地物反射光谱曲线名词解释

光谱的解释

[optical spectrum]

当一束 受到 色散后的辐射能量被 聚焦 ,并使其诸分波按波长的 顺序 排列时(如用 棱镜 使一束日光发生 折射 和色散,显示出各种 颜色 )所成的一系列像 详细解释 复色光通过三棱镜或光栅后分解成的单色光所排成的光带。例如日光的光谱按一般说是红、橙、黄、绿、蓝、靛、紫七色。各种元素都有其 独特 的光谱。分析 物质 的光谱，可以确定物质的组成和它的分子结构等。

词语分解

光的解释 光 ā 太阳、火、电等放射出来耀人 眼睛 ，使人感到 明亮 ，能看见物体的那种 东西 ： 阳光 。月光。火光。光华（明亮的 光辉 ）。 荣誉 ： 光临 （敬辞，意含宾客来临给主人 带来 光彩）。 光顾 。光复。 使显赫：光大。光宗耀祖 谱的解释 谱 （谱） ǔ 依照事物的类别、系统制的表册：年谱。家谱。食谱。菜谱。谱系（a．家谱上的系统；b．物种变化的系统）。 记录音乐、棋局等的符号或图形：歌谱。乐（）谱。棋谱。画谱。 谱号 。 谱表 。 编写歌谱

5421 典型的岩矿光谱特征谱带

在第二章、第三章已经对矿物、岩石和岩矿的光谱特性及其变异形进行了分析。本节将进一步总结和分析岩矿的光谱特征谱带的波长位置，以便于为矿物识别选择最优的光谱分辨率。

在可见/近红外波段（VNIR）和短波红外波段（SWIR）两个大气窗口，岩石、矿物的主要光谱特征主要起因于电子过程或分子振动。这些光谱特征主要取决于岩石的矿物组分，是其物理、化学性质的外在反映。具有一定化学组分和物理结构的岩石、矿物具有较稳定的本征光谱吸收特征，重要金属离子和分子基团的光谱吸收特征（见图2-2-2）归纳总结如下：

Fe2+：043μm、045μm、051μm、055μm、10～11μm

Fe3+：040μm、045μm、049μm、070μm、087μm

Mn2+：034μm、037μm、041μm、045μm、045μm（如菱锰矿）

图5-4-2 矿物的典型光谱特征

（Roger NClark，1999）

Cr3+：040μm、055μm、070μm（置换Al3+，如红宝石）

H2O：在近红外区存在水分子振动的倍频和合频，有1875μm，1454μm，1379μm，1135μ，0942μm吸收特征。岩石矿物中只要有水，就会出现两个特征谱带，即140μm和190μm，二者同时出现是含水的鉴定证据；若只有140μm谱带，说明岩石矿物存在的是羟基，而不是分子水。

OH-：O-H振动的倍频表现在14μm产生极常见谱带，在此波长附近有些矿物出现双峰，如明矾石、高岭石等；合频谱带位于22μm和23μm。若含铝，主要谱带常在22μm附近，如层状硅酸盐种二八面体-OH绕铝配位，有些矿物出现双峰，如高岭石、叶蜡石等；若含镁，谱带常在23μm附近，如闪石族一般都含镁，且三八面体OH绕镁配位，有些矿物出现双峰，如金云母等。

：近红外区有5个显著特征谱带，分别是255μm，235μm，216μm，200μm，190μm，前两者最强。注意铜碳酸岩在08μm附近宽谱带由立方八次配位Cu2+产生。

NH4+基团：SWIR区有两个特征谱带：202μm，212μm。

C—H：C—H伸缩基频在34μm，一级倍频在17μm，合频在23μm。

表5-4-1列出了典型金属离子和一些典型相关矿物在可见光/近红外光谱范围的主要光谱吸收特征。表5-4-2列出了典型分子基团和一些典型相关矿物在短波红外光谱范围的光谱吸收谱带。

表5-4-1 可见光/近红外光谱区岩矿的主要光谱吸收特征位置（单位：μm）

5422 光谱分辨率的数值模拟分析

我们用一些矿物的典型光谱曲线进行不同光谱分辨率的数值模拟，研究不同光谱分辨率下矿反射谱带和光谱特征的表现。本研究选择了黑云母、绿泥石、白云母、蛇纹石、叶蜡石、电气石、绿帘石、高岭石、方解石、白云石、菱铁矿、菱镁矿、蓝铜矿、辉石、明矾石、伊利石、滑石、菱锌矿、地开石、菱锰矿、绿帘石、蒙脱石、黄铁矿、锂云母、石膏、三水铝石、蛭石、黄钾铁钒、阳起石近30种有代表性的典型矿物，模拟所采用的典型光谱取自美国地质调查所（USGS）的标准矿物光谱数据库（ENVI 35，2001），光谱分辨率为4φ。这些矿物或者是重要的成矿指示矿物，或者是与环境变化有关的矿物，它们在地质勘探、全球变化研究中占有重要地位，并且在不同的光谱段上具有典型的和普遍性的可诊断性的光谱吸收特征。

表5-4-2 短波红外光谱区岩矿的主要光谱吸收峰位置（单位：μm）

本研究对每种矿物都进行了6次模拟。通过重采样和归一化的处理分别模拟为4、8、16、32、64、128、256φ的光谱分辨率曲线（图5-4-3）。图中有7条光谱曲线，从上到下分别代表原始光谱曲线和重采样为4、8、16、32、64、128、256φ的光谱分辨率的光谱曲线。为了显示清楚，纵坐标都已作了平移。由下列典型的矿物光谱模拟图可看出，大部分样品光谱分辨率为64～128φ时吸收特征仍然明显，在可见光光谱范围内，金属离子跃迁的光谱吸收特征宽度一般都可达到64φ；在近红外波段（080～130μm）的金属离子等光谱吸收特征都较宽，128φ的光谱分辨率仍然明显（菱铁矿、蓝铜矿等）；在130～250μm范围内，由分子振动/转动引起的光谱双吸收特征在64φ光谱分辨率下可保持清晰可见（明矾石、蒙脱石、蛇纹石等）。但是谱带特征（中心波长位置、深度、宽度和对称性）都会发生不同程度的改变。

（a）黑云母（biotite）原始和连续统去除曲线

图5-4-3 部分典型矿物光谱分辨率模拟

对于那些较宽的特征谱带，随着光谱分辨率的降低，其谱带的特征谱带的吸收深度、宽度及峰值波长位置基本上不变，如黑云母、黄铁矿、蓝铜矿等，但形态逐渐变缓，中心波长位置越来越不明显；对于那些较窄的吸收谱带，它们的峰值波长位置、宽度、深度和对称性随着光谱分辨率的变化从16φ分辨率开始都会发生明显变化，深度变浅，宽度变大，形态变缓，中心波长位置有所漂移。如绿泥石2300φ附近波长向短波漂移约10φ，三水铝石在2200φ附近波长向短波漂移约10φ，相应地吸收深度、宽度与对称性也发生改变；而对于那些具有双吸收谱带矿物，如叶蜡石、明矾石、高岭石、三水铝石等，其在相邻波长位置上的双吸收峰随光谱分辨率的降低，双峰在16φ的分辨率已变模糊，三水铝石在8φ时两对双峰已经被淹没掉（5-4-4（a）），并且吸收峰波长也发生偏移，最小6φ，最大达50φ；向位置相近的一些吸收特征，光谱分辨率较小时，会造成为一个宽谱的特征而不能区分，如阳起石、地开石及明矾石等。

一是金属是什么材质，另一个是某个金属材料是否符合想要的材料要求。通过对金属材料的成分进行分析，可以了解材料的成分，从而对产品质量进行监控，对于出现问题的产品进行分析，还可以分析原因，一是金属是什么材质，另一个是某个金属材料是否符合想要的材料要求。通过对金属材料的成分进行分析，可以了解材料的成分，从而对产品质量进行监控，对于出现问题的产品进行分析，还可以分析原因

611 基于光谱重排的光谱特征提取方法

首先，针对光谱吸收特征受噪声影响较大的问题，对数据进行最小噪声分量正变换，消除噪声后，再将最小噪声分量特征空间的数据变换回原数据空间，即最小噪声分量反变换；然后针对单个吸收不稳定、光照等对光谱幅值影响较大等问题，提出在连续去除的基础上，利用所有吸收特征并将光谱吸收特征按吸收深度由强至弱重排，从而实现稳定、可靠的光谱特征提取。

（1）最小噪声分量变换

在实际应用中，地物光谱吸收特征对噪声敏感，因此，在进行特征提取之前，研究中引入了最小噪声分量变换（Minimum Noise Fraction，MNF），去除噪声对特征提取影响的同时去除数据相关性。

MNF变换是Green等人在主成分分析理论的基础上改进得到的。通常被用来去除数据中的噪声成分，同时确定高光谱数据的本征维数，从而减少后续处理的运算量。

该方法以噪声协方差的估计矩阵为基础，调整噪声的取值并去除其波段间的相关性。在结果数据中噪声的方差为1，并且在波段间无相关性。假设高光谱数据X＝［x1，x2，…，xm］T可以表示为

X ＝ Z ＋ N （61）

式中：矩阵Z，N分别是理想信号和噪声矩阵，且彼此不相关；第i 波段的噪声分量定义为NFi ＝ ，信噪比定义为SNRi＝ 。

∑X，∑Z和∑N分别为可观测信号、理想信号及噪声的协方差矩阵，并且有

∑X ＝∑XZ ＋∑N （62）

假设F为∑N的白化矩阵，∑N的特征值矩阵为 ＝diag（λN1，λN2，…，λNp），其中p为波段数，则有

高光谱遥感技术原理及矿产与能源勘查应用

高光谱遥感技术原理及矿产与能源勘查应用

式中：I为单位矩阵，矩阵 由∑N的特征向量组成，且满足 。

假设∑w＝F T∑X F为噪声白化之后的观测数据的协方差矩阵，∑w矩阵特征值组成的对角矩阵为 ＝d i a g（λw1 ，λw2 ，…，λwp），对矩阵∑w作主成分变换，可以得到由矩阵∑w特征向量组成的 ，使得

高光谱遥感技术原理及矿产与能源勘查应用

于是得到最小噪声分量变换矩阵：

高光谱遥感技术原理及矿产与能源勘查应用

由式（66）得观测信号最小噪声分量变换后的矩阵为

T ＝ MTX （67）

经过式（67）变换之后，可观测信号各个波段间彼此不相关，且各个波段按信噪比由大到小排列 。即按变换后数据T的特征值排列，较大的特征值对应信号为主的图像，接近于1的特征值代表噪声占主导的图像。在变换之后，通常可以直接利用T进行数据后续处理，但是Cheriyadat和Bruce等人证明，主成分变换完全依赖于数据整体的协方差，当类内方差占据类间方差的主体时，主成分变换倾向于将数据向不利于分类的方向投影。可见，MNF变换与主成分变换具有相同的特点，因此，研究中提出的算法在利用MNF之后，利用最小噪声分量反变换将数据转换回光谱空间，这样可以最大限度地保证数据的可分性。

（2）光谱重排

不同地物的光谱信息是不相同的，因此，高光谱遥感提供的地物精细的光谱信息可以直接作为特征提取与目标识别的依据，比如利用红边、绿峰、NDVI等特征可以提取植被。但当不同地物之间的光谱在形状、幅值、变化趋势等指标大致相同的时候（即光谱特征相似），提取区分不同地物显著特征是非常困难的，即地物之间的不相关性均匀地分布在各个波段；此外，由于单个光谱吸收特征容易受到光照条件、大气等影响使得提取的光谱特征参量不稳定。因此，针对以上问题，研究中提出了基于光谱重排的特征提取方法，根据光谱吸收深度的由强到弱排列，剩余的没有吸收特征波段则按波长由小到大排列。

光谱重排的实现过程如下：

1）通过不同阶数的微分值确定的光谱弯曲点、最大最小光谱反射率及其波长位置，计算连续统去除后目标光谱的吸收位置λM 及其反射率值ρM、吸收深度H、吸收左右肩（ρL，ρR）及其反射值（λL，λR），并且吸收深度H的计算公式如下：

H ＝ d × ρL ＋（1-d）× ρR-ρM （68）

d ＝（λL-λM）/（λR-λL） （69）

2）将目标光谱按照吸收深度H由强至弱进行排列，若无吸收特征，则按波长由小到大进行排列；

3）以目标光谱为基谱，将图像数据光谱按照目标光谱重排后的波长进行排序。

该方法有效地利用了高光谱遥感数据提供的地物所有吸收特征，增加了特征提取的稳定性和可靠性；并且通过大量的实验发现，任何两种不同地物的光谱通过光谱重排之后，区分不同地物的显著特征更加明显，增加了类别间的可分性。

（3）算法实现

基于光谱重排的抗噪声光谱特征提取方法的实现流程如图61所示。该方法中为了消除噪声对光谱吸收特征参数提取的影响，引入了MNF变换；为了有效抑制由于光照条件、传感器等因素产生的光谱幅值变化对光谱特征提取的影响，引入了连续统去除 *** 作；为了克服单一特征不稳定、不同地物光谱特征相似等问题，提出了光谱重排的方法。

（4）实验分析

为了验证上述研究中方法的有效性和可行性，采用AVIRIS航空高光谱数据进行实验分析，并利用光谱之间的光谱角进行可分性的定量化分析。

实验数据为1995年7月在美国内华达州Cuprite矿区AVIRIS航空高光谱数据，并且使用ATREM方法校正得到了地表反射率，波段范围为1990～2480nm，空间分辨率20m，光谱分辨率10nm，数据大小为255 × 350 × 50。

图61 光谱特征提取方法实现流程

该研究区域的矿物分布图如图62（a）所示，从数据中提取高岭石光谱曲线如图62（b）所示，光谱重排后的光谱如图62（c）所示。高岭石、明矾石、布丁石及热液硅石特征提取前的光谱比较如图63（a）所示，以高岭石光谱为基谱，光谱重排后四种矿物的光谱特征如图63（b）（图中的光谱曲线纵坐标做了平移处理）所示。利用光谱角的方法进行四种矿物光谱重排前后可分性的比较，结果如表61和表62所示。

图62 高岭石矿物光谱比较

图63 四种矿物光谱比较

表61 原始光谱数据四种矿物的可分性

表62 重排后光谱数据四种矿物的可分性

由图62和图63可以看出，经光谱重排后，高岭石矿物光谱吸收特征按吸收深度的强弱进行了重新排列，较好的显现了高光谱所有吸收特征及主次吸收特征的变化；并且明矾石与高岭石矿物在2200 nm的光谱特征由于吸收宽度等不同而能将二者较好的区分。由图63与表62可以看出，经过光谱重排后，高岭石与其他三种矿物的可分性均存在不同程度的增大，特别是，高岭石与明矾石的可分性从01978增加为0225；为后续矿物识别与分类等处理奠定了良好的基础。

图64 SAM方法矿物识别结果

为了进一步验证该方法的性能，进行了利用该方法以及基于SAM方法的矿物识别结果比对分析。利用原始光谱进行光谱角匹配识别的结果如图64所示。利用基于光谱重排的抗噪声特征提取方法得到的数据进行矿物识别，结果如图65 所示。可以看出，两种方法均能实现四种主要蚀变矿物的识别，但是，采用原始光谱进行识别的结果中存在着一定程度的矿物混淆，并且布丁石的识别结果混淆尤其明显；而在研究方法中进行特征提取基础上得到的矿物识别结果矿物混淆明显降低，取得了较好的识别结果，证明了上述研究中提出的方法的优越性能。

图65 基于光谱重排特征提取方法矿物识别结果

612 吸收波长加权匹配方法

光谱曲线往往包含了许多由噪声引入的无效特征，利用同类地物光谱特征求交，实现了有效吸收波长、吸收深度的提取；常用的SAFP匹配方法中，只有参考光谱和测试光谱的特征在相同的波长位置时，两条光谱才被判为相同，匹配准则比较苛刻，导致由于噪声等因素影响光谱特征而无法匹配，吸收波长加权匹配法利用偏移加权矩阵实现了吸收波长的容偏匹配，大大增加了匹配的准确性，降低了外界因素对吸收参量特征的影响。

对同类地物光谱曲线特征求交，得出识别地物的有效特征；地物光谱的诊断吸收特征总是出现在特定的波段上，在某些情况下会有局部的偏移；对吸收特征的中心波长进行匹配，并容许一定程度的波段偏移，容许程度用偏移加权矩阵来度量，能够对地物光谱实现精确的识别。考虑到实际应用噪声及系统误差引入的干扰，用吸收深度对单个中心波长进行加权，吸收深度小的吸收特征对整体相似度的贡献小，吸收深度大的吸收特征对整体相似度的贡献大，这样一定程度上抑制了无法去除的非有效特征的影响。

（1）吸收波长加权匹配的实现

有效吸收特征的精确提取和容偏匹配实现流程如图66所示，具体包含以下几个步骤：

1）对参考光谱连续统去除。利用导数法确定各吸收特征的中心位置和左右肩对应的波长后，利用下列公式提取吸收特征中心波长和吸收深度：

高光谱遥感技术原理及矿产与能源勘查应用

式中： 和 分别为吸收左肩端、右肩端、吸收谷点的反射率和波长位置；d＝ 为吸收的对称性参数。

没有标准参考光谱时，参考光谱通过训练样本得到。通过上述方法提取各条参考光谱的吸收中心波长和吸收深度后，对所有训练样本的吸收特征参数求交，方法如下：

光谱A和B的所有吸收特征为feature_a，feature_b，A的第i个波段上存在特征，对feature_b计算：

judge ＝ Weight·feature_b（［i-BandOffset：i ＋ BandOffset］） （611）

如果，judge＞0 ，则光谱A的第i个波段上的特征为有效特征。

得到参考光谱共有的有效特征，此处需要记录的是有效特征的位置和吸收深度的大小，保存在向量EffFeatureIndex和Depth中。

2）提取未知光谱所有吸收位置和对应的吸收深度特征，记录在FeaturePos和FeatureDepth；

图66 中心波长加权匹配流程图

未知光谱特征与参考光谱有效特征按位匹配，匹配方法包含两个参数，容许波段偏移数BandOffset和偏移加权矩阵Weight。

3）找到参考光谱第i个特征位置，生成特征检验区间：

TestIndex ＝（i-BandOffset）：（i ＋ BandOffset） （612）

计算特征检验值：

TestValue ＝ Weight·FeatureDepth（TestIndex） （613）

TestValue不为0 ，则说明未知光谱对应位置存在有效特征，反之则不存在，未知光谱中的识别特征所在波段记录在向量EffIndex中。

4）重复3）的过程，直到对未知光谱的所有有效特征进行了检测，未知光谱中识别特征存在的波段记录在向量EffIndex中。

5）对吸收位置用吸收深度加权匹配，匹配度的计算公式如下：

高光谱遥感技术原理及矿产与能源勘查应用

6）根据匹配度degree的值判断未知光谱与参考光谱的近似程度，阈值Thresh手动选择，根据经验，在用吸收深度加权的匹配方法中，Thresh＝08就能获得较高的识别率。

用吸收深度加权对吸收特征中心波长进行容偏匹配的关键在于：有效吸收特征的准确提取和偏移加权矩阵Weight或容许波段偏移数目BandOffset的选择，反射率曲线所有吸收特征的精确提取是前提，偏移加权矩阵的确定需要根据对像光谱的采样间隔来确定，Weight的分量的个数为2 × BandOffset＋1；并且有效特征提取和特征识别过程使用的偏移加权矩阵Weight可以不同，光谱采样间隔较大时，可以选择Weight的各个分量服从高斯分布。

（2）基于USGS光谱库数据的实验与结果分析

图67（a）为USGS矿物光谱库中六条绿泥石连续统去除后反射率曲线；波段偏移参数BandOffset＝1，对应的容偏矩阵Weight＝［1，1，1］；即两条光谱的特征相差一个波段以下认为该特征为有效特征；绿泥石的有效特征见图67（b），用方框标记出了吸收谷的波长位置；图67（c）给出了利用吸收波长加权匹配方法得到的绿泥石有效特征；图67（d）给出了绿泥石和阳起石反射率光谱。

图67 有效特征提取

匹配加权矩阵Weight＝［1，1，1］表示容许两端偏移，Weight＝［01，1，01］表示不容许偏移；两情况对应的相似度见表63和表64。对比表63和表64的相似度值可以看出，容许波段偏移后，绿泥石光谱间的相似度明显变大。利用图67（c）的有效特征对图67（d）所示的阳起石和绿泥石光谱进行Weight＝［1，1，1］匹配，近似度见表65，用绿泥石的有效光谱能有效的识别出绿泥石光谱与阳起石光谱的差异。

表63 绿泥石光谱识别Weight＝［1，1，1］

表64 绿泥石光谱识别Weight＝［01，1，01］

表65 阳起石和绿泥石识别Weight＝［1，1，1］

（3）基于AVIRIS数据的实验与结果分析

利用内华达州Cuprite矿区的AVIRIS数据进行基于吸收波长加权提取方法实现矿物匹配识别研究。利用的矿物端元光谱如图68所示，识别结果如图69所示。

从地质图62（a）与结果图69比较可以看出，该方法对具有明显光谱吸收特征的明矾石和高岭石矿物具有较高精度的识别效果，但是对于吸收特征较宽、较浅的白云母和布丁石的识别效果则较差。

图68 算法中用到的端元光谱

图69 基于吸收波长加权特征提取的矿物匹配识别结果

一、ASTER遥感信息提取方法

（一）图像预处理

本次研究所采用的ASTER数据产品等级是1B和3A01，数据已进行了传感器相关系数辐射校正。在进行几何精校正过程中，校正控制点主要源于研究区于20世纪70年代完成的1∶100000地形图，地形图的精度不高，因此控制点的总平均误差控制在2个像元内。

依据《ASTER矿物指数处理手册》的数据处理程序进行暗像元纠正，以消除大气散射对图像的影响。依据直方图找出各波段最小值的像元，像元的每个波段最小值代表或近似于大气辐射的影响，减去最小值的像元即可。ASTER图像经过暗像元处理后相当于进行了一次背景值滤波，使短波红外区间的特征更加明显，有利于提取矿物指数，从而提取岩矿信息。

由于研究区下垫面影响因子复杂，必须要消除云、雪和植被等下垫面复杂因素对基岩信息的干扰，掩膜图像处理技术可以有效地扣除这些干扰信息。具体处理过程为：首先，在植被、云及雪覆盖的原始图像上提取植被NDVI指数，制作NDVI指数图像，然后做植被0-1掩膜，再进行云和雪0-1掩膜，最后将植被掩膜与云、雪掩膜图像叠加，在此基础上进行有用信息的进一步处理，制作掩膜图像。掩膜图像的效用有两个方面，一是压缩图像处理样本的统计空间，使有用的信息相对得到增强，二是排除干扰信息可能引起的假异常。

（二）岩石与矿物信息提取方法

可见光-近红外波段区域对赤铁矿、针铁矿和黄钾铁矾等铁氧化物敏感，而短波红外波段可以探测粘土和层状硅酸岩矿物的特征吸收，实现更为详细的矿物岩石识别。在热红外谱域，8～14μm是最佳大气窗口，由于硅酸盐岩在热红外区间随着SiO2含量的减少，岩石宽缓的吸收带向长波段方向系统位移，从而能够探测SinOk、SO4、CO3、PO4等原子基团基频振动及其微小变化，很容易识别硅酸盐、硫酸盐、碳酸盐、氧化物、氢氧化物等矿物，使困扰遥感地质的岩石识别成为可能，大大拓宽了遥感岩矿识别的广度与深度，从而弥补连续波段高光谱在热红外谱域的不足，使ASTER遥感技术成为岩矿识别的重要补充手段。

本次试验采用的主要信息提取方法包括基于掩膜图像的主成分分析、矿物指数和光谱角度填图方法等。

对于所有ASTER数据，常规图像均采用通道7、3、1（红、绿、蓝）假彩色合成，这种合成方案尽管植被的信息比较突出，但有利于后续使用者对照其他信息的图件判别地质体的色调异常与来源于植被的干扰异常。在该类图像中通常的规律是蓝色调大多为碳酸盐，紫色调的地质体二价铁含量相对较高。主成分图像通常采用4～9波段的主成分分析，依照试验结果，选用不同的主成分，其中3、4、5等弱信息的主成分使用较多。

1主成分分析

主成分分析是遥感地质最有效和最常用的图像信息提取方法之一，它是将原始的遥感数据集变换成非常小且易于解译的不相关变量，这些变量含有原始数据中大部分信息，通过正交变换去除多波段图像中的相关信息，使新的组分图像之间互不相关，各自包含不同的地物信息，这是一种重要的图像增强方法。

在本次研究中，应用预处理后的掩膜图像进行主成分分析，通过将原始图像进行主成分变换，得到SWIR系统4到9波段的5个主成分的影像，将其中的PC3、PC4、PC5主成分分别置于绿、红、蓝影像层，生成主成分合成影像，并将该影像与高空间分辨率的VNIR段影像进行融合，生成新的主成分彩色合成影像。与传统的彩红外合成影像相比，主成分合成影像色差可以识别更细微的岩性差别。

从图9-6不难看出，对掩膜前后的图像均采用相同的主成分组合方案，但掩膜后的主成分图像细节更加突出，中三叠统闹仓坚沟组（T2n）板岩（蓝色调条带）被突出了。

2矿物指数法

ETM数据只能提供一些铁锰成分异常和羟基蚀变矿物异常等一些笼统的信息，而ASTER的波段划分更精细，能够提供更为明确的矿物信息。常见矿物的特征吸收带集中在2～23μm之间（图9-1），即在ASTER的5～9波段之间，而ASTER的第4波段尽管没有特征吸收存在，但它是地质体反射率统计差异最大的遥感窗口。目前，国际上流行的各类矿物指数方法很多，它们主要是基于上述这些矿物特征吸收带的波长位置及其与ASTER波段设置的关系，通过简单的各类比值运算得来，如《ASTER矿物指数处理手册》所收集的澳大利亚科工组织（CSIRO）和美国地质调查局等机构经常使用的一些矿物指数（图9-7）。

图9-6 温泉水库地区ASTER掩膜主成分分析图像

（短波红外4～9波段的4、3、5主成分合成图像）

波段比值是一种经常被用来提取波谱信息的有效手段。根据代数运算的原理，当波段间差值相近但斜率不同时，反射波段与吸收波段的比值处理可增强各种岩性之间的波谱差异，抑制地形的影响，并显示出动态的范围。波段比值通常是在对大气路径辐射或由多光谱传感器产生的叠加偏移进行初步校正的基础上，由两个波段对应像元的亮度值之比或几个波段组合的对应像元亮度值之比获得。通常是选择特定目标的最小或最大反射或辐射波段作为比值波段。一种地物在两个波段上波谱辐射量的差别，常被称为波谱曲线的坡度。不同地物在同一波段上坡度有大有小，有正有负。比值法就是增强不同地物以及岩石间的这种微小差别。因而，以岩矿的特征光谱为基础，选用适当的波段比值进行彩色合成，可增强岩性和蚀变带信息，便于提取蚀变信息。

我们选取了20个各类矿物比值进行试验应用，在图像处理软件中进行流程式的批量处理，再依据具体地质背景和图像质量进行筛选，获得了较好的应用效果。尤其对粘土类矿物的蚀变和层状硅酸盐矿物的岩性识别非常有效，对巴颜喀拉山群浅变质岩岩性划分具有良好的应用效果。

所采用的各类遥感矿物指数择要描述如下：

（1）波段12/波段13比值：基性度指数（BDI）。由澳大利亚科工组织Bierwith提出，BDI与岩石中的二氧化硅含量有很好的负相关，高亮度为基性成分高的地质体，低亮度为酸性地质体，可以很好反映地质体的基性程度。在东大滩铜矿区花岗岩体外接触带及前寒武纪变质岩区，BDI显示出很好的异常及其与铜矿之间的关系。

（2）波段14/波段12比值：富石英岩类异常。异常效果良好，是硅化蚀变的重要依据。在昆仑山巴颜喀拉山群地层和温泉水库西部的下二叠统中普遍存在该指数的异常，表明均为一套高硅质的浅变质岩系。在卡巴纽尔多南部，沙地表现为高二氧化硅含量的正异常。此外，高山冰缘区土壤湿度存在垂直分带现象，同样会引起基性度指数或二氧化硅指数的假异常，这种异常往往沿等高线分布。

（3）波段13/波段14比值：碳酸盐岩异常。该比值由于热红外14通道的噪声较大，应用效果并不理想，仅在温泉水库和昆仑山一带有较好的显示。

（4）波段4/波段5比值：铁矾土异常。Bierwith定义为铁矾土，而Volesky定义为硅酸盐蚀变。高浓度异常的大面积分布通常具有重要的找矿指示意义。

图9-7 《ASTER矿物指数处理手册》中常用矿物指数汇总

（5）波段5/波段3+波段1/波段2比值：二价铁异常。该比值需要谨慎对待，尤其在高山区，雪在1波段的高反射常常引起假异常，需要结合常规合成图像具体分析。

（6）波段4/波段2比值：铁帽异常。试验区图像效果较差，尚未发现有意义的异常，但由于铁帽在找矿中的重要意义，以及其负异常的突出特征，保留这一指数是必要的。

（7）波段7/波段5比值：高岭土矿物异常，该比值不确定性较强。沟谷中条带状分布的异常可能与表生作用下的风化高岭土有关，大面积的团块状异常才具有内生蚀变矿物的意义。

（8）（波段4+波段6）/波段5比值：明矾石和高岭土指数。在纳赤台万保沟群中大面积出现这种异常，但实地考察属硅化大理岩异常。

（9）波段7/波段6比值：白云母异常。白云母在22μm附近的特征吸收（ASTER第6波段）较强，实践证明该指数较为敏感，对板岩类有良好的识别能力。

（10）（波段5×波段7）/（波段6×波段6）比值：粘土矿物蚀变异常。具有明确的找矿指示意义，在水泥厂东北部存在这种异常。

（11）（波段7+波段9）/波段8比值：碳酸盐-绿泥石-绿帘石组合异常。主要分布在1∶5万水泥厂幅东北部和温泉水库西部。可以与波段13/波段14比值图像碳酸盐异常对比，进一步区分碳酸盐异常和绿泥石-绿帘石异常。

（12）波段5/波段6比值：多硅云母异常。

（13）（波段5+波段7）/波段6比值：绢云母-白云母-伊利石组合异常。该组矿物高浓度异常具有明确的找矿指示意义，但大面积异常通常意味着变质岩区的片岩，如内蒙古狼山地区的大面积异常与该地区伟晶岩化、云母片岩、板岩等区域变质或侵入接触变质作用有关。在东昆仑试验区也具有很好的效果，昆仑山巴颜喀拉山群和温泉水库西部的下二叠统均有大面积的该类矿物异常。

必须指出的是，实际信息提取过程中，白云母和高岭土异常经常在空间上相伴生，在昆仑山和1∶250000填图区北部出现这种情况，很有可能仅仅是一种异常。在变质岩区有可能仅仅是白云母，而非高岭土。从图9-1不难看出，高岭石和白云母的特征吸收带都出现在ASTER的第6通道，波长位置的细微差别有可能是ASTER矿物指数方法容易产生混淆的原因。在1∶50000填图区东北部的异常也同样出现类似状况，绿帘石、绿泥石、角闪石和碳酸盐均出现异常。实际上这种异常均出现在第8通道附近，这几种矿物均存在较强的吸收带。这种情况可能仅仅是碳酸盐，但它们与典型的碳酸盐（731为蓝色调）又有明显的区别。

尽管如此，矿物指数方法在实际应用中也存在一些问题，从典型矿物曲线和ASTER波段的对比中不难看出有可能出现几种易混淆的矿物组：如高岭土-白云母和方解石-白云石-绿帘石-绿泥石-角闪石等矿物组。因此，集中在第6和第8通道的异常仅仅说明具有显著的某种矿物类的异常，而不能明确说明是何种矿物。在复杂条件下只能明确矿物类，可以在此基础上进行野外验证，从而确定矿物种类。

在热红外区间，岩石的二氧化硅含量与Si-O2振动强吸收带的波长位置呈现反比的系统位移规律，这是ASTER识别硅酸盐岩的基本依据。此外，碳酸盐岩在ASTER的14波段的强吸收也是识别该岩类的基本依据，但14通道红外辐射能量最弱，噪声大，应用效果不理想。

3光谱角度填图方法

光谱角度填图方法（SAM）是Boardman开发的一种算法程序，一般用于超光谱图像的监督分类。该方法给出一系列光谱记录来逐一定义每个岩石类型，将每个像元看作n维图像数据库空间的一个向量，并计算与光谱数据库中光谱数据记录（参考光谱）之间的向量夹角。像元光谱与光谱记录（参考光谱）的光谱角度相匹配，即可分类为该类岩石。SAM方法的优越性在于只考虑像元光谱与参考光谱的相似性，不考虑像元相对亮度的影响，这在一定程度上改善了阴影，或者土壤湿度的干扰，因为角度的匹配不考虑向量模的大小。

该方法应用的条件是图像数据必须进行反射率反演，使像元的“视反射率”能够与光谱数据库中的参考光谱进行匹配。但实际应用中，由于大气条件和图像质量等各方面的原因，较难完成反射率反演这道科学程序，从而限制了该方法的实际应用。因为ASTER的数据质量不理想，参考光谱选用的是典型的像元光谱。

光谱角度填图方法试验区选在纳赤台北部的东昆中断裂带附近的花岗岩内外接触带（图9-8）。试验中选取的典型岩类有5个，构成参考光谱数据库。提取的像元光谱是1～9波段，依照这组波段曲线，它们的光谱角度最大差异的区间分布在4～9波段的近红外-短波红外谱段，因此将其作为SAM处理的6维向量空间，角度匹配的阈值为5度。从结果中能够看出，SAM方法不仅可以克服花岗岩中不同亮度值对分类的影响，能够进行阴影中的分类，而且能够区分常规合成图像中容易混淆的 白云石（蓝色）和高岭土（**）。但万保沟群中的部分岩性段被归入花岗岩体（红色），说明该方法还不能区分“同谱异质”的地质体。

图9-8 纳赤台北部ASTER数据4～9通道光谱角度填图

上图—光谱角度填图结果；中图—ASTER7、3、1常规合成图像；下图—基于像元的分类参考光谱

说明：横轴为ASTER1-9波段；纵轴为像元视反射率。

二、IRS-P6遥感矿物指数试验

IRS-P6在地质上的应用国内外少有报道，主要原因是它波段分布有限，尤其缺少短波红外区间的设置，因此缺乏对羟基类地质体信息的识别能力（表9-7），但它的地面分辨率高于ETM，在ETM数据缺乏或者质量不佳的情况下也不失为一种可以替代的数据资源。本次试验也对其在地质填图中的应用效果进行了比值指数的初步应用。

表9-7 IRS-P6和ETM的波段设置对比

在可见和近红外区间，铁的特征吸收占光谱的主导因素。依据常见铁氧化矿物的吸收特征，针对09μm附近三价铁的宽缓吸收带，波段2和波段3良好地反映了该处的吸收特征。因此选用CH2/CH3作为三价铁氧化矿物的指数。如果没有铁氧化矿物存在，吸收带就不存在，这个比值将会是很低的。所使用几个比值指数如下：三价铁氧化矿物CH2/CH3；二价铁或暗色岩系CH1/CH4平的特征；碳酸盐岩CH1/CH2，依据碳酸盐岩一般缺乏铁矿物，缺少铁族矿物在近紫外区间很强的电子跃迁引起的吸收。

但在卡巴纽尔多南部局部地区，采用了4/32/3和1/2几种比值组合，完全是针对该区广泛分布的砂板岩，依据试验效果的一种选择。

IRS-P6的应用效果不如ETM，但应用上述比值合成的假彩色图像在解译应用中也能够与ETM图像取长补短。如温泉水库西部，IRS-P6有更加概括的岩性信息，而ETM由于短波红外信息的加入，图斑细碎，不宜于解译成图。

三、Hyperion遥感信息提取方法

由于高光谱遥感具有多个波段和高光谱分辨率的特点，高光谱的窄波段可以有效地区别矿物的吸收特征，利用各种矿物和岩石在电磁波谱上显示的诊断性光谱特征可以识别矿物，使矿物识别和区域地质制图成为高光谱技术主要的应用领域之一。

为了实现研究区内岩矿高光谱遥感的识别和分类，并考虑到研究区复杂的地质、地貌、气候和地表覆盖等特点对所采用的遥感图像的影响，在高光谱岩矿填图中采用地面光谱和图像光谱相结合的处理分析方法。

（一）岩石光谱测量

为了最大限度地满足光谱测量精度的要求，在本次野外光谱测量中所采用的仪器为美国ASD公司的最新产品FieldSpec FR便捷式地物波谱仪（图9-9），该仪器主要参数见表9-8。此仪器不仅具有携带方便、速度快、高信噪比、高可靠性、高重复性、 *** 作简单和软件包功能强劲等特点，而且还可以进行实时测量和观察辐射、辐射度、CIE颜色、反射和透射。

图9-9 野外光谱采集

数据采集软件采用的是美国ASD公司的FieldSpec FR数据采集分析软件包，该软件具有速度快、实时测量、 *** 作界面简单、灵敏度高和功能强大等优点，另外它所获取的数据可以直接被ENVI软件读取，极大地促进了后期数据处理进程。

由于研究区域特殊地理位置和复杂的气候条件，而且气候多变，考虑到诸多不利因素对光谱采集质量的影响，我们于2008年7月进行了野外光谱数据采集，此时该地区的大气、空气湿度、风、光照和云层覆盖等条件适宜于野外光谱数据采集，而且采集到的数据和选用的遥感图像数据时间匹配性好，满足研究精度要求和填图需要。

为了最大限度地满足高光谱遥感矿物填图的要求，采用了野外和室内测量相结合的测量方法。另外，在研究区域内还选择了多个具有代表性的开阔地带作为平场并进行了多次重复测量。

野外完成了包含花岗岩、变质岩、流纹岩、千枚岩、大理岩、板岩、页岩、铁矿石、铜矿石、金矿石、铅矿石、锌矿石等多达100多种不同类型以及同种类型不同状态（如岩矿石的风化面、新鲜面等）的岩矿石的光谱数据室内和野外采集工作，并且经过系统编号整理建立了各种岩矿石与其光谱数据的对应表（图9-10），为图像解译和填图工作提供了较为完备的基础数据。

表9-8 FieldSpec FR便捷式地物波谱仪相关参数

图9-10 野外实测光谱数据库

（二）矿物光谱测量

采用南京地质调查中心研发的BJKF-III型便携式近红外矿物分析仪，对矿化样品进行光谱曲线测量，得到典型蚀变矿物光谱曲线，其矿物包括方解石（图9-11a）、高岭石（图9-11b）、绿泥石（图9-11c）和孔雀石（图9-11d）等。黄铜矿为铜的硫化物矿石，具有不透明矿物的典型特征，遥感较难识别，而孔雀石存在二价铜离子引起的特征吸收带。

图9-11 东大滩铜矿典型矿物光谱曲线图

通过驼路沟钴金矿床野外调查取样，利用便携式近红外矿物光谱仪对样品进行光谱测量，进一步验证了遥感图像提取孔雀石和黄钾铁矾等矿物信息（图9-12）。同时，在驼路沟矿区断裂带内还检测出遥感图像未能解译出的石膏等矿物（图9-12d）。

（三）数据预处理

Hyperion高光谱数据经过斑点去除、回波纠正、背景去除、辐射纠正、坏像元恢复以及图像质量检查等一系列处理过程，用户拿到的数据应该不再有坏像元或条纹，但实际上却仍然存在，在进行图像应用之前，必须对图像进行预处理，纠正不正常的像元。预处理主要包括去除未定标及受水汽影响的波段、绝对辐射值转换、坏线修复及误差条带的去除、反射率定标和大气校正等。

1去除未定标及受水汽影响的波段

Hyperion数据的242个波段中，经过辐射定标的独立波段实际上只有196个，但有些波段受水汽影响非常严重，无法应用，经去除处理后只有158个波段可用（表9-9）。

2绝对辐射值转换

Hyperion的L1产品数据集以有符号的整型数据记录，数值范围为-32767～+32767。但实际上地物的辐射值非常小，产品生成时对VNIR和SWIR波段都采用了扩大因子，系数分别为40和80。因此，需要把图像的亮度值转换为绝对辐射值，将VNIR和SWIR波段分别除以40和80，生成绝对辐射值图像。

图9-12 驼路沟钴金矿典型矿物光谱曲线图

表9-9 剔除和保留的波段

3坏线修复及误差条带的去除

由于Hyperion传感器的个别通道存在坏的探测元，致使图像存在着不正常数据，DN值为零或者非常小的称为死像素列，即坏线。对坏线用相邻行或列的平均值进行修复，坏线修复前与修复后效果见图9-13。

Hyperion光谱仪采用推扫式的对地观测方式，所以系统中CCD的排列方式垂直于航迹方向。由于不同行中的传感器对光谱响应值不同，在光谱入射时会导致在每个谱段上出现竖条纹，即列向条带噪声。条纹严重影响图像的质量及实际应用，应用时需要对条纹噪声进行去除处理。

本项目采用ENVI软件中的傅里叶变换及联合概率滤波平滑方法去除影像的条纹噪声，并用MNF进行效果评价。修复效果见图9-14。

图9-13 VNIR第56波段坏线修复前后图像

图9-14 垂直条纹去除前后图像对比

4反射率定标

高光谱遥感数据定标的首要任务就是对成像光谱仪定标，将遥感器探测到的数据变换为绝对亮度或与地表反射率、表面温度等物理量有关的相对值的处理过程。通过原始图像提取的波谱曲线为太阳辐射与大气辐射共同作用的结果，这些波谱剖面曲线都是相似的，表示的是辐射亮度曲线，而不是反射率波谱曲线。因此，需要将辐射亮度曲线转换为反射率波谱曲线，以消除大气吸收、散射、地形起伏及传感器本身误差所带来的各种失真对数据的影响，恢复地物光谱数据的原貌。将影像的辐射亮度值转换成表观反射率的过程，称为反射率定标或地物光谱重建。

主要校正定标的方法有平场域定标、内部平均相对反射率定标以及经验线性定标。本次研究针对星载高光谱数据，主要采用了基于大气辐射传输理论的FLAASH定标模型，并进了分析总结，得到了比较好的应用效果。

5大气校正

遥感卫星传感器接收到的目标物反射及发射能量辐射在传输过程中需要通过大气层，使高光谱遥感影像记录的是包含地面反射光谱信息和大气辐射传输效应引起的地面反射辐照度变化等综合信息。大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地表的真实物理模型参数，如地物反射率、辐射率和地表温度等。图像是否需要进行大气校正，主要取决于图像的质量及用途。对于空间分布均匀的影像，如果只是用单时像的数据分类，由于大气对分类的影响是一致的，就没有必要进行大气校正。对于空间分布不均匀的影像，如有些区域有雾或者下雨等现象，就有必要纠正大气的影响。因此，将表示反射率亮度的原始遥感影像DN值数据转换为反射率数据，对正确利用遥感数据进行定量分析及信息提取十分关键。由于本次研究利用实测地物光谱与美国USGS光谱库标准光谱相结合的方法进行识别分类，所以需要进行大气校正。

目前，基于大气辐射传输理论的辐射校正模型主要包括：5S、6S、ATREM、MODTRAN、ACORN和FLAASH等。针对Hyperion高光谱数据的特点，本项目主要利用ENVI软件中的FLAASH模块进行大气校正处理。

为了验证FLAASH大气校正的效果，分别使用了校正前后的雪、岩石及水体的混合波谱曲线进行对比见图9-15，并采用野外实测波谱曲线与校正后的图像的波谱曲线进行对比，总的效果较好。

图9-15 大气校正前后雪、岩石和水体的波谱曲线对比

6几何纠正

图像预处理的最后一步工作为图像的几何纠正。本研究采用了1∶100000纳赤台幅地形图，应用二次多项式和双线性内插重采样方法，共选取了117个控制点，对高光谱数据进行了几何精度校正。

（四）图像镶嵌与裁剪

本项目共定购东大滩地区5景Hyperion数据，其中KL2与KL3景在夏天获取，KL4-KL6在冬天获取，所以地物色调相差较大，进行镶嵌时必须进行调色处理。由于Hyperion数据覆盖面积宽77km，长85km，南北向覆盖区域较长，应用时需做剪裁处理。经过镶嵌与剪裁之后数据的覆盖范围见图9-5。

（五）信息提取

经过去除未定标和受水汽影响的波段、进行绝对辐射值转换、坏线及条纹修复、smile效应去除、大气校正和几何精度校正等过程，得到反射率数据。利用波谱分析工具Spectral Analyst进行波谱分析鉴别矿物，选择美国地质调查局波谱库，该库包括近500种矿物波谱，波长范围04～25μm。本次岩矿蚀变信息提取主要应用USGS波谱库作为端元波谱，结合野外实测光谱曲线，应用纯净像原指数法（PPI）作为辅助方法提取端元波谱，最后利用光谱角（SAM）填图法和波谱特征拟合法（SFF）成图。

本项目各类遥感图像覆盖面积达18850km2。除受风成黄土、植被、雪被、草甸土、阴影以及冰缘冻融作用所产生的碎屑坡积物等因素干扰不能有效提取信息外，其他地区均提取出大量岩石、构造和矿化蚀变信息。野外验证表明，不同的遥感数据均可有效地提取地质信息，但是适用范围和提取信息量存在差别。本项目选择温泉水库地区和玉珠峰巴颜喀拉山群分布区进行ASTER遥感岩性填图与纳赤台地区Hyperion高光谱矿物填图试验，评价国内目前尚未普及、但极具应用前景的ASTER和Hyperion等遥感信息在岩性与矿物填图中的应用潜力。

反射光谱中光强的峰值最高的光的波长即为物体的颜色，比如反射光谱中峰值最高的为532 nm的光，则物体为绿色的；如果峰值最高的为605 nm的，则物体为红色的。

如果没有峰值，就是将反射波段的光按其峰值比例进行光混合（不是颜料混合），得到的颜色即是物体的颜色。如果曲线完全一样，则积分面积（就是反射光谱与X轴围成的面积）大的曲线的颜色比较深。

萨特勒 Sadtler 光谱数据库

>

红外光谱是分析化合物结构的重要手段常规的透射法使用压片或涂膜进行测量,对某些特殊样品( 如难溶、难熔、难粉碎等的试样) 的测试存在困难为克服其不足,20世纪60年代初出现了衰减全反射(Attenuated Total Refraction,ATR) 红外附件,但由于受当时色散型红外光谱仪性能的限制, 技术的应用研究领域比较局限80年代初将ATR技术开始应用到傅里叶变换红外光谱仪上,产生了傅里叶变换衰减全反射红外光谱仪(Attenuated Total internal Reflectance Fourier Transform Infrared spectroscopy,简称ATR-FTIR)ATR的应用极大地简化了一些特殊样品的测试,使微区成分的分析变得方便而快捷,检测灵敏度可达10-9g数量级,测量显微区直径达数微米［1,2］ATR附件基于光内反射原理而设计从光源发出的红外光经过折射率大的晶体再投射到折射率小的试样表面上,当入射角大于临界角时,入射光线就会产生全反射事实上红外光并不是全部被反射回来,而是穿透到试样表面内一定深度后再返回表面在该过程中,试样在入射光频率区域内有选择吸收,反射光强度发生减弱,产生与透射吸收相类似图,从而获得样品表层化学成份的结构信息［3,4］

ATR-FTIR通过样品表面的反射信号获得样品表层有机成分的结构信息,它具有以下特点［5］: (1 ) 制样简单,无破坏性,对样品的大小、形状、含水量没有特殊要求; (2) 可以实现原位测试实时跟踪; (3) 检测灵敏度高,测量区域小,检测点可为数微米; (4) 能得到测量位置处物质分子的结构信息某化合物或官能团空间分布的红外光谱图像微区的可见显微图象; (5) 能进行红外光谱数据库检索以及化学官能团辅助分析,确定物资的种类和性质; (6) 在常规FTIR上配置ATR 附件即可实现测量,仪器价格相对低廉, *** 作简便

近年来,随着计算机技术的发展,ATR实现了非均匀、表面凹凸、弯曲样品的微区无损测定,可以获得官能团和化合物在微分空间分布的红外光谱图像

总之,ATR-FTIR 作为红外光谱法的重要实验方法之一,克服了传统透射法测试的不足,简化了样品的制作和处理过程,极大地扩展了红外光谱的应用范围它已成为分析物质表面结构的一种有力工具和手段,在多个领域得到了广泛应用

以上就是关于地物反射光谱曲线名词解释全部的内容，包括:地物反射光谱曲线名词解释、岩矿光谱特征的光谱分辨率模拟、怎么查到常见金属的吸收光谱和反射光谱，800nm附近的结果，谢谢啦等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！