Progresos de la investigación en tecnologías y métodos de extracción de información de imágenes de teledetección
El reconocimiento de objetos de superficie mediante teledetección se basa principalmente en las diferencias en las características espectrales y espaciales de los objetos terrestres. Debido a la baja resolución espectral del multiespectral, no puede expresar completamente las características espectrales de los objetos terrestres. El reconocimiento de objetos terrestres se basa principalmente en las características espaciales de los objetos terrestres, incluida la escala de grises, el color, la textura, la forma y la relación espacial. El procesamiento y la extracción de información aplican principalmente métodos de mejora de imágenes, transformación de imágenes y análisis de imágenes para mejorar las diferencias en tono, color y textura de las imágenes, a fin de lograr el propósito de distinguir los objetos terrestres en la mayor medida posible. Con el exitoso desarrollo e industrialización de los espectrómetros de imágenes, la extracción de información sobre características de teledetección ha entrado en una nueva era. La identificación de objetos terrestres mediante espectro de imágenes se basa principalmente en las características espectrales de los objetos terrestres. Utiliza directamente las características espectrales de rocas y minerales para identificar objetos terrestres y analizar cuantitativamente la información de los objetos terrestres. Se discuten los dos aspectos siguientes: procesamiento de información de teledetección multiespectral e hiperespectral.
1. Progreso de la investigación de métodos multiespectrales
La extracción de información multiespectral se centra principalmente en: extracción de información de tono, extracción de información de textura y fusión de información.
(1) Extracción de información de tono
Para la extracción de información de tono, se utiliza algún procesamiento de mejora principalmente para expandir la diferencia de escala de grises entre los objetos en la imagen, resaltando así la información de destino o mejorando la efecto de imagen, mejora la capacidad de interpretar signos, como expansión del contraste, mejora del color, mejora del cálculo, mejora de la transformación, etc. Estos métodos tradicionales de procesamiento de imágenes satisfacen las necesidades de la aplicación hasta cierto punto. En los últimos años se han desarrollado una serie de tecnologías de extracción de información basadas en la transformación de componentes principales, que han jugado un papel importante en la extracción de información de rocas y minerales. Por ejemplo, el método mejorado de análisis directo de componentes principales propuesto por Zhang Manlang (1996) puede extraer información sobre el óxido de hierro. (Kruse, 1996, Creen et al., 1988), (transformación de componentes principales ajustada por ruido) (Lee et al., 1990), transformada de componentes principales en bloque (Jia et al., 1999), análisis de correspondencia basado en componentes principales ( Carr et al., 1999), y la extracción de características de autocorrelación espacial basada en el análisis de componentes principales (Warner et al. 199), y también selecciona y extrae características de información basándose en el análisis de componentes principales. Al mismo tiempo, basándose en el principio de patrón. Se proponen y diseñan métodos de reconocimiento, clasificación supervisada y clasificación no supervisada, utilizando árboles de decisión para la clasificación e identificación (Wrbka, et al., 1999; Friedel et al., 1999; Hansen et al., 1996). todo basado en las características de escala de grises de la imagen y utiliza el conocimiento de las estadísticas matemáticas. Clasifica objetos y extrae información.
(2) Extracción de información de textura
La información de bordes y texturas remotas. Las imágenes de detección desempeñan un cierto papel en la identificación de estructuras de anillos lineales, pero no afectan la litología.
(3) Fusión de información
La investigación sobre fuentes múltiples. La fusión de datos también es muy popular y profunda, y sus métodos técnicos implican diferentes conocimientos matemáticos (Jimen et al., 1999; Bohr, 1998; Robinson et al., 2000; Price, 1999; Gross et al., 1998). como la fusión de información wavelet. Los campos de aplicación incluyen datos no teledetectados (Wang Runsheng, 1992; Zhu, 1994), etc., datos de teledetección, datos geoquímicos y superposición y fusión de datos físicos.
Por un lado, estos métodos amplían los campos de aplicación de la teledetección y, por otro lado, también amplían las capacidades de aplicación de la teledetección.
En términos generales, la extracción de información de teledetección multiespectral de rocas y minerales se basa principalmente en las características de escala de grises de la imagen, es decir, en función de la diferencia en la intensidad de reflectividad de las rocas y minerales, se realiza alguna transformación matemática. Se utilizan métodos para mejorar o resaltar la información objetivo, lo cual es conveniente para la interpretación intuitiva. En el procesamiento de datos, debido a la banda de ondas limitada, el conocimiento espectral de las categorías de rocas o minerales no se puede introducir de manera efectiva, y la precisión de los resultados depende más de la experiencia de los investigadores.
2. Avances de la investigación de los métodos hiperespectrales.
La tecnología de espectroscopia de imágenes es un salto en el desarrollo de la tecnología multiespectral. Simultáneamente genera imágenes de las características espaciales del objeto objetivo dispersando o dividiendo cada píxel espacial para formar docenas o incluso cientos de bandas estrechas con cobertura espectral continua. Los datos de teledetección formados se pueden describir intuitivamente mediante un "cubo de imagen (tridimensional)", en el que dos dimensiones representan el espacio y la otra dimensión representa el espectro. De esta manera, en el espacio tridimensional que combina información espectral y espacial, el espectro "continuo" del objeto terrestre y su espectro característico de diagnóstico se pueden obtener arbitrariamente, de modo que el objeto terrestre objetivo se puede identificar directamente basándose en el espectro. conocimiento del objeto terrestre, y luego se puede obtener información cuantitativa sobre objetos terrestres. En aplicaciones geológicas, las tecnologías de identificación de minerales y procesamiento de información se pueden dividir en: ① basadas en parámetros característicos de absorción de diagnóstico único; ② basadas en características de forma de onda completas; ③ basadas en un modelo de conocimiento del espectro;
Las características de absorción de diagnóstico únicas de los minerales de roca se pueden determinar completamente mediante la posición de la banda de absorción (λ), la profundidad de absorción (h), el ancho de absorción (w), el área de absorción (a), la simetría de absorción (d ), Número de absorción (n) y parámetros de clasificación a caracterizar. Basada en formas de onda de absorción de diagnóstico únicas de minerales de miembros finales, esta información paramétrica se puede extraer y mejorar a partir de datos espectrales de imágenes y usarse directamente para identificar tipos de rocas y minerales. Por ejemplo, el código IHS y el diagrama de bandas de absorción (Kruse, 1988) son imágenes espectrales eliminadas mediante el método continuo. Define la imagen de posición del centro de absorción de la banda, la imagen de profundidad de la banda y la imagen del ancho medio extremo de la banda, y proporciona su brillo (H), intensidad (L) y saturación (S) en el espacio HS I respectivamente, y luego las combina Transformación inversa al espacio de cromaticidad RGB. Esto permite la identificación directa de minerales en función de las diferencias de tono. Al describir parámetros característicos de absorción de diagnóstico único de rocas y minerales, la profundidad de absorción es un índice característico muy importante al que siempre se ha prestado atención. Por ejemplo, la imagen RBD (Imagen de profundidad de banda relativa) (Crowley et al., 1989) utiliza una operación de relación para mejorar la profundidad de absorción del miembro final dividiéndolo en función de la suma de las reflectancias de hombro de los picos de absorción de diagnóstico individuales de el miembro final a identificar. La relatividad de los picos de absorción de diagnóstico de los minerales del miembro final se caracteriza por la imagen del cociente dividida por la suma de las reflectancias de las longitudes de onda correspondientes adyacentes al centro del valle. En las imágenes RBD de diferentes minerales del miembro final, además de la proporción de píxeles que representa la posibilidad de la existencia de minerales del miembro final, los minerales del miembro final también se identifican mediante una mayor selección y mejora de características (como el análisis de transformación de PC ). Debido a la asimetría del pico de absorción, es difícil describir con precisión sus características utilizando el método RBD. El algoritmo de banda de interpolación continua (CIBR) (De Jong, 1998) y la imagen del índice de absorción espectral (SAI, Wang Jinnian et al., 1996) son similares al método del mapa de profundidad de absorción relativa, pero introducen un factor de simetría para realizar su descripción. de las características de absorción más razonables. CIBR utiliza el valor de radiación en el centro del valle de absorción de diagnóstico dividido por el producto del valor de radiación en los hombros izquierdo y derecho y el factor de simetría característico de absorción para generar una imagen de cociente correspondiente, que se utiliza para mejorar la profundidad de absorción de diagnóstico de diferentes minerales e identificar minerales. El método SAI es similar al CIBR, pero también agrega un factor de simetría a las características de un hombro de forma de onda de absorción única. El método anterior es similar al procesamiento tradicional ratiométrico o de mejora del color. La mayor diferencia con el procesamiento de mejora convencional es que incorpora orgánicamente conocimiento previo de las características espectrales de los minerales del miembro final, lo que lo hace más específico y útil. Debido a la influencia de la radiación atmosférica en las características espectrales de los datos de teledetección y a la influencia de la deriva espectral y los cambios causados por la mezcla espectral en una sola forma de onda, los resultados del reconocimiento contienen una gran interferencia.
La mayor ventaja de la espectroscopia de imágenes es utilizar bandas espectrales subdivididas limitadas para reproducir la curva espectral del fenómeno correspondiente. De esta manera, el uso de curvas de espectro completo para la identificación de coincidencias de minerales puede mejorar la incertidumbre de una sola forma de onda (como la deriva y el cambio espectral) hasta cierto punto y mejorar la precisión de la identificación.
El método de identificación basado en la forma de onda completa es seleccionar razonablemente una función métrica para medir la similitud entre el espectro estándar o el espectro medido y el espectro de la imagen en el espacio bidimensional compuesto por el espectro de referencia y el espectro de píxeles. Por ejemplo, la coincidencia espectral (SM) (Baugh et al., 1998) utiliza la función de medida de distancia euclidiana de los vectores espectrales de rocas y minerales, es decir, para encontrar la diferencia entre el espectro de píxeles de la imagen y el espectro de referencia en el espectro. espacio. Cuanto menor sea la distancia, mejor será el ajuste entre el espectro del extremo de la imagen o el espectro del extremo a identificar y el espectro de referencia medido en el laboratorio o en el campo. De manera similar, el algoritmo del índice de similitud (Si) (Fenstermaker et al., 1994) se basa en la lateralidad de la distancia euclidiana, basada en la suma media de las diferencias de bandas al cuadrado entre el espectro promedio de píxeles de la imagen del tipo de característica conocida y el píxel de la imagen desconocido. espectro para identificar características. Los dos métodos anteriores son más fiables que las técnicas de identificación de parámetros basadas en una única forma de onda de absorción. Sin embargo, debido a la influencia de la resolución de los datos espectrales, la diferencia espectral no es obvia y, debido a los defectos inherentes de la medida de distancia euclidiana, es difícil clasificar e identificar con precisión los objetos terrestres. El Spectral Angle Mapper (SAM) (Ben-Doll et al., 1994; Crosta et al., 1998; Drake et al., 1998: Yuhas et al., 1992) es un espacio vectorial espectral multidimensional compuesto de espectros de rocas y minerales. Una función de medida angular de vectores espectrales minerales resuelve la similitud entre los vectores de los miembros finales (R) de los espectros de referencia de rocas y minerales y los vectores espectrales (T) de los píxeles de la imagen. Los espectros de los miembros finales de referencia pueden derivarse de mediciones de laboratorio y de campo o de espectros de píxeles de imágenes de clases conocidas. En función de las similitudes entre ellos, se puede identificar y extraer información sobre la alteración de la mineralización. La dificultad de este método es cómo seleccionar razonablemente el umbral para la segmentación de la información. Sin embargo, desde la perspectiva de las aplicaciones existentes, este método es simple y confiable. La comparación de correlación cruzada (Ferrier et al., 1999; Varder Meer et al., 1997) utiliza el factor de correlación (r.) como índice de similitud para identificar minerales mediante la comparación de correlación cruzada píxel por píxel. Cuando el espectro de referencia coincide completamente con el espectro de prueba, su posición m = 0; cuando el espectro de referencia se mueve hacia la dirección de longitud de onda larga, su m < 0. En caso contrario, m > 0. En el espacio RGB, la asimetría, el valor de la prueba t y el factor de correlación vienen dados por R, G y B respectivamente si está en la posición coincidente "0", su pendiente, el valor de la prueba t y el factor de correlación (r.) están todos cerca de "1", aparece de color blanco, identificando los minerales del miembro final. Para la identificación inteligente de minerales se suele utilizar la forma espectral completa. Por ejemplo, el software de identificación de minerales Tetracord, basado en la plataforma UNIX, identifica automáticamente los minerales ajustando los espectros en la base de datos espectral con espectros de imágenes. Wang Runsheng et al. (1999) utilizaron redes neuronales para identificar automáticamente minerales en función de sus formas de onda completas. Cuando hay una gran cantidad de espectros conocidos de objetos terrestres, el método anterior tiene una gran adaptabilidad. Más útil para el reconocimiento de características de imágenes. Sin embargo, la deficiencia obvia es que debido a la influencia de los cambios espectrales, los ángulos de observación y los tamaños de partículas de los objetos terrestres reales en los datos adquiridos, es difícil hacer coincidir con precisión objetos terrestres con poca diferencia en las características espectrales generales, lo que genera confusión y errores. en el análisis de identificación de minerales de roca.
La tecnología de identificación basada en modelo espectral es una tecnología de procesamiento de señales basada en determinadas teorías ópticas, espectroscópicas, cristalográficas y matemáticas. No sólo puede superar las deficiencias de los métodos anteriores, sino también cuantificar con precisión características físicas como la composición de los materiales de la superficie al tiempo que identifica los tipos de objetos terrestres. Por ejemplo, modelo de descomposición espectral mixta lineal (SMA/SUM) (Adams et al., 1986; Wasabi et al., 1987; Roberts et al., 1997; Sabol et al., 1992; Settle et al., 1993; Shipman et al.; 1987: Shimayaguro et al., 1991; Smith et al., 1985), el modelo de descomposición lineal espectral se puede construir basándose en las diferencias en las respuestas de reflectancia espectral de diferentes objetos terrestres o diferentes píxeles. Un píxel no es un único tipo de objeto terrestre, sino que está compuesto por diferentes tipos de objetos terrestres. Por lo tanto, en la mayoría de los casos, el espectro de píxeles no es una mezcla lineal de espectros terrestres puros, sino que es más no lineal. Para la dispersión única, se puede descomponer en un modelo lineal, mientras que la dispersión múltiple se considera una mezcla no lineal.
Debido a que la abundancia promedio del albedo de dispersión única depende principalmente de los diferentes contenidos de los componentes, se puede considerar una mezcla lineal (Mustard et al., 1987). De esta manera, mediante la conversión del albedo de dispersión simple (SSA), la no linealidad se puede "linealizar" utilizando el operador W=(3r 6)r/(1 2r)2, y luego se puede descomponer el espectro. Tompkins (1996) propuso un modelo de análisis de mezcla espectral modificado (MSMA). El modelo utiliza miembros finales virtuales y utiliza un algoritmo de mínimos cuadrados amortiguados. Con base en cierto conocimiento previo, los miembros finales de la subimagen se pueden seleccionar efectiva y finalmente para la descomposición espectral, lo que mejora la practicidad de SMA. En comparación con SMA, la mayor diferencia de MSMA es que: ① los miembros finales y su abundancia son variables desconocidas ② resuelven todos los píxeles del conjunto de datos al mismo tiempo; Para CEM (Técnica de minimización de energía restringida) (Farland et al., 1997; Farland et al., 1996; Resmini et al., 1997), el espectro de píxeles (ri) del área objetivo (o área ROI) en el espectro de imágenes Se utiliza la secuencia de imágenes. ) coeficiente de peso relacionado wk para describir el valor digital y del vector de píxeles, realizando así la selección y descomposición de características para el reconocimiento de características y la extracción de información. Al igual que el modelo de descomposición espectral mixta, el resultado de la descomposición no solo representa el tipo de información del píxel identificado, sino que también representa orgánicamente su relación de abundancia. A diferencia del modelo híbrido de descomposición espectral, este método se basa más en las características estadísticas del área objetivo, pero los resultados son más precisos. En resumen, estos métodos se basan más en el conocimiento espectral y en métodos matemáticos. En aplicaciones prácticas, es difícil determinar parámetros característicos o describir con precisión el modelo espectral, lo que limita la aplicación de dichos métodos técnicos. Sin embargo, dado que este método cuantifica los componentes materiales al mismo tiempo que identifica objetos terrestres, a medida que maduran una serie de tecnologías, se desarrollan aún más la espectroscopia, la cristalografía y otros conocimientos, la precisión del reconocimiento y la capacidad de cuantificación mejoran y su aplicación se volverá cada vez más popular. cada vez más ampliamente.
En China, se han utilizado algunos espectros de imágenes para identificar minerales directamente, pero el rendimiento de los sensores domésticos no es lo suficientemente perfecto y la relación señal-ruido de los datos es baja. Sin embargo, se han logrado algunos resultados en la identificación cualitativa de minerales de roca. Por ejemplo, Gan Fuping (2000) utilizó un análisis de componentes principales basado en combinaciones de características de formas de onda para clasificar eficazmente la litología del depósito de oro de Hougou en Zhangjiakou, Hebei. Liu Qingsheng (1999) extrajo alteraciones auríferas en una zona minera de Mongolia Interior mediante análisis de correspondencia. Todavía existe una cierta brecha detrás de los países desarrollados como los Estados Unidos en términos de identificación cuantitativa directa de mineralización, identificación de patrones e identificación de pedigrí.
En resumen, la investigación sobre el mecanismo espectral de rocas y minerales, la base de la extracción de información por teledetección y la investigación sobre métodos y tecnologías de extracción de información por teledetección son complementarias entre sí y tienen una cierta correspondencia. .
Con el desarrollo de la tecnología de imágenes espectrales de teledetección, se ha desarrollado la investigación sobre la base de la aplicación de objetos de superficie de teledetección y la tecnología de extracción de información de imágenes de teledetección. Sus direcciones y tendencias de investigación se centran principalmente en el conocimiento de las características espectrales. y propiedades geofísicas y químicas. Sobre la correlación con el modelo de física espectral. La correlación entre las propiedades geofísicas y químicas y las características espectrales, así como el análisis e investigación en profundidad de modelos físicos espectrales, pueden proporcionar información para que la teledetección identifique directamente minerales, extraiga patrones de distribución, atributos y propiedades físicas y químicas de objetos terrestres. y extraer información del terreno profundo desde diferentes ángulos. El apoyo teórico promueve el desarrollo de la tecnología de aplicación de la teledetección. La practicidad y la industrialización de las aplicaciones de geociencia de la teledetección son el resultado de la promoción mutua de la investigación sobre la base de la aplicación espectral de los objetos de superficie de la teledetección y la tecnología de extracción de información sobre el impacto de los objetos de superficie de la teledetección.
El desarrollo de la investigación sobre el mecanismo del espectro de los objetos terrestres, la base de la extracción de información de teledetección y la investigación sobre métodos y tecnologías de extracción de información de teledetección conducirán a la combinación de los tres y eventualmente a su integración. en modelos de aplicaciones de teledetección e integración de tecnología, aprovechando así al máximo sus respectivas capacidades, mejorando las capacidades de aplicación de teledetección, mejorando la comprensión de las aplicaciones geológicas, simulando, evaluando y prediciendo patrones de desarrollo de las geociencias.