基于光譜知識(shí)的高光譜圖像自動(dòng)識(shí)別方法

牛志宇 趙慧潔

（北京航空航天大學(xué) 儀器科學(xué)與光電工程學(xué)院，北京 100191）

基于光譜知識(shí)的高光譜圖像自動(dòng)識(shí)別方法

牛志宇 趙慧潔

（北京航空航天大學(xué) 儀器科學(xué)與光電工程學(xué)院，北京 100191）

針對(duì)傳統(tǒng)高光譜圖像礦物識(shí)別方法未能充分利用礦物光譜診斷吸收特征與礦物光譜知識(shí)、識(shí)別過程人為干預(yù)多等問題，提出了一種基于光譜知識(shí)的高光譜圖像自動(dòng)識(shí)別方法.該方法引入了基于光譜吸收特征與波形特征的光譜知識(shí)作為自動(dòng)識(shí)別的標(biāo)準(zhǔn)，利用連續(xù)統(tǒng)去除操作增強(qiáng)光譜吸收特征，采取基于光譜主次吸收特征的識(shí)別決策策略，建立多級(jí)約束準(zhǔn)則以提高識(shí)別精度及避免誤識(shí)別，通過利用模擬數(shù)據(jù)進(jìn)行算法精度評(píng)價(jià)并應(yīng)用航空高光譜成像儀AVIRIS（Airborne Visible/Infrared Imaging Spectrometer）數(shù)據(jù)進(jìn)行應(yīng)用分析與驗(yàn)證.結(jié)果表明:當(dāng)圖像信噪比大于200時(shí)，識(shí)別準(zhǔn)確率可以達(dá)到80.3%，能夠得到良好的識(shí)別結(jié)果以及較高的精度，并實(shí)現(xiàn)了基于高光譜圖像的礦物自動(dòng)識(shí)別.

高光譜遙感;自動(dòng)識(shí)別;光譜吸收特征

高光譜遙感是20世紀(jì)80年代發(fā)展起來的新型遙感探測(cè)技術(shù)，它將成像與光譜技術(shù)相結(jié)合，主要特點(diǎn)是光譜連續(xù)、分辨率高，并在獲取地表空間圖像的同時(shí)得到地物的連續(xù)光譜信息，從而為地物的精確識(shí)別提供了強(qiáng)有力的探測(cè)手段.礦物識(shí)別是高光譜遙感應(yīng)用最成功的，也是最能發(fā)揮其優(yōu)勢(shì)的應(yīng)用領(lǐng)域［1］，高光譜數(shù)據(jù)礦物識(shí)別技術(shù)不僅在礦產(chǎn)資源勘查和評(píng)價(jià)中發(fā)揮重要作用，而且對(duì)月球和行星地質(zhì)學(xué)研究都具有重要意義.

傳統(tǒng)高光譜圖像礦物識(shí)別方法主要包括基于數(shù)據(jù)統(tǒng)計(jì)信息的識(shí)別方法［2］以及基于光譜匹配的識(shí)別方法［3］.基于圖像統(tǒng)計(jì)信息的識(shí)別方法僅是利用圖像特征空間統(tǒng)計(jì)特性得到不同的類別，并利用先驗(yàn)信息進(jìn)行解譯，該類方法沒有充分利用光譜維信息.光譜角制圖、光譜相關(guān)填圖等光譜匹配［4］方法需要利用先驗(yàn)光譜信息與圖像光譜進(jìn)行匹配，以某種測(cè)度函數(shù)得到識(shí)別結(jié)果.這種方法在識(shí)別過程中需要用到圖像先驗(yàn)信息，并且僅僅利用單一光譜特征，特征的不穩(wěn)定性直接影響識(shí)別效果，且識(shí)別過程中需要人機(jī)交互.針對(duì)上述傳統(tǒng)方法存在的問題，發(fā)展了基于決策的識(shí)別方法，它以專家系統(tǒng)為基礎(chǔ)，建立識(shí)別規(guī)則進(jìn)行地物識(shí)別，最具代表性的是美國地調(diào)局提出和發(fā)展的專家系統(tǒng)智能識(shí)別模型［5］，該類方法的準(zhǔn)確度取決于專家系統(tǒng)庫建立是否完善以及識(shí)別規(guī)則的建立是否完備.為了提高礦物識(shí)別準(zhǔn)確性與可靠性，針對(duì)基于決策方法存在的問題，本文提出了光譜波形與光譜特征參量相結(jié)合，并建立改進(jìn)多級(jí)知識(shí)約束準(zhǔn)則的高光譜礦物自動(dòng)識(shí)別方法.

1 方法實(shí)現(xiàn)

本文方法通過研究標(biāo)準(zhǔn)光譜庫中參考光譜的內(nèi)在吸收特征，對(duì)礦物參考光譜診斷吸收特征參數(shù)進(jìn)行計(jì)算，作為識(shí)別的標(biāo)準(zhǔn);并對(duì)被處理高光譜圖像的像元光譜以及庫中標(biāo)準(zhǔn)光譜進(jìn)行連續(xù)統(tǒng)去除操作，以突出光譜診斷吸收特征;采用基于光譜主次吸收特征的最小二乘擬合法作為決策方法得到初級(jí)識(shí)別結(jié)果;通過對(duì)礦物光譜吸收特征進(jìn)行知識(shí)化表達(dá)從而建立多級(jí)約束準(zhǔn)則，對(duì)初級(jí)識(shí)別結(jié)果進(jìn)行約束，以此避免錯(cuò)誤識(shí)別和提高識(shí)別精度，實(shí)現(xiàn)高光譜圖像專題信息識(shí)別的智能化以及自動(dòng)化.本文提出方法的實(shí)現(xiàn)流程如圖1所示.

圖1 本文方法實(shí)現(xiàn)流程

1.1 光譜知識(shí)庫的引入

光譜知識(shí)庫的準(zhǔn)確性和完備性決定了應(yīng)用系統(tǒng)的性能，合理建立知識(shí)庫并保證知識(shí)庫的準(zhǔn)確和完備性是應(yīng)用系統(tǒng)設(shè)計(jì)的重要前提.

針對(duì)現(xiàn)有礦物識(shí)別方法中知識(shí)庫建立不完善的問題，本文方法從兩方面構(gòu)建光譜知識(shí)庫，即包含了光譜庫和特征庫，其中光譜庫包括標(biāo)準(zhǔn)光譜庫中常見礦物的整條光譜曲線，特征庫則包含光譜庫中標(biāo)準(zhǔn)礦物光譜的診斷吸收特征個(gè)數(shù)以及各個(gè)吸收特征的起止點(diǎn)波長位置等信息.

本文方法中使用的光譜庫是美國地調(diào)局光譜庫，覆蓋波譜范圍為 0.395 ～2.56 μm;選取了 60種常見礦物，其中包括明礬石、高嶺石、蒙脫石、白云母、方解石和伊利石等礦物的標(biāo)準(zhǔn)光譜［6］.

特征譜帶在礦物中具有較穩(wěn)定的波長位置和較穩(wěn)定的獨(dú)特波形，能夠指示礦物的存在，因此可將礦物的這些“指紋特征”作為識(shí)別的標(biāo)準(zhǔn).通過分析所使用光譜庫中的標(biāo)準(zhǔn)光譜，計(jì)算并記錄光譜診斷吸收特征的相關(guān)參數(shù)，包括吸收特征的個(gè)數(shù)及其特征位置，從而形成特征庫.為了抑制單一光譜特征不穩(wěn)定以及噪聲等對(duì)識(shí)別結(jié)果的影響，本文選取了礦物光譜的主次吸收特征.如圖2所示，明礬石主次吸收特征分別位于 2.065～2.235 μm與2.295 ～ 2.355 μm;高嶺石具有雙吸收特征，位于2.115 ～2.245 μm.

圖2 典型礦物吸收特征比較（光譜已平移）

1.2 基于光譜主次吸收特征的決策方法

圖像光譜與標(biāo)準(zhǔn)光譜由于以下因素影響存在一定的差異:圖像中礦物光譜為混合礦物光譜，標(biāo)準(zhǔn)光譜庫中為實(shí)驗(yàn)室測(cè)量純礦物光譜;傳感器參數(shù)、大氣條件和成礦條件等外界因素影響造成的光譜特征漂移或變淺等;因此有必要對(duì)光譜曲線進(jìn)行預(yù)處理以增強(qiáng)光譜吸收特征.為了解決上述問題，本文方法對(duì)圖像光譜及知識(shí)庫中參考光譜進(jìn)行連續(xù)統(tǒng)去除［7］，其計(jì)算公式為

其中，λ為波長，Rcr（λ）為連續(xù)統(tǒng)去除后的反射率值;R（λ）為連續(xù)光譜的反射率值;C（λ）為連續(xù)統(tǒng)的值.連續(xù)統(tǒng)處理前后的光譜如圖3所示，處理后光譜曲線的吸收特征得到了明顯地增強(qiáng).

圖3 連續(xù)統(tǒng)去除前后礦物光譜對(duì)比

現(xiàn)有光譜特征擬合［8］等識(shí)別方法是利用全波段吸收特征進(jìn)行匹配擬合，其中的部分較小特征可能為圖像噪聲.針對(duì)上述問題以及光譜吸收特征波形比較穩(wěn)定這一特性，本文改進(jìn)了現(xiàn)有的光譜相似性測(cè)度，提出了基于光譜主次吸收特征的最小二乘擬合法作為決策方法，將圖像光譜與光譜知識(shí)庫中各個(gè)標(biāo)準(zhǔn)光譜在主吸收特征及次級(jí)吸收特征波段進(jìn)行加權(quán)比較，忽略掉較小特征的干擾影響，從而得到最初的識(shí)別結(jié)果.計(jì)算公式為

其中，ni為第i個(gè)吸收特征所含的波段數(shù);Oi為第i個(gè)吸收特征連續(xù)統(tǒng)去除后的圖像像元光譜;Li為第i個(gè)吸收特征連續(xù)統(tǒng)去除后的光譜庫參考光譜;Ci為第i個(gè)光譜吸收特征所占的權(quán)系數(shù)，可利用該吸收特征的面積在整個(gè)波段主次兩個(gè)特征的面積之和中所占的比例來得到;Ftotal為連續(xù)統(tǒng)去除后的圖像像元光譜與參考光譜在主次吸收特征區(qū)間的加權(quán)匹配值，作為最初的圖像識(shí)別結(jié)果.

1.3 多級(jí)約束準(zhǔn)則的建立

本文提出的方法通過最小二乘擬合決策方法對(duì)連續(xù)統(tǒng)去除后的圖像像元光譜和參考光譜進(jìn)行擬合處理.由于存在不同種礦物連續(xù)統(tǒng)去除后特征區(qū)間波形相似的情況，即出現(xiàn)“異物同譜”.因此需要對(duì)連續(xù)統(tǒng)去除前的圖像像元光譜與參考光譜進(jìn)行約束.本文方法中多級(jí)知識(shí)約束準(zhǔn)則的建立即是用來排除異物同譜的情況，從而得到高光譜圖像的最終識(shí)別結(jié)果.通過研究知識(shí)庫中參考光譜間的區(qū)別和聯(lián)系，對(duì)礦物光譜吸收特征進(jìn)行知識(shí)化表達(dá)，建立合適的多級(jí)知識(shí)約束準(zhǔn)則，用來精確識(shí)別結(jié)果并避免誤識(shí)別.其約束處理流程如圖4所示.通過對(duì)圖像像元光譜及其可能屬于的候選參考光譜進(jìn)行以下多級(jí)決策處理，以最終確定其所屬類別.

圖4 多級(jí)知識(shí)約束準(zhǔn)則的樹狀處理流程

現(xiàn)有識(shí)別方法中采用的約束規(guī)則可能導(dǎo)致識(shí)別誤差:采用連續(xù)光譜幅值作為約束會(huì)由于光照等因素引起的幅值差異導(dǎo)致識(shí)別誤差［9］;由于數(shù)據(jù)本身的壞點(diǎn)、雜點(diǎn)噪聲可能會(huì)干擾識(shí)別結(jié)果.基于以上問題本文方法中提出了新的約束準(zhǔn)則并且對(duì)已有的規(guī)則進(jìn)行了改進(jìn)，避免了異物同譜情況造成的誤識(shí)別，提高了識(shí)別結(jié)果的準(zhǔn)確度.本文方法選取了4個(gè)約束條件建立多級(jí)約束準(zhǔn)則:

1）特征波段光譜角匹配約束.由于光照等因素影響，地物光譜的幅值可能與庫標(biāo)準(zhǔn)光譜的幅值存在差異，本文方法改進(jìn)了現(xiàn)有約束準(zhǔn)則，即采用了特征波段光譜角匹配［10］（SAM，Spectral Angle Mapper），光譜特征波段區(qū)間光譜角為

其中，t為巖礦參考光譜;r為圖像像元光譜.通過該約束條件，可避免不同種地物連續(xù)統(tǒng)去除后形狀類似而造成的誤識(shí)別.

2）礦物空間分布連續(xù)性.為了去除數(shù)據(jù)獲取過程中產(chǎn)生的散點(diǎn)、雜點(diǎn)噪聲對(duì)圖像識(shí)別效果的影響，本文方法提出了礦物空間分布連續(xù)的約束準(zhǔn)則，即采用礦物空間分布連續(xù)的特性，認(rèn)為礦物幾乎不會(huì)以散點(diǎn)的形式存在于圖像中，絕大多數(shù)礦區(qū)的礦物會(huì)以聚集形式存在.該空間相關(guān)性在初步識(shí)別結(jié)果圖像中可表示為某一像素周圍8個(gè)方向相鄰的匹配值像素之和，若小于某一閾值則排除該點(diǎn).利用這一特性，通過高光譜圖像的空間維相關(guān)信息可以進(jìn)一步提高本文方法的精確性.

3）特征波段反射率閾值設(shè)定.當(dāng)進(jìn)行連續(xù)統(tǒng)去除操作以后，圖像中反射率很低的小隨機(jī)噪聲可能會(huì)產(chǎn)生波谷曲線，在識(shí)別過程中被作為吸收特征，從而造成錯(cuò)誤的識(shí)別.為了去除該影響，可以設(shè)定連續(xù)統(tǒng)去除前，圖像像元光譜在與其匹配的參考光譜的特征波段區(qū)間的最小反射率閾值來進(jìn)行約束.若圖像連續(xù)光譜在特征波段區(qū)間的最大反射率仍小于該閾值，則認(rèn)為其為小隨機(jī)噪聲，利用該約束條件可以消除這一影響.

4）是否存在特定吸收特征.由于不同種礦物會(huì)在某一波段區(qū)間存在相似特征，但不會(huì)在所有波段區(qū)間都具有相似特征，因此可以根據(jù)一種礦物在與之具有相似特征的另一種礦物的其它特征波段區(qū)間不具有吸收特征，來區(qū)分具有相似吸收特征的兩種礦物.

通過以上建立的多級(jí)約束準(zhǔn)則，綜合利用高光譜圖像的光譜維信息和空間維信息，即運(yùn)用連續(xù)光譜的特征參數(shù)和礦物空間分布特點(diǎn)，對(duì)初步識(shí)別結(jié)果進(jìn)行約束處理，從而使識(shí)別精度進(jìn)一步增強(qiáng)，得到最終的識(shí)別結(jié)果.

2 精度評(píng)價(jià)及實(shí)驗(yàn)結(jié)果分析

為了分析和評(píng)價(jià)本文提出方法的性能，對(duì)不同信噪比的模擬數(shù)據(jù)采用識(shí)別準(zhǔn)確率進(jìn)行定量化精度評(píng)價(jià).為了驗(yàn)證本文方法，采用AVIRIS高光譜數(shù)據(jù)進(jìn)行礦物自動(dòng)識(shí)別應(yīng)用分析.

2.1 精度分析

利用標(biāo)準(zhǔn)光譜庫參考光譜合成不同信噪比的模擬數(shù)據(jù)，通過采用識(shí)別準(zhǔn)確率的方法，對(duì)本文方法的識(shí)別效果進(jìn)行評(píng)價(jià).識(shí)別準(zhǔn)確率計(jì)算公式為

其中，a為識(shí)別準(zhǔn)確率;Nreg為圖像中被準(zhǔn)確識(shí)別的各類地物的像素總數(shù);Ntotal為圖像中總像素?cái)?shù).

模擬圖像由明礬石和高嶺石兩種端元光譜按不同含量混合而成，端元光譜采用美國地調(diào)局光譜庫中明礬石和高嶺石，在模擬圖像中按明礬石含量逐行遞增的方式混合，并且規(guī)定混合像元中礦物的含量為20%～80%時(shí)應(yīng)識(shí)別為混合物.

運(yùn)用本文方法處理模擬圖像數(shù)據(jù)來進(jìn)行定量化精度評(píng)價(jià).同時(shí)為了研究噪聲對(duì)算法性能的影響，在混合光譜中加入隨機(jī)噪聲.噪聲加入方式如下所示:

其中，r'b為加噪聲后的光譜;rb為無噪聲光譜;q（0，1）為均值為0，方差為1的隨機(jī)噪聲;σSNR為信噪比;M為噪聲的反射率，本文設(shè)為0.5.在精度分析過程中，σSNR分別取200，100，50，評(píng)價(jià)結(jié)果如表1所示.

表1 不同信噪比圖像的精度評(píng)價(jià)結(jié)果

通過對(duì)理想圖像以及不同信噪比圖像運(yùn)用該方法進(jìn)行自動(dòng)識(shí)別，并對(duì)識(shí)別結(jié)果進(jìn)行精度評(píng)價(jià)，可以發(fā)現(xiàn)本識(shí)別方法在 σSNR＞200時(shí) a可達(dá)80.3%，能夠取得良好的識(shí)別效果，滿足應(yīng)用精度要求.

2.2 算法應(yīng)用與驗(yàn)證

實(shí)驗(yàn)數(shù)據(jù)采用美國Cuprite礦區(qū)AVIRIS機(jī)載高光譜數(shù)據(jù)，λ 范圍為:1.990 8 ～2.479 μm，空間分辨率為20 m，光譜分辨率為10 nm，數(shù)據(jù)大小為400×350×50.該數(shù)據(jù)單波段圖像如圖5.

圖5 本文方法應(yīng)用數(shù)據(jù)（1.9908 μm）

運(yùn)用本文方法，對(duì)實(shí)測(cè)高光譜圖像進(jìn)行礦物自動(dòng)識(shí)別，得到的識(shí)別結(jié)果如圖6所示.

通過礦物識(shí)別結(jié)果分析以及與前人研究結(jié)果、地質(zhì)資料比較，本文方法可以很好地實(shí)現(xiàn)該地區(qū)主要蝕變礦物的自動(dòng)識(shí)別，并且基本排除了數(shù)據(jù)獲取過程中產(chǎn)生的雜點(diǎn)噪聲等干擾.

采用基于SAM的礦物光譜匹配識(shí)別方法對(duì)圖5所示數(shù)據(jù)進(jìn)行應(yīng)用，并從標(biāo)準(zhǔn)庫中選取該區(qū)域主要蝕變礦物光譜作為先驗(yàn)信息，得到的填圖結(jié)果與本文方法應(yīng)用結(jié)果進(jìn)行比較如圖7所示.

通過與SAM識(shí)別方法的填圖結(jié)果進(jìn)行比較，并結(jié)合該礦區(qū)的實(shí)際礦物分布情況，可以發(fā)現(xiàn)利用本文方法的識(shí)別效果要更好，其中白云母、多水高嶺石以及蒙脫石的識(shí)別在SAM方法的結(jié)果中存在明顯的誤識(shí)別;同時(shí)本文方法更具優(yōu)越性，整個(gè)實(shí)現(xiàn)過程不需要人為干預(yù)，實(shí)現(xiàn)了礦物信息的自動(dòng)識(shí)別.

圖6 本文方法自動(dòng)識(shí)別結(jié)果

圖7 不同方法填圖比較

3 結(jié)論

本文提出了一種應(yīng)用于高光譜圖像的基于礦物光譜波形與礦物光譜特征知識(shí)的自動(dòng)識(shí)別方法.本文方法中光譜知識(shí)庫包含了光譜波形庫和光譜特征庫，有效地減少了由于光譜知識(shí)不完備等造成的礦物誤識(shí)別;利用光譜主次吸收特征作為決策準(zhǔn)則，通過建立多級(jí)約束準(zhǔn)則降低異物同譜等因素對(duì)識(shí)別結(jié)果的影響.通過模擬數(shù)據(jù)進(jìn)行本文方法識(shí)別精度分析與評(píng)價(jià)，當(dāng)圖像信噪比大于200時(shí)礦物識(shí)別準(zhǔn)確率可達(dá)到80.3%;Cuprite礦區(qū)礦物識(shí)別結(jié)果與前人研究結(jié)果、地質(zhì)資料一致性較好，并識(shí)別效果明顯優(yōu)于基于光譜匹配的SAM方法識(shí)別結(jié)果.

（References）

［1］王潤生，楊蘇明，閻柏琨.成像光譜礦物識(shí)別方法與識(shí)別模型評(píng)述［J］.國土資源遙感，2007，71（1）:1－9

Wang Runsheng，Yang Suming，Yan Baikun.A review of mineral spectral identification methods and models with imaging spectrometer［J］.Remote Sensing for Land ＆ Resources，2007，71（1）:1－9（in Chinese）

［2］趙慧潔，李娜，賈國瑞，等.改進(jìn)獨(dú)立成分分析在高光譜圖像分類中的應(yīng)用［J］.北京航空航天大學(xué)學(xué)報(bào)，2006，32（11）:1333－1336

Zhao Huijie，Li Na，Jia Guorui，et al.Improved independent component analysis applied to classification hyperspectral imagery［J］.Journal of Beijing University of Aeronautics and Astronautics，2006，32（11）:1333－1336（in Chinese）

［3］黃光玉，沈占鋒，趙欣梅.高光譜遙感礦物識(shí)別方法研究［J］.資源環(huán)境與工程，2007，21（1）:50－54

Huang Guangyu，Shen Zhanfeng，Zhao Xinmei.Discussion for discrimination method of mineral using hyperspectral remote sensing［J］.Resources Environment ＆ Engineering，2007，21（1）:50－54（in Chinese）

［4］白繼偉.基于高光譜數(shù)據(jù)庫的光譜匹配技術(shù)研究［D］.北京:中國科學(xué)院遙感應(yīng)用研究所，2002

Bai Jiwei.The study on the spectral mapping technique based on the hyperspectral database［D］.Beijing:Institute of Remote Sensing Application，China Academy of Sciences，2002（in Chinese）

［5］Clark R N，Swayze G A，Livo K E，et al.Imaging spectroscopy:earth and planetary remote sensing with the USGS tetracorder and expert systems［J］.Journal of Geophysical Research，2003，108（12）:1－44

［6］李興.高光譜數(shù)據(jù)庫及數(shù)據(jù)挖掘研究［D］.北京:中國科學(xué)院遙感應(yīng)用研究所，2006

Li Xing.Research on hyperspectral database and hyperspectral datamining［D］.Beijing:Institute ofRemote Sensing Application，China Academy of Sciences，2006（in Chinese）

［7］Du Peijun.Feature extraction for target identification and image classification of OMIS hyperspetral image［J］.Mining Science and Technology，2009，19（6）:835－841

［8］燕守勛，張兵.高光譜遙感巖礦識(shí)別填圖的技術(shù)流程與主要技術(shù)方法綜述［J］.遙感技術(shù)與應(yīng)用，2004，19（1）:52－63

Yan Shouxun，Zhang Bing.Summarizing the technical flow and main approaches for discrimination and mapping of rocks and minerals using hyperspectral remote sensing［J］.Remote Sensing Technology and Application，2004，19（1）:52－63（in Chinese）

［9］Swayze G A，Clark R N，Goetz A F H，et al.Effects of spectrometer band pass，sampling，and signalto-noise ratio on spectral identification using the Tetracorder algorithm［J］.Journal of Geophysical Research，2003，108（E9）:5105－5134

［10］梁繼，王建，王建華.基于光譜角分類器遙感影像的自動(dòng)分類和精度分析研究［J］.遙感技術(shù)與應(yīng)用，2002，17（6）:299－303

Liang Ji，Wang Jian，Wang Jianhua.Study on automatic classification and accuracy analysis of remote sensing image based on SAM［J］.Remote Sensing Technology and Application，2002，17（6）:299－303（in Chinese）

Automatic recognition of hyperspectral image based on spectral knowledge

Niu Zhiyu Zhao Huijie
（School of Instrument Science and Opto-electronics Engineering，Beijing University of Aeronautics and Astronautics，Beijing 100191，China）

In order to solve the problems of current methods for mineral recognition from hyperspectral data，such as the requirement for prior information，the failure to make full use of absorption features and the lack of the automation of recognition process，an automatic recognition approach based on the spectral knowledge was proposed.The spectral knowledge library including the spectral information and absorption features was generated as the recognition standard，in which the absorption features were enhanced by removing the continuum of image spectra and library spectra as well.The decision method was proposed based on the major and minor absorption features，and a multi-constraint criterion was established to improve the recognition accuracy and avoid the false recognition.The accuracy evaluation of the proposed approach was performed on the simulated data and the airborne visible/infrared imaging spectrometer（AVIRIS）data as well.Experimental results show that the recognition accuracy reaches 80.3%when the signal-to-noise of image is higher than 200.Fine results with the high accuracy are obtained by the proposed approach，and the mineral automatic recognition from hyperspectral data is achieved simultaneously.

hyperspectral remote sensing;automatic recognition;spectral absorption feature

TP 751.1

1001-5965（2012）02-0280-05

2010-11-03;< class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間:

時(shí)間:2012-02-21 11:47;

CNKI:11-2625/V.20120221.1147.023

www.cnki.net/kcms/detail/11.2625.V.20120221.1147.023.html

國家863計(jì)劃資助項(xiàng)目（2008AA121102，2008AA12A201）;國家自然科學(xué)基金資助項(xiàng)目（61008047）;長江學(xué)者和創(chuàng)新團(tuán)隊(duì)發(fā)展計(jì)劃資助項(xiàng)目（IRT0705）

牛志宇（1985－），男，河北唐山人，碩士生，niuzhiyu0916@126.com.

（編 輯:劉登敏）