CN114324223A - 一种热液蚀变矿物高光谱精细填图方法 - Google Patents
一种热液蚀变矿物高光谱精细填图方法 Download PDFInfo
- Publication number
- CN114324223A CN114324223A CN202111660896.2A CN202111660896A CN114324223A CN 114324223 A CN114324223 A CN 114324223A CN 202111660896 A CN202111660896 A CN 202111660896A CN 114324223 A CN114324223 A CN 114324223A
- Authority
- CN
- China
- Prior art keywords
- data
- hyperspectral
- spectrum
- steps
- following
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 57
- 239000011707 mineral Substances 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013507 mapping Methods 0.000 title claims abstract description 27
- 238000001228 spectrum Methods 0.000 claims abstract description 100
- 230000003595 spectral effect Effects 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000002310 reflectometry Methods 0.000 claims description 21
- 238000010521 absorption reaction Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 108700041286 delta Proteins 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000004075 alteration Effects 0.000 abstract description 11
- 230000002195 synergetic effect Effects 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910052770 Uranium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052595 hematite Inorganic materials 0.000 description 1
- 239000011019 hematite Substances 0.000 description 1
- 229910052900 illite Inorganic materials 0.000 description 1
- LIKBJVNGSGBSGK-UHFFFAOYSA-N iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Fe+3].[Fe+3] LIKBJVNGSGBSGK-UHFFFAOYSA-N 0.000 description 1
- 239000010445 mica Substances 0.000 description 1
- 229910052618 mica group Inorganic materials 0.000 description 1
- VGIBGUSAECPPNB-UHFFFAOYSA-L nonaaluminum;magnesium;tripotassium;1,3-dioxido-2,4,5-trioxa-1,3-disilabicyclo[1.1.1]pentane;iron(2+);oxygen(2-);fluoride;hydroxide Chemical compound [OH-].[O-2].[O-2].[O-2].[O-2].[O-2].[F-].[Mg+2].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[Al+3].[K+].[K+].[K+].[Fe+2].O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2.O1[Si]2([O-])O[Si]1([O-])O2 VGIBGUSAECPPNB-UHFFFAOYSA-L 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于自然资源遥感调查技术领域,具体涉及一种热液蚀变矿物高光谱精细填图方法。本发明包括如下步骤:步骤一:高光谱数据预处理;步骤二:高光谱数据降维重分组;步骤三:高光谱数据光谱采样间隔的因数分解;步骤四:高光谱数据逐波段区间光谱增值处理;步骤五:高光谱数据包络线去除;步骤六:蚀变矿物图像端元光谱厘定;步骤七:高光谱数据蚀变矿物精细填图。本发明通过光谱增值处理及谱形‑峰位协同的光谱匹配处理,更好的区分识别矿物亚类。
Description
技术领域
本发明属于自然资源遥感调查技术领域,具体涉及一种热液蚀变矿物高光谱精细填图方法。
背景技术
铀及金、铜等国民经济重要矿产资源均普遍发育远大于矿体面积的热液蚀变带,蚀变带内大量发育赤铁矿、伊利石等蚀变矿物,其在可见光-近红外-短波红外谱段光谱活性强,具有明显的光谱吸收特征,因此能够被高光谱遥感技术探测识别,进而为找矿远景区的选取提供重要的遥感判据。当前无论卫星高光谱数据还是航空高光谱数据,原始数据优于20nm的光谱采样间隔用于识别和提取矿物大类已经没有问题,但与地面ASD光谱仪2nm的实测光谱采样间隔相比,精细程度明显不够,须通过数据处理缩小光谱采样间隔,获得更详细的吸收峰位置信息,为云母等矿物亚类的高光谱精细填图奠定基础。传统光谱角填图(SAM)方法采用的是全谱匹配的方式,计算待匹配光谱与参考光谱在所有波段的相似度。该方法对所有波段同等对待,而事实上蚀变矿物是具有特征谱段的,在特征谱段具有明显的吸收反射数值,因此该方法对吸收位置存在微小差异的整体谱形相似的蚀变矿物难以精细区分。
针对上述问题,本发明提出了一种热液蚀变矿物高光谱精细填图方法。
发明内容
本发明的目的在于,针对星-空高光谱数据光谱采样间隔在8~16nm难以精细确定吸收峰位置及传统光谱角填图方法对光谱特征吸收位置不敏感的缺点,提出一种热液蚀变矿物高光谱精细填图方法,通过光谱增值处理及谱形-峰位协同的光谱匹配处理,更好的区分识别矿物亚类。
本发明采用的技术方案:
一种热液蚀变矿物高光谱精细填图方法,包括如下步骤:
步骤一:高光谱数据预处理;步骤二:高光谱数据降维重分组;步骤三:高光谱数据光谱采样间隔的因数分解;步骤四:高光谱数据逐波段区间光谱增值处理;步骤五:高光谱数据包络线去除;步骤六:蚀变矿物图像端元光谱厘定;步骤七:高光谱数据蚀变矿物精细填图。
所述步骤一中,获取的高光谱数据为最新时相的卫星或航空或地面高光谱数据。
所述的预处理包括辐射定标、正射校正和大气校正,得到高光谱反射率数据。
所述步骤二中,对高光谱数据进行逐波段分析,将中心波长在500~1000nm之间的波段组合成可见光近红外高光谱子数据,将中心波长在2000-2450nm之间的波段组合成短波红外高光谱子数据。
所述步骤三中,对高光谱数据光谱采样间隔进行四舍五入取整,包括16nm、15nm、8nm、6nm。
所述步骤四中,对于可见光近红外高光谱子数据或短波红外高光谱子数据,设其原高光谱数据为Datasrc,增值后的高光谱数据为Datadst;设Datasrc的波段数为n,光谱采样间隔为W1,Datadst的光谱采样间隔为W2,Datasrc的任意相邻波段区间为[Xp,Xp+1],Datadst的任意相邻波段区间为[Xq,Xq+1],则有
W1=Xp+1-Xp (1)
W2=Xq+1-Xq (2)
设δ=W1/W2,当δ<W1时,逐波段区间光谱增值处理实质上就是在所有的原相邻波段区间内均***δ-1个波段,最终使Datadst拥有n*δ-δ+1个波段。
高光谱数据可视为三维数组进行数据处理,其第一维为光谱维,是像元不同波段的反射率数值,其余两维为空间维,是像元在影像上的行列坐标数值;高光谱数据Datasrc空间上任一点(x,y)的光谱曲线在数学上体现为一维列表[Y1,Y2,Y3,…,Yn-1,Yn],与之对应的中心波长列表为[X1,X2,X3,…,Xn-1,Xn];
对于其任意相邻波段区间[Xp,Xp+W1],光谱反射率为[Yp,Yp+W1],构造函数f(θ)=a+b*θ+c*θ2+d*θ3,其原函数、一阶导函数、二阶导函数满足以下条件:
f(Xp)=Yp且f(Xp+W1)=Yp+W1 (3)
f’(Xp)=f’(Xp+W1) (4)
f’(Xp)=f’(Xp+W1)=0 (5)
方程联立后求解参数a、b、c、d的数值,从而得到f(θ)方程;增值后Datadst高光谱数据对应的波段区间为[Xp,Xp+δ,…,Xp+W1-δ,Xp+W1],带入函数f(θ)中,得到[Yp,Yp+δ,…,Yp+W1-δ,Yp+W1]列表内各点的函数值,即光谱增值后各波段的反射率数值。
对高光谱数据Datasrc的n-1个波段区间全部应用上述插值方法,得到Datadst高光谱数据空间上任一点(x,y)的中心波长数值列表[X1,X1+δ,…,X2-δ,X2,…,Xn]和反射率数值列表[Y1,Y1+δ,…,Y2-δ,Y2,…,Yn],逐像元迭代计算中心波长和反射率数值,最终得到光谱增值后的新高光谱数据Datadst。
所述步骤五中,高光谱数据Datadst包络线去除后,得到新高光谱数据Datadst-new。
所述步骤六中,对高光谱数据Datadst应用光谱沙漏算法,得到待选图像端元光谱,初步选取出地质意义明确的图像端元光谱;对初选图像端元光谱进行包络线去除以突出光谱吸收形态,逐波段对比光谱反射率数值,根据光谱吸收峰的波长位置厘定各蚀变矿物亚类,得到用于矿物填图的端元光谱。
所述步骤七中,将光谱整体谱形和吸收峰位置及深度参数作为限制条件,逐像元计算厘定后的图像端元光谱与高光谱像元光谱高维向量之间的欧式距离反余弦弧度数值,写入到蚀变矿物相似度阈值灰度图;设定阈值,对各蚀变矿物相似度阈值灰度图进行高端切割,得到高光谱精细蚀变矿物分布图。
与现有技术相比,本发明的有益效果在于:
(1)本发明提供的一种热液蚀变矿物高光谱精细填图方法,通过逐波段插值的技术改造实现了光谱增殖,能够获取更窄的光谱采样间隔下蚀变矿物光谱,进而提供更精准的蚀变矿物光谱吸收峰位置;
(2)本发明提供的一种热液蚀变矿物高光谱精细填图方法,谱形-峰位协同的光谱匹配处理可以降低光谱相似的蚀变矿物的误提取率,从而得到热液蚀变矿物精细填图结果。
附图说明
图1为逐波段区间的各因子光谱采样间隔的光谱曲线效果示意图;
图2为图1的局部细节放大图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1和图2所示,本发明提供的一种热液蚀变矿物高光谱精细填图方法,包括如下步骤:
步骤一:高光谱数据预处理。根据研究区范围,获取最新时相的卫星或航空或地面高光谱数据。对于卫星高光谱数据,进行辐射定标、正射校正和大气校正预处理,得到高光谱反射率数据。在预处理过程中,应用外场定标系数进行辐射定标,应用分辨率为12.5米的DEM高程数据进行正射校正以消除海拔对遥感数据的影响,得到具有平面投影坐标***的高光谱数据。应用基于辐射传输模型的大气校正方法,输入相关参数以消除大气对遥感数据的影响,得到数值在0~1.0范围内的高光谱反射率数据。对于航空高光谱数据,应用实验室定标系数进行辐射定标,应用分辨率为12.5米或更高空间分辨率的DEM高程数据进行正射校正,采用应用基于辐射传输模型或基于飞机过顶时多组地面同步测量光谱的经验线性法进行大气校正,获得高光谱反射率数据。对于地面高光谱数据,基于同步测量的标准板实测光谱,采用经验线性法进行光谱重建,得到高光谱反射率数据。
步骤二:高光谱数据降维重分组。鉴于可见-近红外谱段常见蚀变矿物的光谱特征吸收位置集中在500~1000nm及短波红外谱段主要蚀变矿物的光谱特征吸收位置集中在2000-2450nm的地质先验知识,对高光谱数据进行逐波段分析,将中心波长在500~1000nm之间的波段组合成可见光近红外(VNIR)高光谱子数据,将中心波长在2000-2450nm之间的波段组合成短波红外(SWIR)高光谱子数据。
步骤三:高光谱数据光谱采样间隔的因数分解。对高光谱数据光谱采样间隔(FWHM)进行四舍五入取整,一般为16nm、15nm、8nm、6nm。为了降低浮点型数据的计算误差影响同时计算简便,将FWHM的数值(FWHMvalue)进行因数分解。若FWHMvalue=16,则其因数列表为[16,8,4,2,1];若FWHMvalue=15,则其因数列表为[15,5,3,1];若FWHMvalue=8,则其因数列表为[8,4,2,1];若FWHMvalue=6,则其因数列表为[6,3,2,1]。对于因数列表,任一数值均可以作为新高光谱数据的波段采样间隔。
步骤四:高光谱数据逐波段区间光谱增值处理。对于VNIR高光谱子数据或SWIR高光谱子数据,设其原高光谱数据为Datasrc,增值后的高光谱数据为Datadst。设Datasrc的波段数为n,光谱采样间隔为W1,Datadst的光谱采样间隔为W2,Datasrc的任意相邻波段区间为[Xp,Xp+1],Datadst的任意相邻波段区间为[Xq,Xq+1],则有
W1=Xp+1-Xp (1)
W2=Xq+1-Xq (2)
设δ=W1/W2,当δ<W1时,逐波段区间光谱增值处理实质上就是在所有的原相邻波段区间内均***δ-1个波段,最终使Datadst拥有n*δ-δ+1个波段。
高光谱数据可视为三维数组进行数据处理,其第一维为光谱维,是像元不同波段的反射率数值,其余两维为空间维,是像元在影像上的行列坐标数值。高光谱数据Datasrc空间上任一点(x,y)的光谱曲线在数学上体现为一维列表[Y1,Y2,Y3,…,Yn-1,Yn],与之对应的中心波长列表为[X1,X2,X3,…,Xn-1,Xn]。
对于其任意相邻波段区间[Xp,Xp+W1],光谱反射率为[Yp,Yp+W1],构造函数f(θ)=a+b*θ+c*θ2+d*θ3,其原函数、一阶导函数、二阶导函数满足以下条件:
f(Xp)=Yp且f(Xp+W1)=Yp+W1 (3)
f’(Xp)=f’(Xp+W1) (4)
f’(Xp)=f’(Xp+W1)=0 (5)
方程联立后求解abcd数值,从而得到f(θ)方程。增值后Datadst高光谱数据对应的波段区间为[Xp,Xp+δ,…,Xp+W1-δ,Xp+W1],带入函数f(θ)中,得到[Yp,Yp+δ,…,Yp+W1-δ,Yp+W1]列表内各点的函数值,即光谱增值后各波段的反射率数值。
对高光谱数据Datasrc的n-1个波段区间全部应用上述插值方法,得到Datadst高光谱数据空间上任一点(x,y)的中心波长数值列表[X1,X1+δ,…,X2-δ,X2,…,Xn]和反射率数值列表[Y1,Y1+δ,…,Y2-δ,Y2,…,Yn],逐像元迭代计算中心波长和反射率数值,最终得到光谱增值后的新高光谱数据Datadst。
步骤五:高光谱数据包络线去除。蚀变矿物亚类的光谱曲线往往十分相似,需要进行包络线去除处理,以去掉光谱曲线上各极大值构成的外壳,从而将其归一到一致的光谱背景下突出光谱特征。高光谱数据Datadst包络线去除后,得到新高光谱数据Datadst-new。
步骤六:蚀变矿物图像端元光谱厘定。对高光谱数据Datadst应用光谱沙漏算法,得到待选图像端元光谱,结合地质-光谱专家知识,逐一分析图像端元光谱的整体谱形、特征吸收反射峰位置和吸收深度序次等参数,初步选取出地质意义明确的图像端元光谱。对初选图像端元光谱进行包络线去除以突出光谱吸收形态,逐波段对比光谱反射率数值,根据光谱吸收峰的波长位置厘定各蚀变矿物亚类,得到用于矿物填图的端元光谱。
步骤七:高光谱数据蚀变矿物精细填图。将光谱整体谱形和吸收峰位置及深度参数作为限制条件,逐像元计算厘定后的图像端元光谱与高光谱像元光谱高维向量之间的欧式距离反余弦弧度数值,写入到蚀变矿物相似度阈值灰度图。设定合适的阈值,对各蚀变矿物相似度阈值灰度图进行高端切割,得到高光谱精细蚀变矿物分布图,为基础地质和矿产勘查提供重要的高光谱遥感判据信息。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (11)
1.一种热液蚀变矿物高光谱精细填图方法,其特征在于:包括如下步骤:步骤一:高光谱数据预处理;步骤二:高光谱数据降维重分组;步骤三:高光谱数据光谱采样间隔的因数分解;步骤四:高光谱数据逐波段区间光谱增值处理;步骤五:高光谱数据包络线去除;步骤六:蚀变矿物图像端元光谱厘定;步骤七:高光谱数据蚀变矿物精细填图。
2.根据权利要求1所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:所述步骤一中,获取的高光谱数据为最新时相的卫星或航空或地面高光谱数据。
3.根据权利要求2所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:所述的预处理包括辐射定标、正射校正和大气校正,得到高光谱反射率数据。
4.根据权利要求1所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:所述步骤二中,对高光谱数据进行逐波段分析,将中心波长在500~1000nm之间的波段组合成可见光近红外高光谱子数据,将中心波长在2000-2450nm之间的波段组合成短波红外高光谱子数据。
5.根据权利要求1所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:所述步骤三中,对高光谱数据光谱采样间隔进行四舍五入取整,包括16nm、15nm、8nm、6nm。
6.根据权利要求1所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:所述步骤四中,对于可见光近红外高光谱子数据或短波红外高光谱子数据,设其原高光谱数据为Datasrc,增值后的高光谱数据为Datadst;设Datasrc的波段数为n,光谱采样间隔为W1,Datadst的光谱采样间隔为W2,Datasrc的任意相邻波段区间为[Xp,Xp+1],Datadst的任意相邻波段区间为[Xq,Xq+1],则有
W1=Xp+1-Xp (1)
W2=Xq+1-Xq (2)
设δ=W1/W2,当δ<W1时,逐波段区间光谱增值处理实质上就是在所有的原相邻波段区间内均***δ-1个波段,最终使Datadst拥有n*δ-δ+1个波段。
7.根据权利要求6所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:高光谱数据可视为三维数组进行数据处理,其第一维为光谱维,是像元不同波段的反射率数值,其余两维为空间维,是像元在影像上的行列坐标数值;高光谱数据Datasrc空间上任一点(x,y)的光谱曲线在数学上体现为一维列表[Y1,Y2,Y3,…,Yn-1,Yn],与之对应的中心波长列表为[X1,X2,X3,…,Xn-1,Xn];
对于其任意相邻波段区间[Xp,Xp+W1],光谱反射率为[Yp,Yp+W1],构造函数f(θ)=a+b*θ+c*θ2+d*θ3,其原函数、一阶导函数、二阶导函数满足以下条件:
f(Xp)=Yp且f(Xp+W1)=Yp+W1 (3)
f’(Xp)=f’(Xp+W1) (4)
f’(Xp)=f’(Xp+W1)=0 (5)
方程联立后求解参数a、b、c、d的数值,从而得到f(θ)方程;增值后Datadst高光谱数据对应的波段区间为[Xp,Xp+δ,…,Xp+W1-δ,Xp+W1],带入函数f(θ)中,得到[Yp,Yp+δ,…,Yp+W1-δ,Yp+W1]列表内各点的函数值,即光谱增值后各波段的反射率数值。
8.根据权利要求7所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:对高光谱数据Datasrc的n-1个波段区间全部应用上述插值方法,得到Datadst高光谱数据空间上任一点(x,y)的中心波长数值列表[X1,X1+δ,…,X2-δ,X2,…,Xn]和反射率数值列表[Y1,Y1+δ,…,Y2-δ,Y2,…,Yn],逐像元迭代计算中心波长和反射率数值,最终得到光谱增值后的新高光谱数据Datadst。
9.根据权利要求8所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:所述步骤五中,高光谱数据Datadst包络线去除后,得到新高光谱数据Datadst-new。
10.根据权利要求9所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:所述步骤六中,对高光谱数据Datadst应用光谱沙漏算法,得到待选图像端元光谱,初步选取出地质意义明确的图像端元光谱;对初选图像端元光谱进行包络线去除以突出光谱吸收形态,逐波段对比光谱反射率数值,根据光谱吸收峰的波长位置厘定各蚀变矿物亚类,得到用于矿物填图的端元光谱。
11.根据权利要求10所述的一种热液蚀变矿物高光谱精细填图方法,其特征在于:所述步骤七中,将光谱整体谱形和吸收峰位置及深度参数作为限制条件,逐像元计算厘定后的图像端元光谱与高光谱像元光谱高维向量之间的欧式距离反余弦弧度数值,写入到蚀变矿物相似度阈值灰度图;设定阈值,对各蚀变矿物相似度阈值灰度图进行高端切割,得到高光谱精细蚀变矿物分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111660896.2A CN114324223B (zh) | 2021-12-31 | 2021-12-31 | 一种热液蚀变矿物高光谱精细填图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111660896.2A CN114324223B (zh) | 2021-12-31 | 2021-12-31 | 一种热液蚀变矿物高光谱精细填图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114324223A true CN114324223A (zh) | 2022-04-12 |
CN114324223B CN114324223B (zh) | 2024-07-16 |
Family
ID=81018255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111660896.2A Active CN114324223B (zh) | 2021-12-31 | 2021-12-31 | 一种热液蚀变矿物高光谱精细填图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114324223B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003713A1 (en) * | 2013-06-27 | 2015-01-01 | China Medical University | Method for analyzing tissue cells using hyperspectral imaging |
CN105606537A (zh) * | 2015-08-31 | 2016-05-25 | 山东科技大学 | 基于多类型光谱特征参数协同的矿物类型遥感识别方法 |
CN108956482A (zh) * | 2017-05-27 | 2018-12-07 | 核工业北京地质研究院 | 一种火山热液活动中心的高光谱遥感快速识别方法 |
CN111709280A (zh) * | 2020-04-30 | 2020-09-25 | 核工业北京地质研究院 | 一种高光谱金矿化蚀变远景区快速识别方法 |
-
2021
- 2021-12-31 CN CN202111660896.2A patent/CN114324223B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003713A1 (en) * | 2013-06-27 | 2015-01-01 | China Medical University | Method for analyzing tissue cells using hyperspectral imaging |
CN105606537A (zh) * | 2015-08-31 | 2016-05-25 | 山东科技大学 | 基于多类型光谱特征参数协同的矿物类型遥感识别方法 |
CN108956482A (zh) * | 2017-05-27 | 2018-12-07 | 核工业北京地质研究院 | 一种火山热液活动中心的高光谱遥感快速识别方法 |
CN111709280A (zh) * | 2020-04-30 | 2020-09-25 | 核工业北京地质研究院 | 一种高光谱金矿化蚀变远景区快速识别方法 |
Non-Patent Citations (3)
Title |
---|
孙志忠 等: "《计算方法与实习》", vol. 5, 31 July 2011, 东南大学出版社, pages: 105 - 108 * |
张川;叶发旺;徐清俊;武鼎;车永飞;: "钻孔岩心高光谱技术***及其在矿产勘查中的应用", 地质科技情报, no. 06, 15 November 2016 (2016-11-15) * |
李小娟 等: "《ENVI遥感影像处理教程》", vol. 1, 28 February 2007, 中国环境科学出版社, pages: 404 - 409 * |
Also Published As
Publication number | Publication date |
---|---|
CN114324223B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
van der Meero et al. | Cross correlogram spectral matching: application to surface mineralogical mapping by using AVIRIS data from Cuprite, Nevada | |
Bastin et al. | Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach | |
Bedini | Mapping lithology of the Sarfartoq carbonatite complex, southern West Greenland, using HyMap imaging spectrometer data | |
Winter | A proof of the N-FINDR algorithm for the automated detection of endmembers in a hyperspectral image | |
CN100547438C (zh) | 一种油气勘探方法及*** | |
CN103984940B (zh) | 一种基于高光谱数据识别赤铁矿化的方法 | |
CN103383348A (zh) | 植被覆盖区高光谱遥感蚀变矿物提取方法 | |
Collings et al. | Techniques for BRDF correction of hyperspectral mosaics | |
CN102540271B (zh) | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 | |
Arivazhagan et al. | ASTER data analyses for lithological discrimination of Sittampundi Anorthositic Complex, Southern India | |
CN115144357A (zh) | 一种基于矿区机载中红外高光谱遥感数据的矿物识别方法 | |
Kiran Raj et al. | Iron oxides mapping from E0-1 hyperion data | |
Yu et al. | 3D autoencoder algorithm for lithological mapping using ZY-1 02D hyperspectral imagery: A case study of Liuyuan region | |
CN110717485A (zh) | 一种基于局部保留投影的高光谱图像稀疏表示分类方法 | |
CN109839356A (zh) | 基于WorldView-3卫星数据的矿化蚀变信息提取方法 | |
CN114324223B (zh) | 一种热液蚀变矿物高光谱精细填图方法 | |
McDowell et al. | Integrated visible to near infrared, short wave infrared, and long wave infrared spectral analysis for surface composition mapping near Mountain Pass, California | |
CN100561145C (zh) | 一种高光谱矿物填图方法 | |
CN104931434A (zh) | 一种光谱匹配方法 | |
Janaki Rama Suresh et al. | Hyperspectral analysis of clay minerals | |
Patteti et al. | Design of a feature-tuned ANN model based on bulk rock-derived mineral spectra for endmember classification of a hyperspectral image from an iron ore deposit | |
Duarte et al. | Non-homogeneous hidden Markov chain models for wavelet-based hyperspectral image processing | |
Zhirin et al. | Estimation of linkages between biometric indexes of forests and pattern of canopy spaces on super-high-resolution satellite images | |
Cone et al. | Exploration of integrated visible to near-, shortwave-, and longwave-infrared (full range) hyperspectral data analysis | |
Kokaly et al. | Mapping the distribution of materials in hyperspectral data using the USGS Material Identification and Characterization Algorithm (MICA) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |