一种高光谱遥感蚀变矿物提取方法

技术领域

本发明属于遥感地质调查技术领域，具体涉及一种高光谱遥感蚀变矿物提取方法。

背景技术

不同类型地物具有其独特的光谱特征，依据矿物诊断性光谱特征可以直接识别矿物类型和矿物组分。高光谱遥感数据包含丰富的光谱和空间信息，具有图谱合一的特点，在遥感地质领域发挥了重要的作用。然而，波段数目的增加同样导致了数据量庞大、冗余度高等问题，为了得到较高的分类精度需要更大规模的训练样本数据作为支撑，这也为高光谱数据的应用带来挑战。如何既能充分利用高光谱数据中的有效信息进行地物识别、分类，又能提升高光谱数据的处理效率成为高光谱领域重要的研究方向。

然而，小波变换具有同时在时域和频域表征信号局部特征的能力，能够从信号在不同尺度下的变换结果中分析信号特性，在信号处理领域应用广泛。

因此，需要开发一种高光谱遥感蚀变矿物提取方法，能够有效提高高光谱数据的处理效率及分类精度。

发明内容

本发明的目的在于提供一种高光谱遥感蚀变矿物提取方法，通过选择合适的小波基函数和分解层数，对蚀变矿物光谱信号进行多尺度一维离散小波分解，采用非线性小波特征提取方法筛选原始光谱信号中的重要特征，并通过精度对比找到最佳数量特征组合，输出最终蚀变矿物提取结果。本发明方法能够有效提高高光谱数据的分类性能，并保证最终的分类精度。

实现本发明目的的技术方案：一种高光谱遥感蚀变矿物提取方法，所述方法包括以下步骤：

步骤(1)、获取高光谱遥感数据并对高光谱遥感数据进行预处理；

步骤(2)、获取蚀变矿物端元光谱；

步骤(3)、确定最佳小波基函数；

步骤(4)、运用非线性小波特征提取方法筛选重要特征；

步骤(5)、选取不同数量的重要特征组合进行高光谱蚀变矿物提取；

步骤(6)、输出最终提取结果。

进一步地，所述步骤(1)中对高光谱遥感数据进行预处理包括辐射校正、几何校正、大气校正、图像裁剪。

进一步地，所述步骤(2)具体为：对步骤(1)预处理后的高光谱数据进行最小噪声分离变换实现信号、噪声分离；利用纯净像元指数方法提取图像中的“纯”像元；通过N维散度分析得到各个“纯”像元的光谱曲线，对照标准矿物光谱库及理论分析确定最终的蚀变矿物端元光谱。

进一步地，所述步骤(3)包括：

步骤(3.1)、根据小波函数性质确定小波簇种类及其所包含的小波基系列；

步骤(3.2)、对步骤(2)获取的蚀变矿物端元光谱进行多尺度一维离散小波分解，得到不同尺度的高频细节系数和低频近似系数；

步骤(3.3)、对步骤(3.2)得到的全部高频细节系数进行软阈值处理；

步骤(3.4)、利用步骤(3.2)得到的最高尺度低频近似系数和步骤(3.3)软阈值处理后的每一尺度的高频细节系数进行小波重构，得到软阈值降噪后的重构信号；

步骤(3.5)、计算步骤(3.4)得到的重构信号与步骤(2)获取的矿物端元光谱信号的相关系数，确定最佳小波基函数。

进一步地，所述步骤(4)包括：

步骤(4.1)、将步骤(3)确定的最佳小波基函数记为

步骤(4.2)、通过非线性小波特征提取方法筛选出重要特征。

进一步地，所述步骤(5)具体为：将步骤(4)筛选出的重要特征进行不同数量的重新组合，并使用这些重要特征组合分别训练神经网络模型，进行高光谱蚀变矿物提取。

进一步地，所述步骤(6)具体为：利用混淆矩阵评价步骤(5)中不同重要特征组合的蚀变矿物提取精度，将精度最高的重要特征组合作为最佳重要特征数量组合，其对应的蚀变矿物分类结果即为最终提取结果。

本发明的有益技术效果在于：

1、本发明的一种高光谱遥感蚀变矿物提取方法通过小波变换从原始高光谱数据中提取一系列蚀变矿物的重要光谱特征，减少了信息冗余，在保证最终分类精度的同时提高了高光谱数据处理的效率，适用范围广泛；

2、本发明的一种高光谱遥感蚀变矿物提取方法简便快捷，根据相似性准则选取最优小波基函数，降低人为经验干扰。

附图说明

图1为本发明所提供的一种高光谱遥感蚀变矿物提取方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

如图1所示，本发明提供的一种高光谱遥感蚀变矿物提取方法，所述方法包括以下步骤：

步骤(1)、获取高光谱遥感数据并对高光谱遥感数据进行预处理

利用成像光谱仪获取高光谱遥感数据，成像光谱仪的范围至少覆盖短波红外波段，例如Hyperion、HyMap等传感器。

利用ENVI软件对高光谱遥感数据进行预处理，预处理过程包括辐射校正、几何校正、大气校正、图像裁剪等，最终得到实验区高光谱反射率数据。

步骤(2)、获取蚀变矿物端元光谱

利用ENVI软件对上述步骤(1)预处理后的高光谱数据进行最小噪声分离变换实现信号、噪声分离；利用纯净像元指数方法提取图像中的“纯”像元；通过N维散度分析得到各个“纯”像元的光谱曲线，对照标准矿物光谱库及理论分析确定最终的蚀变矿物端元光谱。

本实施例以高岭石矿物为例，选取20条蚀变矿物端元光谱。

步骤(3)、确定最佳小波基函数

步骤(3.1)、根据小波函数性质确定小波簇种类及其包含的小波基系列，小波簇包含的小波基数量可以根据需求进行调整。

在本实施例中，小波簇选择db、symlet与coiflet，db小波系列包含db1、db2、db3、db4、db5、db6、db7和db8；symlet小波系列包含sym1、sym2、sym3、sym4、sym5、sym6、sym7和sym8；coiflet小波系列包含coif1、coif2、coif3、coif4和coif5。

步骤(3.2)、使用步骤(3.1)确定的小波基系列分别对步骤(2)获取的20条高岭石矿物端元光谱进行多尺度一维离散小波分解，得到不同尺度的高频细节系数和低频近似系数。

在本实施例中，选用Matlab中的wavedec函数，使用给定的小波基对信号进行多尺度一维离散小波分解，分解层数n设置为6层，每个小波基分解后均可得到6个层次的高频细节系数D

步骤(3.3)、对步骤(3.2)得到的全部高频细节系数D

在本实施例中，选用Matlab中wthresh函数，对信号的分解系数进行阈值去噪处理，即进行软阈值处理。

步骤(3.4)、利用步骤(3.2)得到的最高尺度低频近似系数A

在本实施例中，选用Matlab中waverec函数，利用给定的小波系数对信号进行多层小波重构，小波基类型与步骤(3.2)中一维离散小波分解时保持一致，重构时使用的分解系数为[A

步骤(3.5)、计算步骤(3.4)得到的重构信号与步骤(2)获取的矿物端元光谱信号的相关系数，将最大相关系数对应的小波基函数确定为最佳小波基函数。

本实施中针对实验区高岭石矿物的最优小波基函数为db7，相关系数达到0.8902。

步骤(4)、运用非线性小波特征提取方法筛选重要特征

步骤(4.1)、将步骤(3)确定的最佳小波基函数记为

在本实施例中，选用Matlab中的wavedec函数进行一维离散小波分解，分解层数m设置为4层，每条矿物端元光谱分解后均可得到4个尺度的高频细节系数H

步骤(4.2)、为了降低计算的复杂度，提高处理效率，通过非线性小波特征提取方法筛选分类能力最好的系数作为重要特征。

首先，选取步骤(4.1)得到的每条端元光谱中最高尺度低频近似系数L

在本实施例中，数量阈值M设置为25，最终筛选出25个重要特征。

步骤(5)、选取不同数量的重要特征组合进行高光谱蚀变矿物提取

将步骤(4)筛选出的重要特征进行不同数量的重新组合，并使用这些重要特征组合分别训练神经网络模型，进行高光谱蚀变矿物提取。

在本实施例中，将步骤(4)筛选出的25个重要特征进行不同数量的重新组合，并使用这些重要特征组合分别训练神经网络模型，进行高光谱蚀变矿物提取。

步骤(6)、输出最终提取结果。

利用混淆矩阵评价步骤(5)中不同重要特征组合的蚀变矿物提取精度，将精度最高的重要特征组合作为最佳重要特征数量组合，其对应的蚀变矿物分类结果即为最终提取结果。

在本实施例中，重要特征数量为12时得到的混淆矩阵精度最高，将其对应的蚀变矿物分类结果输出为最终提取结果。

上面结合附图和实施例对本发明作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。