引用本文
刘衍宏, 刘少峰, 张川, 裴晓寅. 基于Hyperion数据的粘土矿物权重信息提取研究——以江西省赣州地区为例[J]. 国土资源遥感, 2010,22(3): 26-30
LIU Yan-hong, LIU Shao-feng, ZHANG Chuan, PEI Xiao-yin. The Weight Information Extraction of Clay Minerals Based on Hyperion Data: a Case Study of Ganzhou Area, Jiangxi Province[J]. REMOTE SENSING FOR LAND & RESOURCES,2010,22(3): 26-30  
Permissions
Copyright©2010, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
基于Hyperion数据的粘土矿物权重信息提取研究——以江西省赣州地区为例
刘衍宏1,2,3, 刘少峰1,2,3, 张川1,2,3, 裴晓寅1,2,3
1.中国地质大学地质过程与矿产资源国家重点实验室,北京 100083
2.中国地质大学(北京)地球科学与资源学院,北京 100083
3.中国地质大学(北京)岩石圈构造、深部过程及探测技术教育部重点实验室,北京 100083

第一作者简介: 刘衍宏(1982- ),男,硕士研究生,主要从事高光谱遥感数据处理与应用,资源与环境遥感以及地质遥感研究。

收稿日期: 2009-11-23
基金: 中国地质调查局项目(编号: 1212010816033-02); 高等学校学科创新引智计划(批准号: B07011)
摘要

以Hyperion数据为信息源,以江西省赣州地区为研究区,进行了粘土矿权重信息提取方法研究。通过对光谱角制图(SAM)和匹配滤波(MF)两种方法的对比,提出了将二者相结合确定各类粘土矿物权重信息的综合方法。实验结果表明,该方法能结合二者的优点,弥补相互之不足,从图像背景中准确提取出了各类粘土矿物的权重信息,部分权重大的粘土分布位置及其类型与采样点的位置及样品分析结果相吻合,证明了该方法的可行性。

关键词: 高光谱遥感; Hyperion; 粘土矿; 光谱角制图(SAM); 匹配滤波(MF)
中图分类号:TP751 文献标志码:A 文章编号:1001-070X(2010)03-0026-05
The Weight Information Extraction of Clay Minerals Based on Hyperion Data: a Case Study of Ganzhou Area, Jiangxi Province
LIU Yan-hong1,2,3, LIU Shao-feng1,2,3, ZHANG Chuan1,2,3, PEI Xiao-yin1,2,3
1. State Key Laboratory of Geological Processes and Mineral Resources, China University of Geosciences, Beijing 100083, China
2. Faculty of Geosciences and Resources, China University of Geosciences, Beijing 100083, China
3. Key Laboratory of Lithosphere Tectonics and Lithoprobing Technology of Ministry of Education, China University of Geosciences, Beijing 100083, China
Abstract

With Ganzhou area in Jiangxi province as the study area, this paper deals with the methods for extracting clay information from Hyperion data. Based on studying advantages and disadvantages of Spectral Angle Mapper (SAM) and Matched Filtering (MF), the authors have developed a method that combines SAM and MF to fix the information of all kinds of clay minerals in the study area. The results show that this method can be successfully used to Hyperion data and can totally integrate SAM with MF by combining their advantages, remedying their shortcomings, and accurately extracting the weight of information of clay minerals from the background image. In addition, the major parts of the weights of the locations and types of clay are consistent well with the sampling locations and the analytical results of the samples, suggesting the feasibility of this method.

Keyword: Hyperspectral remote sensing; Hyperion; Clay minerals; Spectral angle mapper; Matched filtering
0 引言

粘土矿成因与稀土元素的异常与富集有着紧密的联系[1], 研究粘土矿分布对寻找稀土矿有重要的指示作用。由于粘土矿具有极为明显的诊断性光谱特征, 因此, 采用高光谱数据提取粘土矿种类、乃至含量信息是行之有效的[2]。江西赣州地区发育丰富的稀土矿矿产资源, 它呈离子状态吸附于粘土矿物中, 因此, 采用高光谱卫星遥感数据揭示粘土矿发育和丰度信息具有重要的理论和实际意义。

矿物权重即是在混合矿体中, 某一单矿物相对于其他矿物的含量。随着高光谱遥感数据处理技术的发展, 利用高光谱遥感数据提取各类矿物权重信息已成为可能。在遥感图像上, 岩矿信息往往作为一种弱的信号存在于图像的背景中, 因此, 如何从图像中提取或从背景中分割出各类矿物以及得到其权重信息, 一直是高光谱遥感应用与研究的重点和难点。为此, 本文提出在利用光谱角分类(SAM)技术得到各类端元矿物准确分布信息基础之上, 结合匹配滤波(MF)[3]技术进行局部分离, 最终确定端元矿物权重信息的基本思路和方法, 并将其应用于江西赣州地区, 取得了良好的效果。

1 研究区位置及数据源

研究区位于东经114° 45'~114° 59', 北纬25° 19'~26° 15'之间。采用的数据包括: 2004年9月25日接收的Hyperion数据; 赣州1:5万地形图; 野外样品实测光谱及岩矿鉴定数据。

Hyperion成像光谱仪共有242个波段, 光谱分辨率为10 nm, 波长范围356~2 577 nm, 地面分辨率30 m。机上标定系统的绝对辐射标定精度达到6%。其主要技术参数如表1所示[4]。

表1 Hyperion的技术参数 Tab.1 Technical parameter of Hyperion

通过对242个波段各种特征的综合分析, 剔除了无信号、有坏线、信噪比差以及水气吸收峰影响严重的波段, 最后保留172个波段。

2 图像预处理

首先, 采用包含粘土矿特征信息的第181波段(1 961.7 nm)~224波段(2 395.5 nm)(共44个)进行后续填图; 然后, 利用地形图对Hyperion图像进行几何纠正(纠正后图像经RMS检验误差低于1个像元), 并采用FLAASH模块进行Hyperion数据的大气校正和光谱重建, 最后生成反射率图像。

3 方法研究
3.1 图像端元提取

通过对野外27个粘土矿区采样的光谱分析及岩矿鉴定(表2), 结合高光谱影像处理流程(图1), 确定研究区影像端元矿物为高岭石(2.165 μ m、2.205 μ m处双吸收)、高蒙混层(2.205 μ m强吸收)、伊利石(2.210 μ m和2.335 μ m的吸收特征)及蒙脱石(2.210 μ m的强吸收)。在处理过程中, 取最小噪声分离(MNF)的前20个波段(其他波段基本为噪声)进行像元纯度指数(PPI)提取, 迭代次数设为5万次, 通过N维可视化分析得到最终端元曲线。

表2 部分样品岩矿鉴定结果 Tab.2 Identification results of some rock and mineral samples

图1 端元提取处理过程Fig.1 The process of endmember extraction

图2 图像端元及浓集中心光谱与USGS库光谱对比Fig.2 Comparison of endmember and concentrated spectrum in image and spectrum in USGS library

通过图2可以看出, 在所确定的4种端元曲线中, 高岭石(图2(a))2.165 μ m和2.205 μ m处的双吸收特征、高蒙混层(图2(b))2.205 μ m强吸收特征、伊利石(图2(c))2.210 μ m及2.335 μ m吸收特征及蒙脱石(图2(d))的2.210 μ m处强吸收及2.375 μ m处弱吸收特征都与USGS库光谱曲线对应粘土矿物吸收特征基本一致。因此, 可以确定这4种曲线作为以下光谱角和匹配滤波填图的端元。

3.2 光谱角制图(SAM)法

光谱角制图 (Spectral Angle Mapping, SAM) 是高光谱遥感信息分类的主要方法之一, 采用光谱角作为衡量光谱向量相似性的指标, 已得到了广泛应用[2]。光谱角分类技术是一种基于自身波谱特征的分类方法, 这种方法将测试波谱(像元光谱)与参照波谱(实验室光谱等)在N维空间进行匹配。通过计算具有同样波长范围的测试光谱与参照光谱向量在光谱空间上所形成的夹角余弦[5]来估算两者之间的相似度, 即

cosα=A·B|A|B|=∑i=1NAiBi(∑i=1NAi2)12(∑i=1NBi2)12(1)

式中, N为波段数; A=(A1, …, AN)和B=(B1, …, BN)分别表示两个光谱向量在N个波段上的属性值(一般取光谱反射率); α 为光谱角。同类像元之间所夹的光谱角很小, 接近于0, 因此其余弦值较大, 接近于1; 不同类像元之间的光谱角则比较大, 相应地其余弦值接近于0。其中, 光谱单元之间广义夹角阈值的选择要靠人为确定, 阈值取得过大或过小, 都会错分和漏分目标地物。研究过程中试验各种阈值(0.08、0.1、0.12、0.15等), 分别得到对应的粘土矿物分布图, 并对比分析各图中粘土矿物的分布, 同时参考野外调研资料及真彩色图件, 最后确定本研究光谱角填图阈值为0.1, 由此得到的最终填图结果如图3(a)所示。

图3 部分采样点光谱曲线与填图结果像元光谱曲线对比(18为蒙脱石、19、21为高岭石)Fig.3 Comparison of image spectral and sample of spectral(18 is Smectite; 19 and 21 are Kaolinite)

填图结果显示, 该研究区有一条东西向公路穿过, 粘土矿分布于此公路两侧, 面积约2 km2。该裸露区各类粘土矿物的分布并不集中, 且含量少, 以高岭石为主, 高蒙混层、伊利石和蒙脱石相对含量较少, 经验证, 其填图结果与野外采样部分样点的位置及光谱曲线基本一致(图3(b))。

3.3 匹配滤波(MF)法

匹配滤波(Matched Filtering, MF)可以进行局部分离, 用于确定用户自定义端元的权重。该方法并不需要图像所有端元都是已知的。该技术使已知端元的响应最大化, 并抑制了未知背景合成的反应, 因此“ 匹配” 了已知信号。它根据图像要素对波谱库或图像端元波谱的匹配程度, 就可以快速探测出特定要素[6]。

MF模型设计原则基于匹配滤波器[7], 通常的处理过程可分解为两个步骤, 如图4所示。

图4 MF处理流程Fig.4 Processing of MF

第一阶段滤波器是信息处理器, 主要利用先验或后验光谱信息来抑制由未知或不感兴趣信号源发出的干扰或白噪声; 第二阶段的滤波器则是一个匹配滤波器, 用来提取感兴趣的目标信息。类似于统计方式的检测方法, 这一类异常检测方法也需要使用异常与背景分离的线性混合模型, 即

x=Sa+w=dad+Uau+w (2)

式中, x为观测光谱向量; S为混合端元空间; a为混合系数向量; w为白噪声向量; d为异常端元向量; U为背景端元矩阵。

在高光谱图像处理领域, MF处理第二阶段检测方法引入的是正交子空间投影(OSP)算法[8]。实际应用中, 该算法假定输出数据服从某种统计分布, 利用恒虚警率(CFAR: Constant False-Alarm Rate)[9]准则来分离出图像异常。一般来讲, 正态分布是主要的拟合投影图像的统计分布。在此前提下, 该检测算法第一步是要消除背景端元U矩阵, 即将观测数据x投影到U子空间的正交子空间中, 这个投影算子表示为P1/U; 第二步是找到一个1× l维的向量n, 如式(3), 得输出的信噪比最大; 最后, 将图像中所有像素向量投影到一个矢量方向上, 将多波段的高光谱图像转化成为各端元的单幅灰度图像。

nTP1/Ux=nTP1/Udad+nTP1/Uw (3)

3.4 MF与SAM的综合应用

MF处理后输出一系列灰阶图像, 每幅图像对应一个选择的端元。理论上, 影像DN值都在0~1.0(1.0表示完全匹配)之间, 代表着用户端元的权重(匹配值越接近于1, 则权重越大, 即相对含量越高), 但由于实际地表地物的复杂性, 图像数据不一定符合算法假定的统计分布, 同时存在混合像元、数据噪声及不感兴趣地物等多方面原因, 导致算法检测时产生较多的虚警, 最终输出单幅灰阶影像DN值可能会存有负值或大于1的值。本研究通过大量的实验及对比分析发现, 这些虚警都分布在SAM填图结果范围以外, 同时, 权重大的端元像元与上述SAM各类端元分布亦很好地吻合。因此, 利用填图结果反掩模MF结果, 能很好地解决上述虚警问题, 最终得到图像上包含所有粘土矿物合理的权重(图5)。

图5 粘土矿权重分布(100%为完全匹配)Fig.5 Weight distribntion of clay minerals(100% means matched perfectly)

4 结果分析

为了对填图结果进行验证, 前面已将图像浓集中心光谱与USGS光谱库标准光谱进行了对比(图2)。可以看出, 匹配值越大则在图像上表现为越浓集, 同时, 对每一类粘土矿物都对应一定匹配度值及分布范围, 用户可根据不同应用目的划分各类粘土矿物的匹配临界, 从而获得各类粘土矿物的分布图。图2(a)为高岭石浓集中心的图像光谱与USGS光谱库中高岭石光谱的对比, 该浓集中的高岭石匹配权重约为75%, 二者谱形及光谱吸收特征基本一致, 图像光谱在2.064 μ m、2.375 μ m左右的吸收可能是由其他矿物的光谱所致; 高蒙混层与高岭石光谱特征相近, 其区别是在吸收特征位置高蒙混层的双吸收特征不如高岭石明显。图2(b)显示图像浓集中心光谱与光谱库光谱谱形及特征一致; 该研究区伊利石含量少, 同时没有纯度较高像元。图2(c)为一个伊利石较浓集中心的图像光谱与USGS光谱库中伊利石光谱的对比, 二者谱形及光谱特征基本一致。图2(d)为蒙脱石某浓集中心的图像光谱与USGS光谱库中蒙脱石光谱的对比, 该浓集中心蒙脱石匹配权重约为40%, 图像光谱与光谱库光谱谱形及特征一致。综上所述, 本次试验粘土矿物填图结果在分布趋势上是比较可靠的。

由填图结果(图3、5)可知, 由于研究区植被覆盖度高, 粘土矿物分布并不广, 主要为高岭石和高蒙混层, 伊利石、蒙脱石较少。蒙脱石相对含量较低, 匹配权重约为8%~42%(图5(d)), 呈星散状分布, 没有明显的浓集中心, 匹配度较高的位置与SAM结果有很好的对应关系。伊利石的匹配权重约为12%~59%(图5(c)), 研究区东西各有一小块浓集中心, 亦对应着SAM填图伊利石的分布区域。高岭石和高蒙混层为区内的主要粘土矿, 分布较前两种广, 但其光谱曲线相似度大(图2(a)、图2(b)), 因此, 图5(a)、图5(b)显示, 这两类矿物分布比较相近(图3), 高蒙混层匹配度高的像元多于高岭石, 同时, 高岭石的匹配权重约为19%~96%, 高蒙混层的匹配权重约为20%~100%。从分类结果看, 光谱角填图各端元的分布与匹配滤波各端元浓集区吻合得很好, 提取浓集区的曲线与USGS光谱库曲线也基本一致。这表明, MF填图结果与SAM结果吻合很好。这与野外部分样品分析结果也是一致的, 进一步说明该实验结果的可靠性。

5 结论

(1)在光谱角分类中, 光谱角阈值的选择很重要, 阈值过大或过小, 均有可能导致错分或漏分目标地物。本文采用实验对比法来确定阈值: 通过多次选择阈值进行SAM实验分类, 并将每次分类结果中各种端元的光谱曲线与USGS光谱库里的光谱曲线进行对比, 同时兼顾采样点位置及样品光谱曲线, 最终确定0.1为阈值, 取得了较好的分类结果。

(2)光谱角匹配(SAM)分类可以用来确定矿物的分布, 却得不到各类矿物端元的权重信息; 匹配滤波(MF)法可得到各类矿物端元的权重灰度图像, 但各权重信息都是呈0~1分布, 显然权重接近于0的端元分布毫无意义, 同时, 地物的复杂性及混合像元等问题导致匹配滤波结果产生许多虚警信息, 将SAM与MF方法相结合, 便能满足更进一步的遥感应用需要。

(3)提出并实现了利用SAM与MF相结合的方法对Hyperion高光谱数据进行粘土矿物权重信息提取。该方法不仅能通过用户设定权重阈值, 从而得到用户感兴趣的端元权重信息, 亦能解决匹配滤波所带来的虚警问题, 同时, 两种方法的结果还可相互验证, 在粘土矿物信息提取领域具有进一步应用前景。

The authors have declared that no competing interests exist.

参考文献
[1] 陈天虎, 徐晓春, 等, 苏皖四处凹凸棒石粘土矿床稀土元素地球化学研究[J]. 中国稀土学报, 2002(5): 463-467. [本文引用:1]
[2] PU Rui-liang, Gong Peng. Hyperspectral Remote Sensing and Application[M]. Beijing: Higher Education Press, 2001. [本文引用:2]
[3] Harsanyi C, Chang Chein-I. Hyperspectral Image Classification and Dimensionality Reduction: An Orthogonal Subspace Projection Approach[J]. IEEE Trans Geosci Remote Sensing, 1994, 32(4): 779-785. [本文引用:1]
[4] Kruse F A, Lefkoff A B, Boardman J W, et al. The Spectral Image Processing System (SIPS)-Interactive Visualization and Analysis of Imaging Spectrometer Data[J]. Remote Sensing of Environment, 1993, 44: 145-163. [本文引用:1]
[5] Richard Beck. EO-1 User Guide v. 2. 3[EB/OL]. [2003-07-15]. http://eo1.usgs.gov & http://eo1.gsfs.nasa.gov. [本文引用:1]
[6] 李小娟, 刘晓萌, 等. ENVI遥感影像处理教程(升级版)[M]. 北京: 中国环境科学出版社, 2007. [本文引用:1]
[7] Boardman J W, Kruse F A, Green R O. Mapping Target Signatures Via Partial Unmixing of AVIRIS data: in Summaries[J]. Fifth JPL Airborne Earth Science Workshop, 1995, 1: 23-26. [本文引用:1]
[8] Harsanyi J C, Chang C I. Hyperspectral Image Classification and Dimensionality Reduction: An Orthogonal Subspace Projection Approach[J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32: 779-785. [本文引用:1]
[9] Yu X, Reed I S, Stocker A D. Comparative Performance Analysis of Adaptive Multispectral Detectors[J]. IEEE Transaction on Signal Processing, 1993, 41(8): 2639-2656. [本文引用:1]