一种基于热红外比辐射率的岩性分类方法技术

本发明专利技术公开了一种基于热红外比辐射率的岩性分类方法，其包括以下步骤：对TASI数据进行预处理(相对辐射校正、大气校正和温度与发射率分离)，基于PPI的端元提取，依据相似系数进行I级岩性分类，应用SDEM算法进行II级岩性分类，基于彩色合成法辅助岩性填图。本发明专利技术的有益之处在于：(1)将岩性填图与热红外高光谱数据进行了结合，大大节省了人力、物力和时间，具有非常重要的意义；(2)在SDEM的基础上，又采用了彩色图像合成法，弥补了部分岩性无法被分类的不足；(3)结合野外工作，可以获得精确的岩性分类结果。

A classification method of lithology based on the specific emissivity of thermal infrared

【技术实现步骤摘要】
一种基于热红外比辐射率的岩性分类方法
本专利技术涉及一种岩性分类方法，具体涉及一种基于热红外比辐射率的岩性分类方法，属于地球科学和物理的交叉领域。
技术介绍
当今世界科技水平与日俱增，遥感对地监测技术成为了其中重要的一部分。遥感手段由于具有功能全面、时效性高等特点，已成为对地观测的主要手段之一，在土地利用监测、森林火灾监测、农业、军事、地质等方面发挥了巨大的作用。随着二十世纪八十年代成像光谱技术的出现，高光谱遥感成为光学遥感领域最为重要的研究方向之一。如今，高光谱技术不仅拥有着“图谱合一”的特点，还有大量光谱及地物信息，被广泛应用于环境监测、军事分析、灾害评估、植被覆盖调查和地质找矿等众多领域。将高光谱遥感技术应用于地质上的岩性识别和区域填图，将会在很大程度上减少人力物力及时间，是高光谱技术应用最为成功的方面之一。TASI数据，即航空热红外数据。目前，高光谱研究的重点普遍都是放在可见光领域，对于热红外领域的研究不多。然而TASI数据在以往的传感器基础上，提升了光谱分辨率和空间分辨率，在地质应用领域中具备广阔的前景。但目前，TASI数据应用于地质的经验较少，对于矿物信息提取、地质岩性分类填图则更是少之又少了。通过热红外遥感技术获取地物的发射率与温度信息，一直以来都是热红外遥感领域的热门，同时也是难点所在。至今已出现了许多分离高光谱数据温度和比辐射率的方法，目前关于这些算法的思路主要有以下两种。第一种：利用不同的先验知识，在保持特定发射率谱的前提下充分利用特定发射率的信息，建立特定发射率与某些谱带的某些可计算参数之间的经验关系，使辐射传输方程正则化。这种想法被广泛使用，所开发的算法更适合于多光谱数据，并且还可以扩展到高光谱数据。例如：1985年，Gillespie提出的比辐射率归一化法(NormalizedEmissivityMethod，NEM)；1990年，Kealy和Gahell提出的a剩余法；1990年，法国遥感先驱Becker和他的学生李召良定义了温度无关光谱指数(TISI)，根据白天和夜晚的TISI可以计算地表比辐射率；1998年，Gillespie等依据ASTER数据提出的ASTER-TES算法，该算法是目前公认的最为准确的算法，应用范围最广，是ASTER卫星数据的官方算法。第二种：因为地物比辐射率与上/下行大气比辐射率不同，前者较后者光滑，1998年Borel利用这一特点建立了特定函数，当该特定函数的计算结果达到极值时，可认为此时温度为地物的最适温度，基于此，他提出了光谱平滑迭代法(ISSTES算法)。2003年，Borel将ISSTES算法与ISAC算法结合，提出了AutomaticRetrievalofTemperatureandEMIssivityusingSpectralSmoothness(ARTEMISS)算法。国内学者在温度与发射率分离方面也做出了许多的努力，尽管起步较晚，但是仍有许多不凡的成果可供参阅，例如：2001年，覃志豪在对大气平均作用温度进行正确替换分析的基础上，提出了一种适用于TM6数据的方法，简化了单通道方法，提高了反演精度。在参数估计适中的情况下，其绝对精确度小于0.4K，即使参数出现错误，精度也在1.1K以内。2003年，肖青等在土壤热红外比辐射率特性研究中利用ISSTES法进行了比辐射率和温度的分离，光谱仪的分辨率为1cm时，该算法获得温度优于0.6K、比辐射率优于0.01的反演精度。2006年，唐世浩定义ALPHA差分谱，并进一步提出了一个消除维恩近似影响的校正项，并在此基础上提出了新的温度与发射率分离算法，该新的算法利用ALPHA推导出辐射方法和ASTER-TES算法的优点，而不考虑大气辐射的影响。该新的算法原理清晰，过程简单，求解速度快，结果精度高，并且适用的温度范围广。2008～2010年，王新鸿和欧阳晓莹研究开发了大气残留指数法(DRRI)。该方法计算速度快，精度高，可应用于经大气校正后的高光谱热红外数据。到目前为止，已有许多方法被应用于识别高光谱遥感岩石和矿物中，特别是在可见光-近红外波段范围内，已经大致形成了一套关于岩性识别的体系，按照岩性识别的不同依据，可将识别算法分为两个大类：根据谱带强度相似性对目标地物进行分类和根据目标地物波普特征分类。谱带强度包含每个谱带反射率、发射率和辐射度信息。利用光谱强度提取岩石信息的主要算法是：图像增强法和统计分析法。图像增强法适用于多光谱图像，它主要通过比率计算或矢量空间变换来增强图像中的岩石和矿物信息。图像增强法通过对谱带的反射率的比率计算即空间域变换来增强图像信息，多被应用于岩性识别、岩矿信息提取及识别领域。统计分析法主要包括：聚类分析、神经网络、遗传算法等，其有着约束能力最小、支持向量计算等特征。按照波形特征进行目标识别的算法主要包括：光谱角匹配、光谱二值编码匹配、交叉相关匹配、光谱信息散度等。目前，提取岩石和矿物信息的主要方法主要被应用于可见光、反射热红外领域，对于热红外高光谱领域，由于后者的复杂性，故研究程度较低，难以完全应用。所以，现今尚未有将高光谱技术应用于岩性分类中，在地质的岩性分类这方面几近空白。岩石光谱特征不仅与矿物本身密切相关，同时与矿物单体结晶的空间格架、表面微形貌密切相关。因此，有必要充分利用热红外数据所包含的丰富的岩性信息，深入探索基于热红外数据的岩性识别方法。
技术实现思路
本专利技术的目的在于：充分利用热红外数据所包含的丰富的岩性信息，提供一种基于热红外数据的岩性识别方法。为了实现上述目标，本专利技术采用如下的技术方案：一种基于热红外比辐射率的岩性分类方法，其特征在于，包括以下步骤：步骤1：对TASI数据进行预处理对研究区的TASI数据进行预处理包括三步，分别是：相对辐射校正、大气校正和温度与发射率分离；步骤2：基于PPI的端元提取(1)获取纯净像元使用ForwardMNFEstimateNoiseStatistics工具对原始高光谱图像进行噪声估计，之后通过特征值来选取MNF变换输出的波段数，执行MNF变换后得到结果图像及MNF特征值曲线，随后选取MNF变换后的图像的除去噪声信息以外的信息集中的波段，设置迭代次数为10000次，阈值系数为2，最后获得迭代10000次的纯净像元指数函数图像及PPI变换图像，筛选PPI指数大于10的区域作为感兴趣区；(2)选择端元波谱根据MNF变换结果构建n维可视化散点图，并根据散点相互分布关系选择描画不同的端元，用不同的颜色体现；(3)确定端元光谱的类型将所选定的端元的平均波谱曲线绘制出来，随后将波谱曲线与ENVI软件自带的JHU标准光谱库进行对比，确定端元光谱的类型；步骤3：依据相似系数进行I级岩性分类利用相似系数聚类分析技术对光谱曲线进行分组，随后分别对各组的光谱曲线做主成分分析并提取第一主成分，得到可以代表各组光谱特征的特征光谱曲线，最后利用各组特征光谱曲本文档来自技高网...

【技术保护点】
1.一种基于热红外比辐射率的岩性分类方法，其特征在于，包括以下步骤：/n步骤1：对TASI数据进行预处理/n对研究区的TASI数据进行预处理包括三步，分别是：相对辐射校正、大气校正和温度与发射率分离；/n步骤2：基于PPI的端元提取/n(1)获取纯净像元/n使用Forward MNF Estimate Noise Statistics工具对原始高光谱图像进行噪声估计，之后通过特征值来选取MNF变换输出的波段数，执行MNF变换后得到结果图像及MNF特征值曲线，随后选取MNF变换后的图像的除去噪声信息以外的信息集中的波段，设置迭代次数为10000次，阈值系数为2，最后获得迭代10000次的纯净像元指数函数图像及PPI变换图像，筛选PPI指数大于10的区域作为感兴趣区；/n(2)选择端元波谱/n根据MNF变换结果构建n维可视化散点图，并根据散点相互分布关系选择描画不同的端元，用不同的颜色体现；/n(3)确定端元光谱的类型/n将所选定的端元的平均波谱曲线绘制出来，随后将波谱曲线与ENVI软件自带的JHU标准光谱库进行对比，确定端元光谱的类型；/n步骤3：依据相似系数进行I级岩性分类/n利用相似系数聚类分析技术对光谱曲线进行分组，随后分别对各组的光谱曲线做主成分分析并提取第一主成分，得到可以代表各组光谱特征的特征光谱曲线，最后利用各组特征光谱曲线对TASI比辐射率数据进行光谱角匹配，得到I级岩性填图结果；/n步骤4：应用SDEM算法进行II级岩性分类/n首先，基于像元光谱数据和已知光谱数据计算兰氏距离、光谱信息散度、光谱差曲线标准差和光谱排序编码，然后根据兰氏距离和光谱信息散度计算出谱带强度相似性评价指数、根据光谱差曲线标准差和光谱排序编码计算出波形相似性评价指数，之后将谱带强度相似性评价指数和波形相似性评价指数相乘得到总相似性评价指数，最后依据最小指数原则判定岩性类别；/n步骤5：基于彩色合成法辅助岩性填图/n(1)选择3个差异波段/n首先分析各个预处理后的光谱相关度的高低，然后对比分析反演后的比辐射率波谱数据，人为的将波段分为三组，分别从三组波段中提取B、G、R三个波段；/n(2)岩性预分类/n应用ENVI软件将每个样本像元及其周围8个像元的波谱取均值，对比得出不同的岩性波谱曲线处于峰值与谷值或差异较大的3个波段作为彩色合成波段，获得预分类效果；/n(3)岩性类别判定/n在岩性类别判定时，挑选明显地被预分为多类，且在光谱相似匹配岩性填图中却仅分为I类的区域进行有针对性的补充野外查证，进而判断预分类类别是否为光谱相似匹配岩性填图中漏提的端元。/n...

【技术特征摘要】
1.一种基于热红外比辐射率的岩性分类方法，其特征在于，包括以下步骤：
步骤1：对TASI数据进行预处理
对研究区的TASI数据进行预处理包括三步，分别是：相对辐射校正、大气校正和温度与发射率分离；
步骤2：基于PPI的端元提取
(1)获取纯净像元
使用ForwardMNFEstimateNoiseStatistics工具对原始高光谱图像进行噪声估计，之后通过特征值来选取MNF变换输出的波段数，执行MNF变换后得到结果图像及MNF特征值曲线，随后选取MNF变换后的图像的除去噪声信息以外的信息集中的波段，设置迭代次数为10000次，阈值系数为2，最后获得迭代10000次的纯净像元指数函数图像及PPI变换图像，筛选PPI指数大于10的区域作为感兴趣区；
(2)选择端元波谱
根据MNF变换结果构建n维可视化散点图，并根据散点相互分布关系选择描画不同的端元，用不同的颜色体现；
(3)确定端元光谱的类型
将所选定的端元的平均波谱曲线绘制出来，随后将波谱曲线与ENVI软件自带的JHU标准光谱库进行对比，确定端元光谱的类型；
步骤3：依据相似系数进行I级岩性分类
利用相似系数聚类分析技术对光谱曲线进行分组，随后分别对各组的光谱曲线做主成分分析并提取第一主成分，得到可以代表各组光谱特征的特征光谱曲线，最后利用各组特征光谱曲线对TASI比辐射率数据进行光谱角匹配，得到I级岩性填图结果；
步骤4：应用SDEM算法进行II级岩性分类
首先，基于像元光谱数据和已知光谱数据计算兰氏距离、光谱信息散度、光谱差曲线标准差和光谱排序编码，然后根据兰氏距离和光谱信息散度计算出谱带强度相似性评价指数、根据光谱差曲线标准差和光谱排序编码计算出波形相似性评价指数，之后将谱带强度相似性评价指数和波形相似性评价指数相乘得到总相似性评价指数，最后依据最小指数原则判定岩性类别；
步骤5：基于彩色合成法辅助岩性填图
(1)选择3个差异波段
首先分析各个预处理后的光谱相关度的高低，然后对比分析反演后的比辐射率波谱数据，人为的将波段分为三组，分别从三组...

【专利技术属性】
技术研发人员：张宏睿，杨立强，孙友宏，张庆现，刁习，
申请(专利权)人：中国地质大学北京，
类型：发明
国别省市：北京;11