改进的信息散度法在蚀变矿物分类中的研究

秦飞龙 刘剑 颜文勇

摘  要： 为了有效获取待测光谱类型，采用信息散度匹配法对其进行分类处理。根据不同矿物具有不同的光谱特征曲线，建立不同矿物光谱曲线的标准光谱库，再采用信息散度法对待测矿物光谱与标准库中的光谱进行匹配，进而得出一种标准光谱库下的信息散度匹配法。采用该方法对实际光谱曲线进行分类处理，结果表明提出的方法能够有效对光谱曲线进行匹配，判别待测光谱所蕴含矿物类型，所得出的蚀变矿物类型与岩矿鉴定结果具有较高的吻合度，有利于提取蚀变矿物信息。

关键词： 信息散度法; 矿物光谱; 分类处理; 标准光谱库; 光谱匹配; 蚀变矿物

中图分类号： TN911.1?34; O29                     文献标识码： A                     文章编号： 1004?373X（2019）19?0098?05

Abstract： In order to identify the types of the spectrum under measurement effectively， the information divergence method is applied to classification of the measured spectra. The standard spectral library of different mineral spectral curves is set up according to different spectral characteristic curves of different minerals. The information divergence method is used to match the curves of the altered spectrum under measurement and the spectrum in the standard spectral library， so a new spectral information divergence method based on standard spectrum library is obtained. The new method is used to conduct the classification processing of the actual spectral curves. The results show that the proposed method can match the spectral curves effectively and identify the mineral types implied in the spectra under measurement. The altered mineral types got by the proposed method are consistent with the results of actual mineral identification， which is beneficial to the extraction of altered mineral information.

Keywords： information divergence method; mineral spectrum; classification processing; standard spectrum library; spectral matching; altered mineral

0  引  言

矿产资源是社会向前发展的基石，岩心高光谱是一种重要矿产资源勘查技术[1]，其找矿原理是在矿物的可见光短波红外、近红外波谱范围内，通过扫描不同矿物的岩心来获取不同矿物的光谱曲线，在此基础上选取合理的匹配方法来获取蚀变矿物及相应的矿物组合类型[2]。可见，选取合理的光谱匹配算法是进行岩心高光谱找矿的关键[3]。目前，实施的光谱匹配算法较多，但总体归纳为两种类型：一种是基于光谱波形特征峰位的匹配法和解混方法;另一种是诊断性光谱参数法[4]。其中，诊断性参数法又包括相对吸收深度图、IHS编码、吸收波段图等[2]，当矿物的光谱吸收峰不具备对称性时，相对吸收深度图匹配效果不理想，通过引入对称因子可以解决上述缺陷[2，5]。基于光谱波形特征匹配法和解混方法是通過物体固有的光谱曲线来识别对应的矿物，是应用较为广泛的矿物蚀变方法，该方法可以对某段波长范围内的光谱，也可以是全波长范围内的光谱进行分类匹配[6]。基于光谱波形吸收峰位的匹配方法有：光谱波形匹配法（SWM）[7]、光谱角度匹配法（SAM）、信息散度匹配法（SIDM）[8]、光谱相关系数匹配法（SCM）。其中，光谱信息散度法应用最为普遍，它利用待测光谱与目标光谱（标准光谱）波形上的相似性进行待测光谱分类[9]。然而实际获取的光谱曲线大多是不同岩心矿物的混合组合，从而不能完全蚀变出单一的矿物[2]。故本文提出一种有效的解决办法是在实际研究区尽可能选取包含矿区矿物的所有标准光谱曲线，进而建立标准光谱库，再通过待测光谱与标准光谱库中的标准光谱进行匹配，从而得出合理的蚀变矿物或蚀变矿物组合。

2  标准光谱库建立

标准光谱的建立首先需要确定研究区的矿物标准光谱曲线，然后将标准光谱曲线合成标准光谱库。而标准光谱曲线选取是否合理至关重要，如果选取不合理，就不能得出待测光谱归属于何种矿物类型。同种矿物的标准曲线由于所处地质环境不同，其吸收峰位与波形可能会有所差异。因此，矿物标准曲线的选取必须依赖其所在的实际地质环境，本文选取标准矿物光谱曲线的原理为：根据已勘察的钻孔柱状图资料对岩心中出现的相对纯净的大面积单一矿物进行样品选取，并将采集的样品咨询相关专家为何种矿物，将样品送与专门机构进行岩矿鉴定，进一步确定标样矿物类型，再通过光谱扫描仪获取矿物曲线，以USGS矿物标准曲线库为参照，从而得出研究区标准矿物曲线。本文选取的研究区为湖北大冶鸡冠咀铜金矿区。根据研究区的地质成矿规律和湖北地质局第一地质大队相关资料，得出鸡冠咀铜金矿区主要矿化类型、蚀变类型和典型矿物如表1所示。

因此本文以斜长石、透辉石、绿泥石、角闪石、钾长石、石英、石榴子石、白云石、方解石、黄铜矿、辉钼矿、黄铁矿12种矿物为标准矿物，再通过选取标准光谱曲线原理，借助ASD便携式光谱仪[2]获取12种矿物的波谱曲线，再选取与美国USGS标准光谱库中矿物曲线具有相同的波谱特征吸收峰位及波形特征，并且与岩矿鉴定结果吻合的光谱曲线作为标准波谱曲线，如表2所示。以方解石为例，光谱曲线选取完后，利用Matlab工具将标准矿物波谱曲线融合成标准光谱库，如图1所示，以供后续进行待测光谱匹配。

3  算法步骤

根据上述光谱信息散度法匹配原理和标准光谱库建立方案，对于研究区采集的任意待测光谱，就可以与标准光谱库的曲线进行匹配，得出蚀变矿物类型，具体步骤如下：

1） 根据研究区典型矿物类型，依据第2节标准光谱库建立原理构建实际矿区标准矿物光谱曲线库。

2） 读取研究区需要测定的待测光谱[Ti]（[i=1，2，…，n]）和标志光谱库中的光谱曲线数据[Rj]（[j=1，2，…，m]），其中，[n]表示待测光谱数据的个数，[m]表示参考光谱中的矿物个数。

3） 确定待测光谱和标准光谱的波段数是否相同，不相同需要重新获取标准光谱曲线，建立标准光谱库，使其与待测光谱曲线具有相同的波段数。

4） 根据信息散度匹配原理计算待测光谱[Ti]和标准光谱库中所有曲线的信息散度SIDM值。

5） 寻求待测光谱[Ti]（[i=1，2，…，n]）和所有标准光谱的最小SIDM值，简记为[Sij]（[j≤m-1]），当[Sij]小于实验给定的阈值[μ]，就可将待测光谱判给第[j]类曲线，从而确定出其对应的矿物类型。反之，待测光谱属于未知类。

6） 如果[i+14  实际数据处理

为了体现模型的处理效果，本文对实际光谱数据进行解释匹配处理。当标准光谱选取后，需要对研究区的待测岩心进行集中采集。为了使采集光谱的误差最小，采集过程中每种矿物在一定范围内采集5条波谱曲线，如图2所示，再对5条波谱曲线进行均值化处理，得到一条波谱曲线来代表该区域的岩石光谱，如图3所示。本文以34号勘探线ZK0342钻孔进行分析研究，通过本文构建模型得出ZK0342钻孔匹配结果如表3所示，并将ZK0342钻孔部分岩心进行岩矿鉴定，如表4所示，由表4构建的光谱匹配算法与岩矿鉴定结果，原柱状图岩心描述吻合。

5  结  论

本文得出了实际矿区标准礦物光谱曲线库建立方法，结合信息散度匹配法原理，进一步构建了基于标准光谱库下的信息散度匹配法，并将该方法对实际矿区矿物光谱曲线进行匹配分类处理，通过该方法对待测光谱进行蚀变的结果与原岩矿鉴定结果，原柱状图岩心描述吻合，匹配结果可靠。

参考文献

[1] MATHIEU M， ROY R， LAUNEAU P， et al. Alteration mapping on drill cores using a HySpexSWIR?320m hyperspectral camera： application to the exploration of an unconformity?related uranium deposit （Saskatchewan， Canada） [J]. Journal of geochemical exploration， 2017， 172： 71?88.

[2] 秦飞龙.原生晕地球化学和岩心高光谱粗糙集耦合建模与深部矿产预测研究：以湖北鸡冠咀铜金矿床为例[D].成都：成都理工大学，2017.

QIN Feilong. Coupling modeling of the primary halo geochemistry and the core hyperspectral with the rough set model and its studying in the prediction of deep mineral resources — take the Jiguanzui Cu?Au mineral deposit in Hubei as an example [D]. Chengdu： Chengdu University of Technology， 2017.

[3] LI Y S， XU J J， XIA R J， et al. Extreme?constrained spatial?spectral corner detector for image?level hyperspectral image classification [J]. Pattern recognition letters， 2018， 109（15）： 110?119.

[4] 张成业，秦其明，陈理，等.高光谱遥感岩矿识别的研究进展[J].光学精密工程，2015，23（8）：2407?2417.

ZHANG Chengye， QIN Qiming， CHEN Li， et al. Research and development of mineral identification utilizing hyperspectral remote sensing [J]. Optics and precision engineering， 2015， 23（8）： 2407?2417.

[5] 卢燕.高光谱矿物填图技术在金属矿产和油气勘查中的应用研究[D].北京：中国地质大学，2018.

LU Yan. Applications of hyperspectral mineral mapping in mineral and petroleum exploration [D]. Beijing： China University of Geosciences， 2018.

[6] 秦飞龙，郭科，柳炳利.高光谱遥感影像分类算法并行处理设计与实现[J].成都理工大学学报（自然科学版），2016，43（1）：119?123.

QIN Feilong， GUO Ke， LIU Bingli. Parallel design and realization of classification algorithm of hyperspectral remote sensing image [J]. Journal of Chengdu University of Technology （Science & technology edition）， 2016， 43（1）： 119?123.

[7] 孙娅琴，田淑芳，王兴振，等.基于光谱匹配的热红外高光谱数据岩性分类研究[J].现代地质，2016，30（1）：239?246.

SUN Yaqin， TIAN Shufang， WANG Xingzhen， et al. An improved lithological classification method for thermal infrared hyperspectral data based on spectral matching [J]. Geoscience， 2016， 30（1）： 239?246.

[8] 王春阳，张合兵，许志方，等.矩阵因子和信息散度融合的高光谱波段选择方法[J].遥感信息，2018，33（2）：26?32.

WANG Chunyang， ZHANG Hebing， XU Zhifang， et al. A new band selection method for herperspectral images based on matrix mode and spectral information divergence [J]. Remote sensing information， 2018， 33（2）： 26?32.

[9] 彭建，徐飞雄，邓凯，等.琅琊山景区不同叶绿素条件下树种叶片光谱差异分析[J].光谱学与光谱分析，2018，38（6）：1839?1849.

PENG Jian， XU Feixiong， DENG Kai， et al. Spectral differences of tree leaves at different chlorophyll relative content in Langya mountain [J]. Spectroscopy and spectral analysis， 2018， 38（6）： 1839?1849.

[10] 刘万军，杨秀红，曲海成.基于光谱信息散度与光谱角匹配的高光谱解混算法[J].计算机应用，2015，35（3）：844?848.

LIU Wanjun， YANG Xiuhong， QU Haicheng. Hyperspectral unmixing algorithm based on spectral information divergence and spectral angle mapping [J]. Journal of computer applications， 2015， 35（3）： 844?848.

[11] CHENG W W， SUN D W， PU H B， et al. Characterization of myofibrils cold structural deformation degrees of frozen pork using hyperspectral imaging coupled with spectral angle mapping algorithm [J]. Food chemistry， 2018， 23（15）： 1001?1008.

[12] 王泓鹏，万雄.基于植物油可见吸收光谱的相关系数鉴别特级初榨橄榄油[J].光谱学与光谱分析，2018，38（9）：2814?2819.

WANG Hongpeng， WAN Xiong. Distinguishing extra virgin olive oil based on the correlation coefficient of visible absorption spectrum of vegetable oil [J]. Spectroscopy and spectral analysis， 2018， 38（9）： 2814?2819.

[13] 申金媛，李航，刘润杰，等.基于相关系数的有效特征光谱筛选方法[J].郑州大学学报（理学版），2017，49（3）：28?31.

SHEN Jinyuan， LI Hang， LIU Runjie， et al. Screening the effective spectrum features based on correlation coefficient [J]. Journal of Zhengzhou University （Natural science edition）， 2017， 49（3）： 28?31.

[14] 张正勇，沙敏，桂冬冬，等.基于移动窗口相关系数光谱法的白酒品牌快速判别技术研究[J].光谱学与光谱分析，2017，37（10）：3122?3126.

ZHANG Zhengyong， SHA Min， GUI Dongdong， et al. Research on the rapid discrimination technology of the Chinese liquor brands based on the moving window correlation coefficient spectral method [J]. Spectroscopy and spectral analysis， 2017， 37（10）： 3122?3126.