Análisis y extracción de características espectrales
En primer lugar, para resolver el problema de que las características de absorción espectral se ven muy afectadas por el ruido, el componente mínimo de ruido se transforma directamente en los datos, y luego el mínimo El espacio de características del componente de ruido es Los datos se transforman nuevamente al espacio de datos original, es decir, el componente de ruido mínimo se transforma inversamente. Luego, para resolver los problemas de la absorción única inestable y el gran impacto de la luz en la amplitud espectral, se propone utilizar todas las características de absorción sobre la base de la eliminación continua para reorganizar las características de absorción espectral de fuerte a débil de acuerdo con la Profundidad de absorción para lograr características espectrales estables y confiables.
(1) Transformación mínima del componente de ruido
En aplicaciones prácticas, las características de absorción espectral de los objetos terrestres son muy sensibles al ruido. Por lo tanto, antes de la extracción de características, se introduce la fracción mínima de ruido (MNF) para eliminar el impacto del ruido en la extracción de características y la correlación de datos.
Green y otros mejoraron la transformación MNF basándose en la teoría del análisis de componentes principales. Generalmente se utiliza para eliminar componentes de ruido en los datos y determinar las dimensiones intrínsecas de los datos hiperespectrales, reduciendo así la complejidad computacional del procesamiento posterior.
Este método se basa en la matriz de estimación de la covarianza del ruido, ajusta el valor del ruido y elimina la correlación entre bandas. La varianza del ruido en los datos resultantes es 1 y no existe correlación entre las bandas. Supongamos que los datos hiperespectrales x = [x1, x2,...,XM] t se pueden expresar como
Las matrices de señal y ruido no están correlacionadas entre sí, el componente de ruido de la banda I es; definido como NFI =, y la relación señal-ruido se define como SNRi= =.
∑X, ∑Z y ∑N son las matrices de covarianza de la señal observable, señal ideal y ruido respectivamente, y tienen
∑X =∑XZ +∑N (6.2)
Supongamos que f es la matriz de blanqueamiento de ∑N, y la matriz de valores propios de ∑N es = diag (λ n1, λN2,…, λNp), donde p es el número de bandas, entonces hay
Principios de la tecnología de teledetección hiperespectral y su aplicación en la exploración de minerales y energía
Principios de la tecnología de teledetección hiperespectral y su aplicación en la exploración de minerales y energía
Dónde: I es la matriz unitaria, la matriz consta de los vectores propios de ΣN, que satisfacen.
Supongamos que ∑w = f t ∑ x f es la matriz de covarianza de los datos de observación blanqueados por ruido. La matriz diagonal compuesta por los valores propios de la matriz ∑w es = d Iag (λ w1, λw2,…, λwp). Si la matriz ∑ w se transforma en el componente principal, podemos obtener que está compuesta por los vectores propios de la matriz ∑ w, entonces
Principios de la tecnología de teledetección hiperespectral y su aplicación en la exploración de minerales y energía
Luego obtenga la matriz de transformación del componente mínimo de ruido:
Principios de la tecnología de teledetección hiperespectral y su aplicación en la exploración de minerales y energía
Transformación del componente mínimo de ruido de la señal de observación Posteriormente, la matriz obtenida de la ecuación (6.6) es
T = MTX (6.7)
Después de la transformación en la ecuación (6.7), las bandas de frecuencia de la señal observable Las señales que son diferentes entre sí están correlacionadas y las bandas de frecuencia están dispuestas en orden descendente de relación señal-ruido. Es decir, de acuerdo con los valores propios de los datos transformados T, un valor propio mayor corresponde a una imagen dominada por la señal, y un valor propio cercano a 1 indica una imagen dominada por el ruido. La T transformada generalmente se puede usar directamente para el posprocesamiento de datos, pero Cheriyadat y Bruce han demostrado que la transformación del componente principal depende completamente de la covarianza de todos los datos cuando la varianza dentro de la clase ocupa la mayor parte de la variación entre clases. varianza, la transformación del componente principal tiende a proyectar los datos en una dirección que no conduce a la clasificación. Se puede ver que la transformación MNF y la transformación del componente principal tienen las mismas características. Por lo tanto, después de usar MNF, el algoritmo propuesto en este estudio utiliza la transformación inversa del componente de ruido mínimo para transformar los datos nuevamente al espacio espectral, lo que puede maximizar la separabilidad de los datos.
(2) Reordenamiento espectral
La información espectral de diferentes objetos terrestres es diferente. Por lo tanto, la información espectral fina de los objetos terrestres proporcionada por la detección remota hiperespectral se puede utilizar directamente como base para la extracción de características y el reconocimiento de objetivos. Por ejemplo, la vegetación se puede extraer mediante características como bordes rojos, picos verdes y NDVI.
Cuando los espectros de diferentes objetos terrestres son básicamente iguales en forma, amplitud y tendencia de cambio (es decir, las características espectrales son similares), es muy difícil extraer y distinguir las características destacadas de diferentes objetos terrestres, es decir, la irrelevancia. entre los objetos terrestres se distribuye uniformemente en cada banda, además, debido a que una sola característica de absorción espectral se ve fácilmente afectada por las condiciones de iluminación y la atmósfera, los parámetros de características espectrales extraídos son inestables; Por lo tanto, para resolver los problemas anteriores, se propone un método de extracción de características basado en el reordenamiento espectral, que se organiza de acuerdo con la profundidad de absorción espectral de fuerte a débil, y las bandas características restantes sin absorción se organizan de acuerdo con la longitud de onda de pequeña. demasiado grande.
El proceso de implementación del reordenamiento espectral es el siguiente:
1) Calcular la eliminación del espectro objetivo en función del punto de flexión espectral, la reflectancia espectral máxima y mínima y la posición de la longitud de onda determinada por el diferencial. valor de cada orden La posición de absorción λM y su valor de reflectancia ρM después del espectro continuo, la profundidad de absorción h, los hombros izquierdo y derecho de absorción (ρ l, ρ r) y sus valores de reflexión (ρL, ρR), el La fórmula de cálculo de la profundidad de absorción h es la siguiente:
H = d × ρL +(1-d)× ρR-ρM (6.8)
d =(λL-λM) /(λR-λL) (6.9)
2) Organice el espectro objetivo según la profundidad de absorción h de fuerte a débil. Si no hay característica de absorción, organice el espectro objetivo según la longitud de onda desde pequeña. demasiado grande;
3) Utilice el espectro objetivo como espectro básico, según el espectro objetivo. Los espectros de datos de la imagen se ordenan por longitudes de onda reorganizadas.
Este método utiliza eficazmente todas las características de absorción de los objetos terrestres proporcionadas por datos de detección remota hiperespectral, lo que aumenta la estabilidad y confiabilidad de la extracción de características. Y a través de una gran cantidad de experimentos, se descubrió que después de la reordenación espectral de dos objetos terrestres diferentes, las características distintivas de los diferentes objetos terrestres son más obvias, lo que aumenta la separabilidad entre categorías.
(3) Implementación del algoritmo
El proceso de implementación del método de extracción de características espectrales anti-ruido basado en el reordenamiento espectral se muestra en la Figura 6.1. Este método introduce la transformación MNF para eliminar el impacto del ruido en la extracción de parámetros de características de absorción espectral. Para suprimir eficazmente el impacto de los cambios de amplitud espectral causados por las condiciones de iluminación, sensores y otros factores en la extracción de características espectrales, se introduce la operación de espectro continuo para superar los problemas de características individuales inestables y características espectrales similares de diferentes objetivos; Se propone un método de reordenamiento espectral.
(4) Análisis experimental
Para verificar la efectividad y viabilidad del método de investigación anterior, se llevó a cabo un análisis experimental utilizando datos hiperespectrales de aviación AVIRIS y el ángulo espectral entre espectros. se utilizó para realizar análisis cuantitativos separables.
Los datos experimentales son los datos hiperespectrales aéreos de AVIRIS en la zona minera de cobre de Nevada, EE.UU. en julio de 1995. La reflectancia de la superficie se corrige mediante el método ATREM. El rango de banda es 1990 ~ 2480 nm, la resolución espacial es 20 m, la resolución espectral es 10 nm y el tamaño de los datos es 255 × 350 × 50.
Figura 6.1 Proceso de implementación del método de extracción de características espectrales
El mapa de distribución de minerales del área de estudio se muestra en la Figura 6.2(a), y la curva espectral de caolinita extraída de los datos es como se muestra en la Figura 6.2 Como se muestra en (b), el espectro reordenado se muestra en la Figura 6.2(c). La comparación espectral de caolinita, alunita, puddingita y sílice hidrotermal antes de la extracción de características se muestra en la Figura 6.3(a). Con base en el espectro de caolinita, las características espectrales de los cuatro minerales después del reordenamiento espectral se muestran en la Figura 6.3(b) (la ordenada de la curva espectral en la figura está desplazada). Se utilizó el método del ángulo espectral para comparar la separabilidad de los cuatro minerales antes y después del reordenamiento espectral. Los resultados se muestran en las Tablas 6.1 y 6.2.
Figura 6.2 Comparación de espectros de minerales de caolinita
Figura 6.3 Comparación de espectros de cuatro minerales
Tabla 6.1 Separabilidad de cuatro minerales en datos espectrales originales
Tabla 6.2 Separabilidad de cuatro minerales en datos espectrales reordenados
Como se puede ver en las Figuras 6.2 y 6.3, después del reordenamiento espectral, el espectro del mineral caolinita Las características de absorción se han reorganizado según la absorción. profundidad para mostrar mejor todas las características de absorción y los cambios en las características de absorción primaria y secundaria del hiperespectro; además, las características espectrales de la alunita y la caolinita a 2200 nm se pueden distinguir bien porque tienen diferentes anchos de absorción; Se puede ver en la Figura 6.3 y la Tabla 6.2 que después del reordenamiento espectral, la selectividad de la caolinita y los otros tres minerales ha mejorado en diversos grados, especialmente la selectividad de la caolinita y la alunita aumentó de 0,1978 a 0,225. posterior identificación y clasificación de minerales.
Figura 6.4 Resultados de identificación de minerales del método Sam
Para verificar aún más el rendimiento de este método, se compararon y analizaron los resultados de identificación de minerales de este método y el método SAM. Los resultados de la identificación de coincidencia de ángulos espectrales utilizando el espectro original se muestran en la Figura 6.4. Los datos obtenidos mediante el método de extracción de características anti-ruido basado en el reordenamiento espectral se utilizan para la identificación de minerales. Los resultados se muestran en la Figura 6.5. Se puede ver que ambos métodos pueden identificar los cuatro minerales de alteración principales, pero existe un cierto grado de confusión mineral en los resultados de identificación utilizando espectros sin procesar, especialmente los resultados de identificación de puddingita. Sin embargo, los resultados de identificación de minerales basados en la extracción de características en este método de investigación se reducen significativamente y se obtienen buenos resultados de identificación, lo que demuestra el rendimiento superior del método propuesto en el estudio anterior.
Figura 6.5 Resultados de identificación de minerales basados en el método de extracción de características de reordenamiento espectral
6.1.2 Método de coincidencia ponderada por longitud de onda de absorción
Las curvas espectrales a menudo contienen muchos elementos introducidos por el ruido La longitud de onda de absorción efectiva y la profundidad de absorción se extraen mediante la intersección de características espectrales de objetos similares. En el método de coincidencia SAFP comúnmente utilizado, solo cuando las características del espectro de referencia y el espectro de prueba están en la misma posición de longitud de onda, se considera que los dos espectros son iguales. El estándar de coincidencia es estricto, lo que da como resultado características espectrales que no pueden ser iguales. coinciden debido al ruido y otros factores. El método de coincidencia ponderada de longitud de onda de absorción utiliza una matriz de ponderación de compensación para lograr la coincidencia de tolerancia de las longitudes de onda de absorción, lo que mejora en gran medida la precisión de la coincidencia y reduce el impacto de factores externos en las características de los parámetros de absorción.
Intersecta las características de la curva espectral de objetos terrestres similares para obtener características efectivas para identificar objetos terrestres; las características de absorción de diagnóstico de los espectros de objetos terrestres siempre aparecen en bandas específicas, y en algunos casos pueden ocurrir desviaciones locales que coincidan con la absorción; La longitud de onda central de la característica permite un cierto grado de cambio de banda. El grado de tolerancia se mide mediante la matriz de ponderación de cambio y el espectro del objeto terrestre se puede identificar con precisión. Teniendo en cuenta la interferencia causada por el ruido y los errores del sistema en aplicaciones prácticas, la profundidad de absorción se utiliza para ponderar una única longitud de onda central. Las características de absorción con una profundidad de absorción pequeña contribuyen menos a la similitud general, y las características de absorción con una absorción grande. La profundidad contribuye menos a la similitud general, lo que suprime la influencia de características no efectivas que no se pueden eliminar hasta cierto punto.
(1) Implementación de coincidencia ponderada de longitudes de onda de absorción
El proceso de implementación de extracción precisa de características de absorción efectivas y coincidencia de tolerancias se muestra en la Figura 6.6, que incluye específicamente los siguientes pasos:
1) para eliminar el continuo espectral de referencia. Después de determinar la posición central de cada característica de absorción y la longitud de onda correspondiente a los hombros izquierdo y derecho mediante el método derivativo, la longitud de onda central y la profundidad de absorción de la característica de absorción se extraen mediante la siguiente fórmula:
Principios de tecnología de detección remota hiperespectral y su aplicación en la exploración de minerales y energía
En la fórmula: y son la reflectividad y la posición de la longitud de onda del extremo del hombro izquierdo de absorción, el extremo del hombro derecho y el punto del valle de absorción respectivamente; parámetro de simetría de absorción.
Cuando no existe un espectro de referencia estándar, el espectro de referencia se obtiene mediante muestras de entrenamiento. Después de extraer la longitud de onda del centro de absorción y la profundidad de absorción de cada espectro de referencia utilizando el método anterior, encuentre la intersección de los parámetros característicos de absorción de todas las muestras de entrenamiento. El método es el siguiente:
Todas las características de absorción de los espectros A y B son feature_a, feature_b, y la I-ésima banda de A tiene características, así que calcule feature_b:
juez = Característica de ponderación _ b([desplazamiento de banda I:desplazamiento de banda I+])(6.11)
Si Judge > 0, entonces la característica en la banda I-ésima del espectro A es una característica válida.
Obtiene características efectivas del espectro de referencia * * *. Lo que hay que registrar aquí es la posición y la profundidad de absorción de la característica efectiva, que se almacenan en los vectores EffFeatureIndex y Depth.
2) Extraiga todas las posiciones de absorción y las características de profundidad de absorción correspondientes del espectro desconocido, y regístrelas en FeaturePos y FeatureDepth;;
Figura 6.6 Diagrama de flujo de coincidencia ponderada de longitud de onda central
Las características espectrales desconocidas se comparan poco a poco con las características válidas del espectro de referencia. El método de comparación incluye dos parámetros, el número de compensaciones de banda de frecuencia permitidas y el peso de la matriz de ponderación de compensación.
3) Encuentre la posición de la característica I-ésima del espectro de referencia y genere el intervalo de detección de características:
TestIndex =(desplazamiento de banda I):(desplazamiento de banda I+)( 6.12)
Calcule el valor de prueba característico:
Valor de prueba = profundidad de característica ponderada (índice de prueba) (6.13)
Si TestValue no es 0, significa que el espectro desconocido corresponde Hay una característica válida en la posición, de lo contrario no existe. La banda donde se encuentra la característica identificada en el espectro desconocido se registra en el vector EffIndex.
4) Repita el proceso de 3) hasta que se detecten todas las características válidas del espectro desconocido y las bandas en las que existen las características identificadas en el espectro desconocido se registren en el vector EffIndex.
5) Haga coincidir la posición de absorción con el peso de la profundidad de absorción. La fórmula de cálculo del grado de coincidencia es la siguiente:
Principios de la tecnología de detección remota hiperespectral y su aplicación en la exploración de minerales y energía. /p >
6) Según el valor del grado de coincidencia, determine la similitud entre el espectro desconocido y el espectro de referencia y seleccione manualmente el umbral. Según la experiencia, en el método de coincidencia ponderada por profundidad de absorción, Thresh = 0,8 puede obtener una tasa de reconocimiento más alta.
La clave para hacer coincidir la longitud de onda del centro de la característica de absorción y la tolerancia ponderada de la profundidad de absorción radica en: la extracción precisa de las características de absorción efectivas y la selección de pesos de matriz de ponderación compensados o números de polarización de banda permitidos, y la selección precisa de toda la absorción. características de la curva de reflectancia La extracción es la premisa. La determinación de la matriz de ponderación de compensación debe determinarse de acuerdo con el intervalo de muestreo del espectro de la imagen. El número de componentes de peso es 2 × sesgo de banda + 1; matriz utilizada en el proceso de extracción y reconocimiento de características efectivas Puede ser diferente. Cuando el intervalo de muestreo espectral es grande, se puede seleccionar el peso de cada componente para que obedezca la distribución gaussiana.
(2) Análisis de experimentos y resultados basado en datos de la biblioteca espectral del USGS.
La Figura 6.7(a) muestra la curva de reflectancia después de la eliminación de seis continuos de clorito en la biblioteca espectral de minerales del USGS; parámetro de compensación de banda = 1, peso de la matriz de tolerancia correspondiente = [1, 1, 1]; , la diferencia entre las características de los dos espectros es inferior a una banda, lo que se considera una característica efectiva. Las características efectivas del clorito se muestran en la Figura 6.7 (b), y la posición de la longitud de onda del valle de absorción está marcada en un recuadro; La Figura 6.7 (c) muestra las características efectivas del clorito obtenidas utilizando el método de coincidencia ponderada de longitud de onda de absorción. La Figura 6.7 (d) muestra los espectros de reflexión de la clorita y la actinolita;
Figura 6.7 Extracción efectiva de características
La matriz de peso coincidente peso = [1, 1, 1] indica que se permite el desplazamiento en ambos extremos, y peso = [0.1, 1] indica esa compensación no está permitida; consulte la Tabla 6.3 y la Tabla 6.4 para conocer las similitudes correspondientes entre los dos casos. Comparando los valores de similitud en la Tabla 6.3 y la Tabla 6.4, se puede ver que la similitud entre los espectros del clorito aumenta significativamente después del cambio de banda permitido. Los espectros de actinolita y clorita que se muestran en la Figura 6.7(c) coinciden por Peso = [1, 1, 1], y la similitud se muestra en la Tabla 6.5. La diferencia entre el espectro del clorito y el espectro de la actinolita se puede identificar eficazmente utilizando el espectro efectivo del clorito.
Tabla 6.3 Peso de identificación del espectro de clorito = [1, 1, 1]
Tabla 6.4 Peso de identificación del espectro de clorito = [0.1, 1, 0.1]
Tabla 6.5 Peso de identificación de actinolita y clorito = [1, 1, 1]
(3) Experimento y análisis de resultados basado en datos de AVIRIS.
Utilizando datos AVIRIS del área minera de cobre de Nevada en Estados Unidos, se estudió la identificación de coincidencias de minerales basada en el método de extracción ponderado por longitud de onda de absorción. El espectro del miembro final de los minerales utilizados se muestra en la Figura 6.8, y los resultados de la identificación se muestran en la Figura 6.9.
Al comparar la Figura geológica 6.2 (a) y los resultados de la Figura 6.9, se puede ver que este método tiene un efecto de identificación de alta precisión en minerales de alunita y caolinita con características obvias de absorción espectral, pero tiene una alta efecto de identificación de precisión en nubes blancas con características de absorción amplias y poco profundas. El efecto de reconocimiento de la piedra madre y del pudín es deficiente.
Figura 6.8 Espectro de miembro final utilizado en el algoritmo
Figura 6.9 Resultados de identificación de coincidencia de minerales basados en la extracción de características de longitud de onda de absorción ponderada.