Imagery collection experiment sensor data at Cuprite，Nevada，USA，Nevada，USA［J］.International Journal of Remote Sensing，18(7):1553 －1570

Tian Feng，Dong Li－ na，Yang Su － min，Wang Run － sheng.2010.Application of combined spectra of mixed minerals to mapping altered minerals:A case study in the Yunnan region based on hyperion data［J］.Geology and exploration，46(2):331 － 337(in Chinese with English abstract)

Tong Qing － xi，Xue Yong － qi，Wang Jin － nian，Zhang Li－ fu，Fang Jun－yong，Yang Yide，Liu Xue，Qi Hong － xing，Zheng Lan － fen，Huang Chang－ ping.2010.Development and application of the field imaging spectrometer system［J］.Journal of Remote Sensing，14(3):416－422(in Chinese with English abstract)

Wang Jin － nian，Zheng Lan － fen，Tong Qing － xi.1996.The spectral absorption identification model and mineral mapping by imaging spectrometer data［J］.Journal of Remote Sensing，11(1):20 － 31(in Chinese)

Wang Run － sheng，Yang Su － ming，Yan Bai－ kun.2007.A review of mineral spectral methods and models with imaging spectrometer I-dentification［J］.Remote Sensing for Land and Resources，71(1):1－9(in Chinese with English abstract)

Wang Run － sheng，Gan Fu － ping，Yan Bo － kun，Yang Su － ming，Wang Qing－hua.2010.Hyperspectral mineral mapping and its application［J］.Remote Sensing for Land and Resources，(1):1 － 13(in Chinese with English abstract)

Wang Ai－ yun，Wang An － jian，Li Li－ hui.2011.Mapping mineralogical alteration using MNF transfrom and mineral in vegetated areas［J］.Geology and Exploration，47(4):710 － 718(in Chinese with English abstract)

Xu Jiang － jun，Zhao Hui.2006.Picking up character and classification of the hyper－spectral remote sensing image based on DCT and SVM［J］.Journal of Jiamusi University(Natural Science Edition)，24(4):468－475(in Chinese with English abstract)

Yang Zi－an，Peng Sheng － lin，Zhu Gu － chang，Zhang Yuan － fei，Shi Fei－ fei.2009.Study on alteration information and disturbance factors in multi－ spectrum remote sensing images［J］.Geology and Exploration，45(1):46 －51(in Chinese with English abstract)

Yang Chang － bao，Jiang Qi－ gang，Zhu Qun，Liu Bin.2009.Altered minerals discriminating using ASTER data at low vegetation cover area［J］.Geology and Exploration，45(6):761 － 766(in Chinese with English abstract)

Yan Shou － xun，Zhang Bing，Zhao Yong － chao，Zheng Lan － fen，Tong Qing － xi.2004.Summarizing the technical flow and main approaches for discrimination and mapping of rocks and minerals using hyperspectral remote sensing［J］.Remote Sensing Technology and Application，19(1):52 －63(in Chinese with English abstract)

Zhang Zong － gui，Wang Run － sheng，Guo Xiao － fang.2003.Mineral recognition method by spectrometry remote sensing based on material spectral characteristics［ J］.Earth Science Frontiers，(2):435 －443(in Chinese with English abstract)

Zou Lin，Yang Zi－ an，Zhu Gu － chang，Wu De － wen，Xiang Ai－ qin.2006.New Method of Alteration Information Extraction from Multi－Spectrum Remote Sensing Data［J］.Geology and exploration，42(6):71－76(in Chinese)

［附中文参考文献］

邹林，杨自安，朱谷昌，吴德文，相爱芹.2006.多光谱遥感蚀变信息提取新方法研究［J］.地质与勘探，42(6):71－76

杨自安，彭省临，朱谷昌，张远飞，石菲菲.2009.多光谱遥感图像中蚀变信息及干扰因素的分析研究［J］.地质与勘探，45(1):46－51

杨长保，姜琦刚，朱群，刘斌.2009.浅覆盖区基于ASTER数据的蚀变矿物识别方法［J］.地质与勘探，45(6):761－766

王晋年，郑兰芬，童庆禧.1996.成象光谱图象光谱吸收鉴别模型与矿物填图研究［J］.遥感学报，11(1):20－31

刘圣伟，甘甫平，闫柏琨，杨苏明.2006.成像光谱技术在典型蚀变矿物识别和填图中的应用［J］.中国地质，2:178－186

甘甫平，王润生.2007.高光谱遥感技术在地质领域中的应用［J］.国土资源遥感，(4):57－62

甘甫平，王润生.2004.遥感岩矿信息提取基础与技术方法研究［M］.北京:地质出版社:15－50

王润生，杨苏明，阎柏琨.2007.成像光谱矿物识别方法与识别模型评述［J］.国土资源遥感，71(1):1－9

王润生，甘甫平，闫柏琨，杨苏明，王青华.2010.高光谱矿物填图技术与应用研究［J］.国土资源遥感，(1):1－13

童庆禧;薛永祺，王晋年，张立福，方俊永，杨一德，刘学，亓洪兴，郑兰芬，黄长平.2010.地面成像光谱辐射测量系统及其应用［J］.遥感学报，14(3):416－422

王爱云，王安建，李丽辉.2011.基于最大噪声分量变换(MNF)和矿物标识的植被区蚀变信息提取［J］.地质与勘探，47(4):710－718

彭正林，毛先成，刘文毅，何美香.2011.基于多分类器组合的遥感影像分类方法研究［J］.国土资源遥感，(2):19－25

傅文杰，洪金益，朱谷昌.2006.基于光谱相似尺度的支持向量机蚀变信息提取［J］.地质与勘探，42(2):69－73

许将军，赵辉.2006.高光谱遥感图像特征提取及分类研究——基于离散余弦变换(DCT)及支撑向量机技术［J］.佳木斯大学学报(自然科学版)，24(4):468－475

陈勇敢，韩先菊，张慧玉，王美娟，汤媛媛，傅扬，常春郊.2011.基于混合像元分解提取多种类覆盖区遥感蚀变信息——以甘肃省岷县寨上金矿区为例［J］.地质与勘探，47(6):1171－1176

田丰，董丽娜，杨苏明，王润生.2010.混合矿物组合光谱在蚀变矿物填图中的应用—以云南香格里拉地区Hyperion数据［J］.地质与勘探，46(2):331－337

燕守勋，张兵，赵永超，郑兰芬，童庆禧，杨凯.2004.高光谱遥感岩矿识别填图的技术流程与主要技术方法综述［J］.遥感技术与应用，19(1):52－63

甘甫平，王润生，马蔼乃.2003.基于特征谱带的高光谱遥感矿物谱系识别［J］.地学前缘，10(2):445－454

张宗贵，王润生，郭小方.2003.基于地物光谱特征的成像光谱遥感特征的识别方法［J］.地学前缘，(2):435－443