一种高光谱矿物填图方法技术

本发明专利技术涉及一种高光谱数据在没有先验信息条件下利用数据的统计特性实现矿物填图的方法，该算法包括：读入高光谱数据，数据中心化，数据球化，独立成分分析模型的建立，独立成分排序，矿物端元提取，最小噪声分离变换、混合调制匹配滤波、矿物填图。通过本发明专利技术涉及的方法能够在未知先验信息的情况下，利用数据本身的高阶统计特性实现基于独立成分分析模型的蚀变矿物端元提取；同时，利用基于混合调制匹配滤波的方法实现蚀变矿物的填图。本方法在矿物识别中避免了由于光谱混合、光照、成矿条件等引起的矿物光谱特征不确定性的影响，结合了线性混合分解理论中的端元组分含量为正且和为１的约束条件，有效的提高了矿物的检出限和矿物填图精度。

【技术实现步骤摘要】

本专利技术涉及高光谱遥感地学应用领域，具体的说是一种应用于在未知先 验信息的条件下实现高光i普矿物填图的方法。
技术介绍
高光语成像仪是一种新型的遥感载荷，其光谱具有紧密、连续的特点， 可以同时记录被测同 一地物的光谱和空间信息特征，使本来在宽波段遥感中 不可能探测的物质在高光谱遥感中能被探测到，目前，国内外发展的地物光 谱识别模型从本质上可以分为以下三种模型(1 )基于光i普吸收谱带参量 的模式识别模型；(2)基于重建光谱与参考光谱相似性度量的光语匹配模 型；(3)基于矿物学、光语学、光学等知识的智能识别模型。由于波谱重 建过程中的误差、化学成分和晶体结构的微小改变、光谱混合、以及光照等 环境因素的影响，这些影响因素容易使重建光谱以及矿物识别所使用的波语 参量发生变化，因此，不仅会降低对矿物的鉴别能力，增大矿物识别的不确 定性，而且使识别的灵敏度大为降低。同时，由于受光谱混合影响、数据库 不全、专家经验不足以及光镨学与数学理论不成熟等方面的限制，智能识别 模型在进行矿物识别是会产生混淆和误判的现象。独立成分分析(Independent Component Analysis, ICA)是近几年才 发展起来的一种基于信号高阶统计特性的分析方法，该方法的目的是将观察 得到的数据进行某种线性分解，使其分解成统计独立的成分。正是由于这一 特点，使ICA在信号处理领域受到了密切的关注，随着近年来在ICA方面 研究兴趣的增加，使它在遥感等许多领域也有了非常广泛的应用。匹配滤波技术先前用于混合背景中进行已知信号的提取，特别是在无线 电和雷达应用中。该技术主要是在未知背景信号的情况下，通过优化线性检测器最大化已知信号，实现抑制背景、增加目标与背景的可分性。混合调制 匹配滤波方法是结合了线性光i普混合模型和匹配滤波模型优点的复合算法。 它综合了匹配滤波不需要其它背景端元光语的优点和线性混合分解的像元 中各端元的含量为正且总和为1的约束条件。
技术实现思路
针对高光谱数据在地学应用中由于光语混合、地质条件差异等造成的光 谱特征不确定以及先验知识不足和获取困难等问题，提出了基于独立成份分 析和混合调制匹配滤波的高光语数据矿物识别方法。该方法有效地避免了先 验知识不足、光谱特征不确定等问题的限制，提高了矿物检出限和矿物填图 精度。本专利技术的技术解决方案为以基于独立成分分析的算法实现无先验信息 的高光谱矿物端元提取，以基于混合调制匹配滤波的方法实现矿物填图，其 中，以基于数据四阶累积量一峰度的模型进行非高斯性的度量。具体步骤如 下(1) 读取观测得到的数据X;(2) 建立ICA模型X=AS;(3) 对Z进行中心化和球化处理；(4) 初始化分离矩阵W;(5) 计算独立成份信号S的估计值Y=WTX，并进行基于峰度的非高斯性 度量；(6) 算法终止条件判断如果满足终止条件，则算法结束，执行步骤 (9);否则继续算法；(7) 更新分离矩阵W,计算独立成份信号S的估计值Y=WTX,并进行基 于峰度的非高斯性度量；(8) 迭代次数增加l,执行步骤(6);(9) 结束迭代运算，得到混合矩阵A-W—1,并计算独立成份信号S=Y;(10)采用数据三阶累积量^f扁度的平方k〗进行独立成份排序；(11 )提取矿物端元；(12) 将高光谱数据进行最小噪声变换处理；(13) 将进行步骤(12)处理的端元光谱作为混合调制匹配滤波的输入， 并在满足独立成分含量为正且和为1的约束条件下，实现矿物含量 估计和空间分布；(14) 得到矿物组分含量填图结果。 附图说明图1为本专利技术实现高光谱数据矿物填图的流程图。 图2为混合调制匹配滤波原理示意图。图3为本专利技术方法提取的矿物端元光谱，其中，(a)富铝绢云母矿物 端元光谱，(b)为贫铝绢云母矿物端元光谱，(c)为高岭石化矿物端元光 谱，(d)为绿泥石化矿物端元光谱。图4为本专利技术实现高光谱矿物填图的结果，其中，(a)高岭石化矿物， (b)富铝绢云母矿物，(c)贫铝绢云母矿物，(d)绿泥石化矿物。 具体实施例方式如图1所示，本专利技术的具体实施方法如下1.基于峰度的ICA模型建立ICA是一种产生统计独立成分的多元变量数据分析方法，在利用其进行 地物分类时，每一类别作为独立成分表示出来，因此得到了类别的可分离性 最大化。设观测信号J^[x,，x2,…,xJ是m维的随机向量，源信号S^[^&,…Af是"维的独立随机向量，混合矩阵^为mxn维非奇异矩阵，则它们的线性组合可以描述为l =必 (1 )(1)式称为ICA模型。ICA的实质是在源信号s和混合矩阵^未知的 情况下，根据已知的观测信号X利用源信号S的统计特性，确定分离矩阵『，使y-『Z，且满足7 =[少1,}2,...,乂/的各个变量之间尽可能的相互独立，则y就 是S的 一 个估计，同时可以确定混合矩阵j =『-'。在估计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及大似然估计。由统计-论中的中心-，及限定理 一组独立随 〖几变量和的 分布比任何源信号更接近于高斯分布，因此，可以将非高斯性作为随机信号 相互独立的度量。根据这一定理，本专利技术中采用非高斯性的最大化估计ICA 模型，利用四阶累积量一峰度(Kurtosis)进行非高斯性的度量，这主要是 因为峰度在理论和计算上都非常的简单，且易于实现。随机变量y的峰度定 义为=3(￡{/})2 (2) 对于一个高斯分布的随机变量而言，它的峰度等于"0"，但是对于大 多数的非高斯随机变量来说，峰度不等于"0"。由于峰度有正有负，因此， 非高斯性的测量一般利用峰度的绝对值或是平方，值为"0"的是高斯变量， 大于"0"的是非高斯变量。2. 数据的中心化、球化采用的是最大化非高斯性进行估计ICA模型，采用峰度作为非高斯性的 度量方法的前提假设条件随机变量零均值，同时满足￡{;;/} = /。因此需要 对待处理的信号变量以及遗传操作的每一代信号变量进行中心化和球化处 理，中心化的目的是保证随机变量零均值，中心化后的信号由观测信号Z减 去Z的均值得到；球化的目的是保证随机变量满足￡{"7'} = /条件，球化处理 由主成份分析(Principal Component Analysis, PCA)算法实现。3. 独立成分排序应用本专利技术涉及的基于量子遗传算法的ICA进行高光谱地物精细分类 时，为了获得含有所感兴趣目标信息，需要对所获得的独立成份进行排序。 采用的排序指标是k;,其中，^表示数据的三阶累积量一偏度(skewness)。 因为偏度能够直接反映高光谱数据中目标与背景在光谱空间上的偏离程度。4. 混合调制匹配滤波匹配滤波通过最大化已知端元波谱信号，压制未知复合背景的响应信号 实现端元波谱匹配，该方法能生成类似于波谱分离的影像，但由于不需要已 知所有的端元光谱而使计算量显著降低。混合调制匹配滤波技术是匹配滤波技术和线性混合分解理论的复合方 法，该方法原理图解如附图2所示。该方法将上述描述的匹配滤波不需要已 知其他背景端元波谱的优点与线性混合分解理论中的物理条件限制(给定像 元的信号是包含在该像元中的单一物质成份的线性组合，同时各个组分的含 量为正且和为1 )结合起来，因而提高了矿物的检出限，能探测出其它方本文档来自技高网...

【技术保护点】
一种高光谱矿物填图方法，包括如下步骤：（１）读入高光谱数据；（２）数据进行中心化和球化；（３）基于峰度的独立成分分析；（４）独立成分提取与排序；（５）确定端元，提取矿物端元；（６）高光谱数据进 行最小噪声分离（ＭＮＦ）变换（７）以步骤（６）处理结果得到的端元光谱作为输入进行混合调制匹配滤波；（８）高光谱矿物填图结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵慧洁，李娜，贾国瑞，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]