專利名稱：一種高光譜礦物填圖方法
技術(shù)領(lǐng)域：
本發(fā)明涉及高光譜遙感地學(xué)應(yīng)用領(lǐng)域，具體的說(shuō)是一種應(yīng)用于在未知先 驗(yàn)信息的條件下實(shí)現(xiàn)高光i普礦物填圖的方法。
背景技術(shù)：
高光語(yǔ)成像儀是一種新型的遙感載荷，其光譜具有緊密、連續(xù)的特點(diǎn)， 可以同時(shí)記錄被測(cè)同 一地物的光譜和空間信息特征，使本來(lái)在寬波段遙感中 不可能探測(cè)的物質(zhì)在高光譜遙感中能被探測(cè)到，目前，國(guó)內(nèi)外發(fā)展的地物光 譜識(shí)別模型從本質(zhì)上可以分為以下三種模型(1 )基于光i普吸收譜帶參量 的模式識(shí)別模型；(2)基于重建光譜與參考光譜相似性度量的光語(yǔ)匹配模 型；(3)基于礦物學(xué)、光語(yǔ)學(xué)、光學(xué)等知識(shí)的智能識(shí)別模型。由于波譜重 建過(guò)程中的誤差、化學(xué)成分和晶體結(jié)構(gòu)的微小改變、光譜混合、以及光照等 環(huán)境因素的影響，這些影響因素容易使重建光譜以及礦物識(shí)別所使用的波語(yǔ) 參量發(fā)生變化，因此，不僅會(huì)降低對(duì)礦物的鑒別能力，增大礦物識(shí)別的不確 定性，而且使識(shí)別的靈敏度大為降低。同時(shí)，由于受光譜混合影響、數(shù)據(jù)庫(kù) 不全、專家經(jīng)驗(yàn)不足以及光鐠學(xué)與數(shù)學(xué)理論不成熟等方面的限制，智能識(shí)別 模型在進(jìn)行礦物識(shí)別是會(huì)產(chǎn)生混淆和誤判的現(xiàn)象。
獨(dú)立成分分析(Independent Component Analysis, ICA)是近幾年才 發(fā)展起來(lái)的一種基于信號(hào)高階統(tǒng)計(jì)特性的分析方法，該方法的目的是將觀察 得到的數(shù)據(jù)進(jìn)行某種線性分解，使其分解成統(tǒng)計(jì)獨(dú)立的成分。正是由于這一 特點(diǎn)，使ICA在信號(hào)處理領(lǐng)域受到了密切的關(guān)注，隨著近年來(lái)在ICA方面 研究興趣的增加，使它在遙感等許多領(lǐng)域也有了非常廣泛的應(yīng)用。
匹配濾波技術(shù)先前用于混合背景中進(jìn)行已知信號(hào)的提取，特別是在無(wú)線 電和雷達(dá)應(yīng)用中。該技術(shù)主要是在未知背景信號(hào)的情況下，通過(guò)優(yōu)化線性檢
測(cè)器最大化已知信號(hào)，實(shí)現(xiàn)抑制背景、增加目標(biāo)與背景的可分性?；旌险{(diào)制 匹配濾波方法是結(jié)合了線性光i普混合模型和匹配濾波模型優(yōu)點(diǎn)的復(fù)合算法。 它綜合了匹配濾波不需要其它背景端元光語(yǔ)的優(yōu)點(diǎn)和線性混合分解的像元 中各端元的含量為正且總和為1的約束條件。

發(fā)明內(nèi)容
針對(duì)高光譜數(shù)據(jù)在地學(xué)應(yīng)用中由于光語(yǔ)混合、地質(zhì)條件差異等造成的光 譜特征不確定以及先驗(yàn)知識(shí)不足和獲取困難等問(wèn)題，提出了基于獨(dú)立成份分 析和混合調(diào)制匹配濾波的高光語(yǔ)數(shù)據(jù)礦物識(shí)別方法。該方法有效地避免了先 驗(yàn)知識(shí)不足、光譜特征不確定等問(wèn)題的限制，提高了礦物檢出限和礦物填圖 精度。
本發(fā)明的技術(shù)解決方案為以基于獨(dú)立成分分析的算法實(shí)現(xiàn)無(wú)先驗(yàn)信息 的高光譜礦物端元提取，以基于混合調(diào)制匹配濾波的方法實(shí)現(xiàn)礦物填圖，其 中，以基于數(shù)據(jù)四階累積量一峰度的模型進(jìn)行非高斯性的度量。具體步驟如 下
(1) 讀取觀測(cè)得到的數(shù)據(jù)X;
(2) 建立ICA模型X=AS;
(3) 對(duì)Z進(jìn)行中心化和球化處理；
(4) 初始化分離矩陣W;
(5) 計(jì)算獨(dú)立成份信號(hào)S的估計(jì)值Y=WTX，并進(jìn)行基于峰度的非高斯性 度量；
(6) 算法終止條件判斷如果滿足終止條件，則算法結(jié)束，執(zhí)行步驟 (9);否則繼續(xù)算法；
(7) 更新分離矩陣W,計(jì)算獨(dú)立成份信號(hào)S的估計(jì)值Y=WTX,并進(jìn)行基 于峰度的非高斯性度量；
(8) 迭代次數(shù)增加l,執(zhí)行步驟(6);
(9) 結(jié)束迭代運(yùn)算，得到混合矩陣A-W—1,并計(jì)算獨(dú)立成份信號(hào)S=Y;
(10)采用數(shù)據(jù)三階累積量^f扁度的平方k〗進(jìn)行獨(dú)立成份排序；
(11 )提取礦物端元；
(12) 將高光譜數(shù)據(jù)進(jìn)行最小噪聲變換處理；
(13) 將進(jìn)行步驟(12)處理的端元光譜作為混合調(diào)制匹配濾波的輸入， 并在滿足獨(dú)立成分含量為正且和為1的約束條件下，實(shí)現(xiàn)礦物含量 估計(jì)和空間分布；
(14) 得到礦物組分含量填圖結(jié)果。


圖1為本發(fā)明實(shí)現(xiàn)高光譜數(shù)據(jù)礦物填圖的流程圖。 圖2為混合調(diào)制匹配濾波原理示意圖。
圖3為本發(fā)明方法提取的礦物端元光譜，其中，(a)富鋁絹云母礦物 端元光譜，(b)為貧鋁絹云母礦物端元光譜，(c)為高嶺石化礦物端元光 譜，(d)為綠泥石化礦物端元光譜。
圖4為本發(fā)明實(shí)現(xiàn)高光譜礦物填圖的結(jié)果，其中，(a)高嶺石化礦物， (b)富鋁絹云母礦物，(c)貧鋁絹云母礦物，(d)綠泥石化礦物。
具體實(shí)施例方式
如圖1所示，本發(fā)明的具體實(shí)施方法如下
1.基于峰度的ICA模型建立
ICA是一種產(chǎn)生統(tǒng)計(jì)獨(dú)立成分的多元變量數(shù)據(jù)分析方法，在利用其進(jìn)行 地物分類時(shí)，每一類別作為獨(dú)立成分表示出來(lái)，因此得到了類別的可分離性 最大化。設(shè)觀測(cè)信號(hào)J^[x,，x2,…,xJ是m維的隨機(jī)向量，源信號(hào)S^[^&,…Af
是"維的獨(dú)立隨機(jī)向量，混合矩陣^為mxn維非奇異矩陣，則它們的線性組
合可以描述為
l =必 (1 )
(1)式稱為ICA模型。ICA的實(shí)質(zhì)是在源信號(hào)s和混合矩陣^未知的 情況下，根據(jù)已知的觀測(cè)信號(hào)X利用源信號(hào)S的統(tǒng)計(jì)特性，確定分離矩陣『，
使y-『Z，且滿足7 =[少1,}2,...,乂/的各個(gè)變量之間盡可能的相互獨(dú)立，則y就 是S的 一 個(gè)估計(jì)，同時(shí)可以確定混合矩陣j =『-'。
在估計(jì)ICA模型中利用的主要方法有非高斯性的最大化，互有信息的最 小化和4及大似然估計(jì)。由統(tǒng)計(jì)-論中的中心-，及限定理 一組獨(dú)立隨 〖幾變量和的 分布比任何源信號(hào)更接近于高斯分布，因此，可以將非高斯性作為隨機(jī)信號(hào) 相互獨(dú)立的度量。根據(jù)這一定理，本發(fā)明中采用非高斯性的最大化估計(jì)ICA 模型，利用四階累積量一峰度(Kurtosis)進(jìn)行非高斯性的度量，這主要是 因?yàn)榉宥仍诶碚摵陀?jì)算上都非常的簡(jiǎn)單，且易于實(shí)現(xiàn)。隨機(jī)變量y的峰度定 義為
=3(￡{/})2 (2) 對(duì)于一個(gè)高斯分布的隨機(jī)變量而言，它的峰度等于"0"，但是對(duì)于大 多數(shù)的非高斯隨機(jī)變量來(lái)說(shuō)，峰度不等于"0"。由于峰度有正有負(fù)，因此， 非高斯性的測(cè)量一般利用峰度的絕對(duì)值或是平方，值為"0"的是高斯變量， 大于"0"的是非高斯變量。
2. 數(shù)據(jù)的中心化、球化
采用的是最大化非高斯性進(jìn)行估計(jì)ICA模型，采用峰度作為非高斯性的 度量方法的前提假設(shè)條件隨機(jī)變量零均值，同時(shí)滿足￡{;;/} = /。因此需要 對(duì)待處理的信號(hào)變量以及遺傳操作的每一代信號(hào)變量進(jìn)行中心化和球化處 理，中心化的目的是保證隨機(jī)變量零均值，中心化后的信號(hào)由觀測(cè)信號(hào)Z減 去Z的均值得到；球化的目的是保證隨機(jī)變量滿足￡{"7'} = /條件，球化處理 由主成份分析(Principal Component Analysis, PCA)算法實(shí)現(xiàn)。
3. 獨(dú)立成分排序
應(yīng)用本發(fā)明涉及的基于量子遺傳算法的ICA進(jìn)行高光譜地物精細(xì)分類 時(shí)，為了獲得含有所感興趣目標(biāo)信息，需要對(duì)所獲得的獨(dú)立成份進(jìn)行排序。 采用的排序指標(biāo)是k;,其中，^表示數(shù)據(jù)的三階累積量一偏度(skewness)。 因?yàn)槠饶軌蛑苯臃从掣吖庾V數(shù)據(jù)中目標(biāo)與背景在光譜空間上的偏離程度。
4. 混合調(diào)制匹配濾波
匹配濾波通過(guò)最大化已知端元波譜信號(hào)，壓制未知復(fù)合背景的響應(yīng)信號(hào) 實(shí)現(xiàn)端元波譜匹配，該方法能生成類似于波譜分離的影像，但由于不需要已 知所有的端元光譜而使計(jì)算量顯著降低。
混合調(diào)制匹配濾波技術(shù)是匹配濾波技術(shù)和線性混合分解理論的復(fù)合方 法，該方法原理圖解如附圖2所示。該方法將上述描述的匹配濾波不需要已 知其他背景端元波譜的優(yōu)點(diǎn)與線性混合分解理論中的物理?xiàng)l件限制(給定像 元的信號(hào)是包含在該像元中的單一物質(zhì)成份的線性組合，同時(shí)各個(gè)組分的含 量為正且和為1 )結(jié)合起來(lái)，因而提高了礦物的檢出限，能探測(cè)出其它方法 不能檢測(cè)出的巖石中微量的礦物成分?；旌险{(diào)制匹配濾波的結(jié)果為灰度在
0-1.0之間的匹配濾波圖像，反映了參考波譜的相對(duì)匹配程度，即相對(duì)豐度 圖像。其中，1.0代表完全匹配，即相對(duì)參考波語(yǔ)豐度為1。
5. 礦物填圖結(jié)果
為了更好的說(shuō)明本發(fā)明涉及的實(shí)現(xiàn)高光譜數(shù)據(jù)礦物填圖方法，將該方法 應(yīng)用于西藏驅(qū)龍地區(qū)星載Hyperion高光譜數(shù)據(jù)實(shí)現(xiàn)礦物填圖。實(shí)現(xiàn)過(guò)程中， 利用ICA提取的高嶺石化、綠泥石化、富鋁絹云母、貧鋁絹云母四種礦物端 元，經(jīng)最小噪聲分離變換之后，作為混合調(diào)制匹配濾波的輸入進(jìn)行處理，由 混合調(diào)制匹配濾波的匹配結(jié)果進(jìn)行礦物填圖。圖3給出了采用ICA模型提 取得四種礦物端元光譜，其中，(a)為高嶺石化礦物端元光譜，(b)為綠 泥石化礦物端元光譜，(c)富鋁絹云母礦物端元光譜，(d)為貧鋁絹云母 礦物端元光譜。圖4給出了礦物填圖結(jié)果，(a)表示高嶺石化礦物，(b) 表示富鋁絹云母礦物，(c)表示貧鋁絹云母礦物，(d)表示綠泥石化礦物。 結(jié)合地質(zhì)成礦條件分析和前人研究結(jié)論表明，該方法能夠有效地實(shí)現(xiàn)星載高 光譜數(shù)據(jù)的礦物填圖應(yīng)用，驗(yàn)證了星載高光譜數(shù)據(jù)在礦物填圖中的應(yīng)用能 力，并且提高了礦物檢出限和礦物填圖精度。礦物填圖結(jié)果證明了在沒(méi)有先 驗(yàn)信息情況下利用圖像端元光譜進(jìn)行礦物填圖的有效性和實(shí)用性，為找礦提
供了大量有用信息和技術(shù)指導(dǎo)，對(duì)無(wú)法進(jìn)行地面調(diào)查礦區(qū)的填圖具有重要的 意義。
權(quán)利要求
1.一種高光譜礦物填圖方法，包括如下步驟(1)讀入高光譜數(shù)據(jù)；(2)數(shù)據(jù)進(jìn)行中心化和球化；(3)基于峰度的獨(dú)立成分分析；(4)獨(dú)立成分提取與排序；(5)確定端元，提取礦物端元；(6)高光譜數(shù)據(jù)進(jìn)行最小噪聲分離(MNF)變換(7)以步驟(6)處理結(jié)果得到的端元光譜作為輸入進(jìn)行混合調(diào)制匹配濾波；(8)高光譜礦物填圖結(jié)果。
2. 根據(jù)權(quán)利要求1所述的高光譜礦物填圖方法，其中步驟(3)基于峰 度的獨(dú)立成分分析模型為設(shè)觀測(cè)信號(hào)1 = [^12，...,^廣是附維隨機(jī)向量，源信號(hào)S-[、^，…Af是"維 獨(dú)立隨機(jī)向量，混合矩陣^4為w^維非奇異矩陣，則獨(dú)立成分分析 (Independent Component Analysis, ICA)模型可以描述為 h爿sICA的實(shí)質(zhì)是在源信號(hào)s和混合矩陣乂未知的情況下，根據(jù)已知的觀測(cè) 信號(hào)x利用源信號(hào)S的統(tǒng)計(jì)特性，確定分離矩陣W,使得并且滿足y-[x,力,...，凡f的各個(gè)變量之間盡可能的相互獨(dú)立，則r就是s的一 個(gè)估計(jì)，同時(shí)可以確定混合矩陣j =『_'，在ICA模型參數(shù)估計(jì)中采用最大化 非高斯性的方法，利用的是數(shù)據(jù)的四階累積量一峰度，隨機(jī)變量^的峰度定 義^口下其中，E表示變量的均值。
3.根據(jù)權(quán)利要求1所述的高光語(yǔ)礦物填圖方法，實(shí)現(xiàn)步驟(5)的獨(dú)立成分排序采用的獨(dú)立成分排序指標(biāo)為k32，其中，k;為三階累積量一偏度。
全文摘要
本發(fā)明涉及一種高光譜數(shù)據(jù)在沒(méi)有先驗(yàn)信息條件下利用數(shù)據(jù)的統(tǒng)計(jì)特性實(shí)現(xiàn)礦物填圖的方法，該算法包括讀入高光譜數(shù)據(jù)，數(shù)據(jù)中心化，數(shù)據(jù)球化，獨(dú)立成分分析模型的建立，獨(dú)立成分排序，礦物端元提取，最小噪聲分離變換、混合調(diào)制匹配濾波、礦物填圖。通過(guò)本發(fā)明涉及的方法能夠在未知先驗(yàn)信息的情況下，利用數(shù)據(jù)本身的高階統(tǒng)計(jì)特性實(shí)現(xiàn)基于獨(dú)立成分分析模型的蝕變礦物端元提??；同時(shí)，利用基于混合調(diào)制匹配濾波的方法實(shí)現(xiàn)蝕變礦物的填圖。本方法在礦物識(shí)別中避免了由于光譜混合、光照、成礦條件等引起的礦物光譜特征不確定性的影響，結(jié)合了線性混合分解理論中的端元組分含量為正且和為1的約束條件，有效的提高了礦物的檢出限和礦物填圖精度。
文檔編號(hào)G01N21/31GK101109658SQ20071011780
公開(kāi)日2008年1月23日 申請(qǐng)日期2007年6月25日 優(yōu)先權(quán)日2007年6月25日
發(fā)明者娜 李, 賈國(guó)瑞, 趙慧潔 申請(qǐng)人:北京航空航天大學(xué)