1、基于高光谱数据的矿物填图,航天高光谱遥感器系统：,LEWIS，1997，美国NASA Orbview-4，2001，发射失败，美国MODIS 是EOSAM1 卫星（1999 年12 月发射）和EOSPM1（2002 年5 月发射）上的主要探测仪器中分辨率成像光谱仪，也是EOS Terra 平台上唯一进行直接广播的对地观测仪器。通过MODIS 可以获取0.414m 的36 个波段的高光谱数据 美国 2000 年7 月发射的MightSat-II 卫星上搭载的傅立叶变换高光谱成像仪（FourierTransform Hyperspectral Imager，FTHSI）是干涉成像光谱仪的成功典范。
2、由于MightySatII出色的性能和成功运行，其研究组获得了美国空军研究实验室（AFRL）的“司令杯团体奖”和“空间运载工具董事会年度团体奖”。 2001 年10 月，欧空局（European Space Agency）成功发展了基于PROBA 小卫星的紧凑型高分辨率成像光谱仪(CHRIS)并发射成功。CHRIS 的地面采样间隔为18m，为14 14Km。在400nm-1050nm 之间光谱分辨率为11nm，波段数1962。,本次数据简介,Hyperion传感器搭载于EO-1卫星平台，EO-1(Earth Observing-1)是美国NASA面向21世纪为接替LandSat-7而研制的新型
3、地球观测卫星，于2000年11月发射升空，其卫星轨道参数与LandSat-7卫星的轨道参数接近，之所以设计相同轨道，目的是为了使EO-1和LandSat-7两颗星的图像每天至少有14景重叠，以便进行比对。 Hyperion是第一个星载民用成像光谱仪，采用了谱像合一技术为使用者提供了242个波段，光谱范围覆盖3552577nm（Hyperion数据的三位光谱剖面图见图4-1），传感器空间分辨率30米。,Hyperion产品命名规则,Hyperion Level 1R数据文件命名具有一定的规则：EO1SPPPRRRYYYYDDDXXXML_GGG_VV EO1表示卫星的名字；S表示传感器，其H=H
4、yperion，A=ALI；PPP表示成像目标物所处的WRS系统轨道；RRR表示成像目标物所处的WRS系统的行；YYYY表示成像时的年份；DDD表示成像是处于该年中的第几天；第1个X表示Hyperion传感器的状态，第2个X表示ALI传感器的状态，第3个传感器表示LAC传感器的状态，其中0表示关，1表示开；M表示点模式(P=pointedwithin current path/row;K=pointed outside current path/row)；L表示一景的长度(F=full scene;P=partial scene)；GGG表示地面接收站；VV表示解译图号。（EO1H127032
5、2003301110PZ_LGS_01）,矿物的光谱特性,在 0.41.3m的光谱特性主要取决于矿物晶格结构中存在的铁、铜、镍、锰等过渡性金属元素的电子跃迁； 1.32.5m的光谱特性是由矿物组成中的碳酸根（CO 3 2 ）、羟基（OH ）及可能存在的水分子（H2O）决定的； 35m的光谱特性是由Si-O，Al-O 等分子键的振动模式决定的。,常见高光谱矿物填图流程,最大噪声分离（MNF）变换,成像光谱的光谱分辨率很高，波段多，数据海量，且波段之间的相关性很强，数据冗余度高，需要在端元选取和矿物识别之前对数据作减维，并弱化噪声。最常用的方法是“最大噪声组分变换”。 MNF相当于所有波段噪声方差
6、都相等时的主成分分析，可分为两步实现：第一步，先将图像变换到一个新的坐标系统，使变换后图像噪声的协方差矩阵为单位阵；第二步，对变换后的图像进行主成分变换。,像元纯度指数（PPI）分析,基于上述MNF变换，排序低的MNF波段被暂时忽略，仅选择高序次波段进一步处理。PPI设计指定光谱极值像元，对应为混合光谱端元。通过反复投影n维散点图到随机单元矢量来计算PPI。记录每次投影的极值像元，注记每个像元被标定为极值的总次数。PPI图像产生，其中，每个像元的DN值对应像元被记录为极值的次数。这些图像的直方图显示被PPI“击中”（hit）的分布。从直方图中选择阈值，用于选择最纯的像元以保证被分析的像元数最小
7、。这些像元被输入到分离特定光谱端元的交互式可视化算法中。,N维可视化（n-Dimensional Visualization ）,由于PPI算法本身确定的并不是最终的端元，而是从图像众多像元中选出包含有端元像元的较小像元子集。所以，一般要将PPI的处理结果输入到N维可视化工具中，选择出最终的端元像元。 在N维可视化中，光谱可视为n维散点图中的一个点，n是波段数。对给定的像元，n维空间中组成n值的点的坐标是每个波段的光谱反射率。这些点在n维空间的分布可用于估计光谱端元数和它们的纯光谱特征。这种混合光谱的凸面几何特征，可用于确定端元光谱数并估算它们的光谱特征，经过PPI选择出的潜在端元光谱输入n维
8、散点图中进行反复旋转以识别出纯端元。较好的端元通常会出现在n维散点图的顶点和拐角处，当一系列的端元点被确定后，就可以将其输入到图像中的感兴趣区(ROI)，从图像中提取每个感兴趣区平均反射率光谱曲线作为成像光谱矿物填图的候选端元。,矿物识别,高光谱矿物识别的基本原理是高光谱数据的重建光谱与矿物标准光谱或实测光谱的定量对比分析。由己知地物类型的反射波谱，通过波形或特征匹配比较来达到识别地物类型的目的。 波谱匹配技术是矿物识别的关键技术，所谓波谱谱匹配，就是通过研究两个波谱曲线的相似度来判断地物的归属类别。常用的波谱匹配的算法有二值编码匹配（BE）、波谱角度匹配（SAM）、波谱特征拟合（SFF）,选
9、择合适的方法进行填图,常用的制图方法主要有： SAM MF MTMF 光谱特征拟合 线性光谱分解,SAM,SAM（Spectral Angle Mapping），即光谱角制图技术。光谱角技术通过计算一个测试光谱(像元光谱) 与参考光谱(实验室光谱等)之间的角度来估算两者之间的相似度。假定图像数据已转换为暗辐射或路径辐射偏差消除后的视反射率，光谱维数与波段数相等。,MF,MF(Matched filtering),即匹配滤波。匹配滤波技术最大化突出目标，压缩背景。该技术减少了线性光谱分解中的端元光谱选择的复杂性问题。,MTMF,MTMF (mixture tuned matched filter
10、ing)，即混合协调匹配滤波。MTMF模型融合线性光谱分解和匹配滤波的技术优势，避免单个方法的缺陷，匹配滤波技术具有突出目标，压制背景的作用，线性光谱分解具有单元相加和正值的特征。该技术方法能探测其它技术不能探测到的微细矿物成分。,光谱特征拟合,光谱特征拟合又称之为波段填图算法。它是选择包含目标矿物特定吸收谱带的光谱区间，利用最小二乘拟合方法，比较像元光谱与目标光谱吸收特征的整体形态和吸收深度。,线性光谱分解,如果每个光子与像元中的单个端元(end member)相互作用，则混合模型是线性的，否则为非线性的。非线性混合模型最终要转化为线性模式计算。线性混合模型算法如下：DNb是指定像元在波段b
11、的强度，Fi是端元i的丰度分量，DNib是端元i在波段b的强度，N是端元数，Eb是波段拟合误差,白云母族矿物,白云母族矿物的光谱诊断特征是在波长2200 nm附近出现有Al-OH的吸收带。随着白云母中Al含量的减少，Al-OH的谱带位置逐渐向长波方向移动，从2190mn逐渐变化到2225mn。钠云母(富Al、含Na)Al-OH谱带位于2190mn，多硅白云母(贫Al、富Mg或Fe)位于2225nm。根据这一特征，不仅可以识别不同种类的白云母，还可以估计白云母中Al的金属含量。白云母的标准波谱曲线如图。,绿帘石矿物,绿帘石是一种硅酸盐类矿物，他的光谱特征是在500-2130nm处于间接上升阶段，在2130-2450nm处于强吸收波段，在2340nm处为波谷。绿帘石的标准波谱曲线如图。,蛇纹石矿物,蛇纹石是一种含水的富镁硅酸盐矿物的总称，他的光谱曲线比较平缓，但是在2325nm和1398.5nm两处有两个小的吸收谷。蛇纹石的标准波谱曲线如图。,填图结果,
