【文章內(nèi)容簡介】 礦物、水合硫酸鹽化巖石呈品紅色。（又稱KL變換）主成分分析法( PCA)是現(xiàn)在廣泛采用的提取巖石蝕變信息的方法。這種方法是對圖像數(shù)據(jù)的集中和壓縮，它將多光譜圖像中各個波段那些高度相關(guān)的信息集中到少數(shù)的幾個波段，并且盡可能的保證這些波段的信息互不相干。即用幾個綜合性波段代表多波段的原圖像，使處理的數(shù)據(jù)量減少。對于TM圖像，通常PCPCPC3就包含了95 %以上的信息，而后面的主成分幾乎多數(shù)是噪音。主成分分析基于變量之間的相互關(guān)系，在信息總量守恒的前提下，利用線性變換的方法來實現(xiàn)去相關(guān)性。由于所獲各主分量之間不相關(guān)，故各主分量之間信息沒有重復(fù)或冗余。蝕變異常信息的提取正是利用了主成分分析的這一基本性質(zhì)。TM多波段數(shù)據(jù)通過PCA所獲每一主分量常常代表一定的地質(zhì)意義，且互不重復(fù)，即各主分量的地質(zhì)意義有其獨特性。 提取巖石蝕變信息中較為經(jīng)典，也是使用較多的方法crosta法就是利用主成分分析法，該方法通過(TMTMTMTM5)和(TMTMTMTM7)兩組主成分分析提取鐵質(zhì)成分和0H一、C032－蝕變信息。用TMTMTMTM5等4個波段進行PCA，對代表鐵染物主分量的判斷準則是：構(gòu)成該主分量的特征向量，其TM3系數(shù)應(yīng)與TM1及TM4的系數(shù)符號相反，TM3一般與TM5系數(shù)符號相同。依有關(guān)地物的波譜特征，鐵染信息包含于符合這一判斷準則的主分量內(nèi)，將該主分量稱之為鐵染異常主分量。避免TMTM7波段同時參加運算，主要是為了排除粘土類礦物蝕變信息干擾。用TMTMTMTM7等4個波段進行PCA，對代表羥基化物主分量的判斷準則是：構(gòu)成該主分量的特征向量，其TM5系數(shù)應(yīng)與TM7及TM4的系數(shù)符號相反，TM1一般與TM5系數(shù)符號相同。依有關(guān)地物的波譜特征，羥基信息包含于符合這一判斷準則的主分量內(nèi)，故此主分量可稱為羥基異常主分量。刪去TMTM3波段，是為了避免可見光波段同時參加運算，主要是為了排除鐵氧化物的干擾。由于異物同譜現(xiàn)象的存在，這些異常主分量還可能包含著非蝕變的地質(zhì)因素，有待于用其它計算方法乃至借助地質(zhì)知識經(jīng)目視解譯加以區(qū)分。（SAM）光譜角度填圖方法又稱光譜角度匹配法，是以實驗室測得的標準光譜或從圖像上提取的已知點的平均光譜為參考，求算圖像中每個像元矢量(將像元n個波段的光譜響應(yīng)作為n維空間的矢量)與參考光譜矢量之間的廣義夾角，根據(jù)夾角的大小來確定光譜間的相似程度，以達到識別地物的目的。我們可以選取高光譜數(shù)據(jù)運用SAM方法來提取蝕變信息。該方法基于整個譜形特征的相似概率的大小，能有效避免因巖石礦物光譜漂移或光譜變異而造成的單個光譜特征的不匹配，并能充分綜合利用弱的波譜信息。與此同時，輔之以其他的圖像處理方法，提取礦化蝕變信息分布。光譜角識別方法(又稱光譜角度填圖技術(shù))是在由光譜組成的多維光譜矢量空間，利用一個角度測度函數(shù)()求解參考光譜端元矢量(r)與圖像像元光譜矢量(t)的相似程度：參考端元光譜可來自實驗室、野外測量或已知類別的圖像像元光譜。當(dāng)用實驗測量光譜與圖像光譜比較時，須將測量光譜按照圖像光譜的波長進行重采樣，使得兩個光譜具有相同的維數(shù)。介于0和/2之間，其值愈小，說明二者的相似程度愈高，識別與提取的信息也就愈可靠。通過合理的閾值選擇，可以獲取蝕變信息的二值圖像。(Correspondence Analysis)(R—Q型因子分析法)因子分析是把一些具有錯綜復(fù)雜關(guān)系的因子(樣品或變量)歸結(jié)為數(shù)量較少的幾個綜合因子的一種多元統(tǒng)計方法。通過一系列坐標旋轉(zhuǎn)變換，能夠在n個變量中，提取出幾個主要的因子，反映n個變量的主要信息，通常也叫降維分析。因子分析分為R型和Q型兩種因子分析。Q型因子分析提取出主因子后，分析各個樣品的主因子得分，從中研究各個樣品間的相互關(guān)系。根據(jù)因子得分的情況，對樣品進行分類；R型因子分析，也叫做主成分分析，對變量進行歸納整理，獲得各個變量的主因子得分。從而分析變量之間的關(guān)系，對變量進行必要的分類。對應(yīng)分析是在R型和Q型因子的基礎(chǔ)上發(fā)展起來的，又稱RQ型因子分析，是由法國巴黎科學(xué)院統(tǒng)計研究室Benzeci教授于1970年首次提出的。對應(yīng)分析提供以下信息：①變量(波段)間的關(guān)系：在主成分空間，鄰近的一些變量(波段)點，表示這些變量(波段)緊密相關(guān)。②樣品間的關(guān)系：在主成分空間，鄰近的樣品具有相似的光譜特征，屬于同一種地物類型。③變量(波段)與樣品間的關(guān)系：同一類型的樣品點將為鄰近的變量(波段)點所表征。具體到圖像就是說，這些波段是這些樣品的特征波段。同時各個主成分的物理含義也得到明確。對應(yīng)分析與主成分相比不僅能提供原始圖像各波段與對應(yīng)分析后各成分的關(guān)系，還能清晰表達原始圖像各波段與圖像中主要地物的關(guān)系、對應(yīng)分析后各成分與圖像中主要地物的關(guān)系，更重要的是所需巖性信息在對應(yīng)分析后三成分的假彩色合成圖像上得到了更加清晰地展現(xiàn)。（Mask PCA and HIS）MPH技術(shù)是排除臨邊效應(yīng)影響和提取礦化弱信息的一種數(shù)字圖像處理技術(shù)。該技術(shù)有機地組合了三種傳統(tǒng)的數(shù)字圖像處理方法：掩膜技術(shù)(MASK)、主成分變換(PCA)以及弱信息色度與飽和度調(diào)整(HIS)。掩膜技術(shù)就是去除遙感圖像中的干擾信息(如水體、云陰影等)，掩膜后圖像像元灰度值的均值有所下降，而標準差有較大提高。將去除干擾信息的圖像作主成分變換，即在信息總量守恒的前提下，利用線性變換的方法來實現(xiàn)去相關(guān)性。由于所獲各主分量之間不相關(guān)，故各主分量之間信息沒有重復(fù)或冗余。TM多波段數(shù)據(jù)通過PCA所獲每一主分量常常代表某一特定的地質(zhì)意義。對做完主成分變換的彩色合成圖像作從RGB到HIS的彩色空間變換。HIS空間是采用 H(色調(diào))I(飽和度)S(亮度)來定義顏色。H、I、S三者之間相關(guān)系數(shù)很小，對3個成分作增強處理信息量損失較小。常用該方法進行遙感圖像中色調(diào)定量解釋，圖像增強及含礦信息提取，多源遙感數(shù)據(jù)的融合，以及對地質(zhì)信息中的巖性識別和構(gòu)造解譯。(Mixed Pixel Deposition)一個像素只包含了一種地物的信息，這種像素叫做純像素(pure pixe1)。然而在遙感圖像中，通常一個像素包含了多種地物的信息，這種像素稱為混合像元(mixed pixe1)。根據(jù)每個像素中某種地物所占百分比對像素進行分解，這一過程叫混合像元的分解。人們已經(jīng)建立了多種模型用于混合像元的分解，這些模型包括：線性模型，概率模型，幾何光學(xué)模型，隨機幾何模型，模糊模型等。將混合像元分解模型用于蝕變信息提取的目的是通過計算每個像元中各典型地物(如植被)的豐度，除去植被等干擾信息，為后續(xù)提取礦化蝕變信息提供可靠的基礎(chǔ)數(shù)據(jù)。 對于有積雪覆蓋的高山地區(qū)，運用主成分分析和波段比值法提取蝕變信息難以取得理想的效果。GramSchmidt構(gòu)造算法如下[14]：設(shè)η1 ,η2 , ?,η是一組相互獨立的向量，利用下列方式構(gòu)造該向量組的正交基。β1 =η1‖η1 ‖2 。βi =ηi ^ηi‖ηi ^ηi ‖2 。 ^ η = Σi 1k 1ηi βk βk　　將遙感數(shù)據(jù)的一個MN大小的圖像當(dāng)成一個MN維向量，所有波段的遙感數(shù)據(jù)組成一組線性獨立的向量。利用GramSchmidt投影方法構(gòu)造多波段遙感數(shù)據(jù)的正交向量。把原始TM影像TM2 、3 、4 、5 、6 、7看作L2空間線性獨立的隨機變量序列。第一個初始向量的選擇被設(shè)定為基向量，其它向量順序在前面向量所組成的空間內(nèi)投影，并且從本身中減去在前面向量空間的估計，剩下不相關(guān)的分量。挑選相似性最小的變化結(jié)果向量圖像、相似性最大的變化結(jié)果向量圖像和相似性中等的變化結(jié)果向量圖像合成彩色圖像，可以獲得蝕變異常區(qū)域。采用GramSchmidt正交投影方法分解處理多光譜TM數(shù)據(jù)信息，可以定量化地評價多波段信息相似性程度，同時可以定量化評價多波段信息對處理結(jié)果的貢獻。因各波段間存在著較高的相關(guān)性，必定會產(chǎn)生大量的冗余信息，不利于巖性的識別，通過原始波段圖像與一個轉(zhuǎn)換矩陣相乘，可實現(xiàn)去相關(guān)處理。這種方法可作為一種有效的輔助手段，配合其他方法進行圖像處理。利用去相關(guān)分析結(jié)合主成分分析與比值分析，可以在中等程度植被覆蓋區(qū)進行礦化蝕變信息增強處理，有效提取出礦化蝕變信息。在編制區(qū)域1：20萬和1：5萬遙感綜合地質(zhì)解譯圖時，所用的基礎(chǔ)圖件一般是經(jīng)過去相關(guān)、邊緣增強及彩色合成處理后的TM圖像?！?。人們普遍采用歸一化植被指數(shù)NDVI=(TM4TM3)/(TM4+TM3)來反映植被覆蓋程度及生長狀況。由于與金屬成礦作用息息相關(guān)的青磐巖化的反射光譜吸收帶處在TM7波段，因而(TM7NDVI)/(TM7+NDVI)組合處理則兼顧了圍巖蝕變與植被兩類信息。將這種圖像數(shù)據(jù)進行歸一化處理后與TMTM2等數(shù)據(jù)作彩色合成，對增強青磐巖化和碳酸巖化蝕變礦物的光譜信息提取比較有效。(SVM)遙感礦化蝕變信息提取支持向量機(SVM)是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)算法，在解決有限樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的性能，并且具有強大的泛化能力。但支持向量機算法本身是一種監(jiān)督學(xué)習(xí)方法，需要一定數(shù)量標注過類型的訓(xùn)練樣本。對遙感找礦信息而言，訓(xùn)練樣本選取的方法主要通過野外實地調(diào)查，然后，在遙感影像上，利用準確的界線建立感興趣區(qū)，選取訓(xùn)練樣本，這種地面調(diào)查花費的人力、物力和財力較大，且有些地理區(qū)域，地面難以抵達，這些地區(qū)的樣本信息就難以獲取，實際應(yīng)用效率較低。因此,可以首先利用光譜角度制圖法(SAM)提取訓(xùn)練樣本，然后，利用支持向量機(SVM)提取遙感礦化蝕變信息。SVM算法的實現(xiàn)。首先，利用光譜角制圖法(SAM)選取足夠數(shù)量的訓(xùn)練樣本；然后，利用SVM構(gòu)造最優(yōu)分類器模型；最后，利用該分類器模型對遙感圖像進行信息提取，其算法描述如下：第1步，對每個影像像元光譜計算它與各類實測光譜間的光譜角，并將該角度和所設(shè)定的初始閾值比較，若小于某類設(shè)定閾值，則選為該類的訓(xùn)練樣本。這里的技術(shù)關(guān)鍵是初始閾值的設(shè)置，既要保證采集到足夠的樣本，又要保證訓(xùn)練樣本與提取目標的最大相似性；第2步，如果某類的訓(xùn)練樣本數(shù)未達到所需的樣本數(shù)，則重新調(diào)整閾值，執(zhí)行步驟1；第3步，利用提取的訓(xùn)練樣本集，應(yīng)用crossvalidation算法確定最優(yōu)SVM模型參數(shù)；第4步，根據(jù)最優(yōu)SVM模型參數(shù)訓(xùn)練SVM分類器模型；第5步，采用訓(xùn)練好的SVM模型對整個遙感圖像進行信息提取。(SCM)提取礦化蝕變信息光譜特征匹配技術(shù)(SCM)是應(yīng)用地物的特征吸收譜段來判別研究區(qū)內(nèi)含該類地物的豐度，首先要確定要提取的地物在該區(qū)存在，對該地物的標準光譜和原始圖像進行閉聯(lián)集去除，然后進行光譜特征匹配。該方法的關(guān)鍵點是進行光譜吸收谷的匹配，其原理是：應(yīng)用最小二乘法，以去除閉聯(lián)集的某個標準地物光譜曲線為標準，在吸收的譜段范圍內(nèi)對ETM影像中每一個像元進行吸收谷深度對比，根據(jù)吸收谷位置和深度的近似性確定該像元與該地物的相似程度，相似程度越大，該像元的光譜特征匹配結(jié)果取值也越大，同時用均方根誤差(root mean square(RMS)error)的大小來確定該像元與該類地物的比較結(jié)果的精度，一般來說，RMS越小，說明精度較高，如果RM