Aplicación de la interpretación de la estructura de imágenes de teledetección ETM++ en la predicción de prospecciones de minerales, tomando como ejemplo el área de Anhui Zhonggushan
En el estudio se utilizaron los datos del Landsat 7 ETM+ (2001+0 11.6, número de tren 120-38). Utilizando una imagen multiespectral de resolución de 30 m de Landsat7 ETM+ y datos de banda panorámica de resolución de 15 m, extraiga el valor de gris de los datos de teledetección de Landsat 7 ETM+ y utilice el método de transformación de Gram-Schmidt para fusionar los datos de Landsat 7 ETM+. Finalmente, se realizó un experimento de fusión basado en la plataforma ENVI4.5 para fusionar la banda múltiple con una resolución de 30 m y la banda PAN con una resolución de 15 m para obtener datos de imágenes de teledetección multiespectrales con una resolución de 15 m.
El propósito de identificar objetivos o fenómenos se basa en la diferente información característica de varios rasgos en la interpretación visual de imágenes de teledetección. A partir de datos espaciales, información de puntos minerales y datos de imágenes de teledetección, la información estructural se puede interpretar de forma intuitiva.
Los sedimentos sueltos cuaternarios en la zona de estudio son más gruesos, la vegetación está desarrollada, hay menos macizos rocosos expuestos y las fallas ocultas están más desarrolladas.
El procesamiento de fallas ocultas requiere técnicas de mejora de la imagen: segmentación de densidad, análisis de textura, mejora de proporciones, filtrado direccional y no direccional.
Este artículo utiliza análisis de textura y filtrado direccional para mejorar la imagen.
El análisis de textura refleja los cambios espaciales de la escala de grises y consta de unidades de textura organizadas de acuerdo con ciertas reglas o ciertas reglas estadísticas. Al extraer fallas estructurales, la información de alta frecuencia refleja principalmente las características de los bordes y las líneas.
El filtrado de estadísticas de probabilidad de varianza se selecciona para mejorar la información del borde de la imagen, haciendo que las características del borde del objeto de la imagen sean más intuitivas, la diferencia en formas de relieve y texturas más obvias y extrayendo efectivamente tres estructuras lineales. información.
Utilizando la opción Medición de ocurrencia, se pueden aplicar cinco filtros de textura diferentes basados en estadísticas de probabilidad. El filtrado estadístico probabilístico puede utilizar rango de datos, media, varianza, entropía y asimetría. Las estadísticas probabilísticas utilizan el número de apariciones de cada nivel de gris en la ventana de procesamiento para los cálculos de textura. El siguiente es el proceso de operación:
(1) En el menú principal, seleccione Filtro --> Textura --> Acción Seleccione un archivo de imagen en el cuadro de diálogo "Archivo de entrada de textura".
(2) En el panel de parámetros de medición, haga clic en? Haga clic en la casilla de verificación junto al tipo de textura en la sección Textura para calcular para seleccionar la imagen de textura que desea crear.
(3) En los cuadros de texto "Fila" (y) y "Columna" (x), ingrese el tamaño de la ventana de procesamiento.
(4)Seleccione la ruta de salida y el nombre del archivo. Haga clic en Aceptar para comenzar a procesar. La imagen de textura seleccionada se calculará y se colocará en la lista de bandas disponibles.
Al utilizar la opción de métrica de coocurrencia, se pueden aplicar ocho filtros de textura basados en matrices de segundo orden, que incluyen media, varianza, armonía, contraste, disimilitud, entropía, momento de segundo orden y correlación.
Las estadísticas probabilísticas de segundo orden calculan los valores de textura utilizando una matriz de correlación espacial en escala de grises, que es una matriz de frecuencia relativa, es decir, la frecuencia de los valores de píxeles en dos ventanas de procesamiento adyacentes separadas por una distancia y dirección específicas. Esta matriz muestra el número de apariciones de una relación entre un píxel y su vecindad específica. Por ejemplo, la matriz de probabilidad de segundo orden que se muestra en la figura siguiente es generada por cada píxel y su vecindad horizontal en una ventana de 3x3 (valor de transformación x=1, y=0). Se genera una matriz de probabilidad de segundo orden utilizando píxeles en una ventana base de 3 × 3 y píxeles en una ventana de 3 × 3 transformada por un píxel en la dirección horizontal. El siguiente es el proceso de operación.
(1) Seleccione Filtro-->Textura->Medición de co-ocurrencia y seleccione el archivo de imagen en el cuadro de diálogo Archivo de entrada de textura.
(2) En el cuadro de diálogo de parámetros de textura de co-ocurrencia. Seleccione la imagen de textura que desea crear haciendo clic en la casilla de verificación junto al tipo de textura en la sección Textura para calcular.
(3) En los cuadros de texto "Fila" (y) y "Columna" (x), ingrese el tamaño de la ventana de procesamiento.
(4) Ingrese los valores de transformación X e Y (desplazamientos de coocurrencia) para calcular la matriz de probabilidad de segundo orden.
(5) Selecciona el nivel de cuantificación de grises: ninguno, 64, 32 o 16.
(6)Seleccione la ruta de salida y el nombre del archivo. Haga clic en Aceptar para comenzar a procesar. La imagen de textura seleccionada se calculará y se colocará en la lista de bandas disponibles.
Elija una matriz de filtro para convolucionar la imagen y resaltar la estructura lineal en una dirección determinada. Las estructuras de fallas con tendencia noreste y noroeste en esta área se desarrollan y amplían, que son direcciones clave de prospección y tienen una importancia de exploración importante.
Filtrado de convolución progresivo en direcciones sn, ew, ne y NW. Una vez completado el filtrado de dirección, se utiliza el método de estiramiento lineal para modular el mejor efecto visual y extraer 21 estructuras lineales.
1. ¿Filtrado de convolución (filtrado de convolución)
? La convolución es un método de filtrado que produce una imagen de salida (una imagen en la que el valor de brillo de un píxel determinado es función del promedio ponderado de los valores de brillo de los píxeles circundantes).
El usuario selecciona un núcleo de transformación para la convolución de la secuencia de imágenes para generar una nueva imagen filtrada espacialmente.
(1) Seleccione Filtro>Convolución>Un tipo de filtrado.
(2) Cuando aparece el cuadro de diálogo, debe seleccionar el tamaño del núcleo de transformación para establecer los parámetros de convolución del filtro de convolución. La mayoría de los núcleos de transformación de filtros son cuadrados y el tamaño predeterminado del núcleo de transformación es 3 × 3, que se puede cambiar en el cuadro de texto "Tamaño".
Transforma el tamaño del kernel.
Cuando aparece el cuadro de diálogo Edición de kernel, el valor de cada kernel de transformación se muestra en su propio cuadro de texto editable. Para cambiar cualquier valor, haga clic en el valor que desea cambiar, escriba el nuevo valor y haga clic en Intro.
? Nota: Algunos filtros especiales (como Sobel y Roberts) tienen sus propios valores predeterminados y no se pueden cambiar. Al seleccionar estos filtros no aparece la opción de cambiar el tamaño del kernel. La parte "agregada" del resultado de la convolución de la imagen original ayuda a preservar las conexiones espaciales y generalmente se procesa en una imagen nítida. Para la parte Agregar nuevamente de la imagen original, en el cuadro de texto Agregar nuevamente, escriba un número entre 0,0 y 1,0 (correspondiente al 0 al 100% de la imagen original).
(1) Haga clic en "Aplicación rápida" y cuando aparezca el cuadro de diálogo, seleccione la banda de entrada.
? Haga clic en "Aceptar" y el archivo temporal aparecerá en "Lista de bandas disponibles Lista de bandas disponibles" y aparecerá una nueva ventana que muestra los resultados del filtrado.
(3) O haga clic en Aplicar al archivo para seleccionar el archivo de entrada, haga clic en Aceptar, seleccione la banda de entrada y el método de salida, y podrá elegir enviar a la memoria. El archivo de memoria aparece en "Lista de bandas disponibles Lista de bandas disponibles" y se crea una nueva ventana de visualización para mostrar los resultados del filtro.
2. Filtro de paso alto
El filtrado de paso alto elimina los componentes de baja frecuencia de la imagen al tiempo que retiene la información de alta frecuencia. Se puede utilizar para mejorar los bordes entre diferentes áreas, al igual que enfocar una imagen. Esto se hace utilizando un núcleo de transformación con un valor central alto (normalmente rodeado de pesos negativos). El núcleo de transformación predeterminado utilizado por ENVI para el filtrado de paso alto es 3×3 (el valor central es "8" y el valor del píxel exterior es "-1"). El tamaño del núcleo de transformación del filtro de paso alto debe ser un número impar. Para lograr esta función, seleccione Filtro > Convolución > Paso alto.
Filtro de paso bajo
? El filtrado de baja frecuencia conserva los componentes de baja frecuencia de la imagen. El filtrado de paso bajo de ENVI se realiza aplicando la función IDL "SMOOTH" a la imagen seleccionada. Esta función utiliza el promedio de boxcar y el tamaño de la caja está determinado por el tamaño del núcleo de transformación. El tamaño del kernel de transformación predeterminado es 3x3. Para lograr esto, elija Filtro > Convolución > Paso bajo.
4. ¿Filtro laplaciano (filtro laplaciano)?
? El filtro laplaciano es la segunda derivada del filtro de mejora de bordes y su funcionamiento no necesita considerar la dirección del borde. El filtrado laplaciano enfatiza los valores máximos en la imagen y utiliza pesos norte-sur y este-oeste del núcleo de transformación.
Todos son números negativos y el centro es "0".
El filtro laplaciano predeterminado en ENVI utiliza un núcleo de transformación de tamaño 3x3 con un valor central de "4" y una dirección norte-sur y este-oeste de "-1". Todos los núcleos de transformación del filtro laplaciano
Todos los tamaños deben ser impares.
5. ¿Segmentación (filtrado directo)
? El filtrado de paso es un filtrado de mejora de bordes derivado de primer orden que mejora selectivamente las características de la imagen con componentes direccionales específicos. La suma de los elementos de un núcleo de transformación de filtro directo es cero. La imagen de salida resultante tiene los mismos valores de píxeles.
las áreas son todas 0 y las áreas con diferentes valores de píxeles se muestran como bordes brillantes.
? Implemente el filtrado de paso directo:
(1) Seleccione Filtro>Convolución>Directividad.
(2) Además de los elementos de ajuste de filtro estándar en el cuadro de diálogo de parámetros de convolución, el filtrado directo ENVI requiere que escriba la dirección requerida (en grados). El norte verdadero es 0 grados y los demás ángulos son grados vectoriales en sentido antihorario.
6. Filtro gaussiano (filtro gaussiano)
El filtro gaussiano filtra la imagen a través de una función de convolución gaussiana de un tamaño específico. El tamaño del kernel de transformación predeterminado es 3 × 3 y el tamaño del kernel de transformación debe ser un número impar. Seleccione el filtrado Gaussiano de paso alto o
Paso bajo gaussiano.
7. Filtro de mediana (filtro de mediana)
El filtro de mediana suaviza la imagen conservando los bordes que son más grandes que el núcleo de transformación. El filtro mediano de ENVI reemplaza cada píxel central con la mediana (que no debe confundirse con la media) de regiones adyacentes limitadas por el tamaño del filtro.
Valor. El tamaño del kernel de transformación predeterminado es 3x3. Para implementar esta característica, seleccione Filtro > Convolución > Mediana.
8. Filtro Sobel
El filtro Sobel es una mejora de borde no lineal que utiliza particularmente la aproximación de la función Sobel y es un operador de mejora de bordes no lineal preestablecido de 3×3. El tamaño del filtro no se puede cambiar y no hay forma de editar el tamaño del núcleo de transformación. Para implementar esta función, seleccione Filtro > Convolución Sobel.
9. Filtro Roberts
El filtro Robert es un filtro de detección de bordes similar al dispositivo Sobel. Es un filtro especial que utiliza una aproximación preestablecida de 2×2 de la función de Roberts. Es un método simple de diferencia al cuadrado bidimensional, que se utiliza para afilar y aislar bordes. El tamaño del filtro no se puede cambiar ni se puede editar el tamaño del núcleo de transformación. Para lograr esto, seleccione Filtro > Convolución Roberts.
10, Filtro de convolución definido por el usuario (Filtro de convolución definido por el usuario)
Al seleccionar y editar los núcleos de transformación del usuario, podemos definir los núcleos de transformación de uso común. Núcleos de transformación de convolución. Seleccione el botón Editar kernel para editar interactivamente los valores predeterminados y cambiar los pesos de los filtros individuales.
La banda infrarroja térmica de ETM+ es la sexta banda, que se divide en banda de baja ganancia y banda de alta ganancia. Se encuentra que el efecto de visualización de la banda de baja ganancia después de la segmentación de densidad es mejor que el de la banda de alta ganancia. Se extrajeron una estructura de anillo y tres estructuras lineales.
La segmentación por densidad es un método de transformación de color para imágenes de una sola banda. Coloca capas de imágenes de detección remota en blanco y negro de una sola banda según el brillo, dando a cada capa un color diferente, convirtiéndola en una imagen en color, en la que cada capa contiene diferentes valores de brillo. Si el esquema de capas se corresponde bien con las diferencias espectrales de los objetos terrestres, este método se puede utilizar para distinguir las categorías de varios objetos terrestres.
Los pasos específicos para la segmentación de densidad son los siguientes:
(1) Seleccione Herramientas → Mapeo de color → División o superposición de densidad → División de densidad en el menú de visualización. Aparecerá el cuadro de diálogo de selección de banda de corte de densidad.
(2) Seleccione la banda para definir el rango de valores de grises. Los 8 rangos predeterminados se enumeran en "Rangos de corte de densidad definidos". Los valores mínimo y máximo de estos datos predeterminados se calculan mediante una ventana móvil. Puede cambiar el rango de divisiones de densidad ingresando los valores máximo y mínimo deseados. (Si desea volver al estado inicial, haga clic en Restablecer). Seleccione el rango de aplicación de segmentación de densidad en la parte inferior del cuadro de diálogo, ya sea la ventana de imagen, la ventana móvil o todas las ventanas.
(3) En el cuadro de diálogo de corte de densidad, podemos editar, eliminar, modificar y cambiar el color del atributo de intervalo del rango de valores de grises dividido. Simplemente haga clic en los cuadros de opción Editar rango, Eliminar rango y Borrar rango.
(4) Usamos el rango de valores de grises predeterminado de ENVI para la segmentación de densidad (o lo ajustamos según el nuestro) y hacemos clic en Aplicar.
Explicación visual de zonas de lecho rocoso expuesto.
En áreas sin cuerpos rocosos ni sistemas cuaternarios, se utilizaron análisis de textura, filtrado cuantitativo y segmentación de testigos para extraer información estructural oculta, y se descubrió un lote de nuevas estructuras ocultas.
La tinción con hierro y la alteración de hidroxilo adoptan el método de componente principal + interferencia + umbral, que pertenece a la alteración tardía o posmineralización, y es un método tridimensional de llenado de magnetita y cementación de brechas explosivas ocultas. después de una precipitación masiva. La diorita de piroxenita en las paredes superior e inferior del área de estudio ha sido sometida a caolinita silicificada, lo que indica un posible yacimiento debajo. Una extensa e intensa silicificación, caolinización e incluso carbonatación en múltiples etapas han provocado la aparición de hierro pseudorojo en depósitos de hierro que originalmente eran magnetita. El grado de pseudohematita está relacionado con la intensidad de la alteración antes mencionada, pero no lo está. Totalmente el resultado de encontrar el logotipo de Mine. Por lo tanto, es necesario combinar datos geofísicos para filtrar la información de alteración en el área de estudio para encontrar predicciones favorables del área minera.
(1) Se define como el área de predicción de prospección de nivel A, ubicada en la intersección de estructuras de interpretación de sensores remotos, áreas de alto valor de anomalías geomagnéticas, anomalías de manchas de hierro de sensores remotos y estratos de la aldea de Qinghe, o ambos. .
(2) Las áreas con tres de los cuatro factores de predicción de mineralización se definen como áreas de predicción de prospección de nivel B.
(3) El área con dos de los cuatro elementos mineralizantes se define como área de predicción de prospección de nivel C.
Al final, hubo 4 niveles A, 2 niveles B y 1 nivel C.