西藏Hyperion数据蚀变矿物识别初步研究

矿物识别是高光谱遥感技术研究的重要内容 ,也是高光谱最能发挥作用的领域。文章以最新获取的西藏驱龙地区卫星高光谱Hyperion数据为例 ,进行了星载高光谱数据蚀变矿物识别的初步研究。根据矿物光谱识别规则和识别谱系 ,初步识别并提取出高铝和低铝白云母化、高岭石化以及绿泥石化等蚀变矿物。与已知地质资料对照分析 ,所提取的蚀变信息与矿区地质情况基本吻合 ,同时发现一个新的类似的蚀变组合。

成像光谱矿物识别方法与识别模型评述

矿物识别和矿物填图是成像光谱应用最成功的领域之一。本文将国内外发展的矿物识别模型归纳为光谱匹配和以知识为基础的智能识别两大类型进行讨论。对光谱匹配方法分别从其方法的分类、光谱相似性测度、整体光谱匹配算法、局部光谱识别、亚像元光谱识别、混合像元分解和矿物端元选择、光谱减维和噪声弱化等方面作了评述。最后,讨论了矿物识别和填图研究中存在的主要问题,指出研究建立全谱段矿物识别方法和技术体系将是今后光谱矿物识别和矿物填图的重要发展方向。

哈密土墩矿区高光谱影像蚀变矿物识别初步研究

文章以哈密土墩矿区为例,利用航空高光谱HyMAP数据,从单矿物光谱与混合像元光谱之间的相似概率和模型化参数出发,发展了基于光谱混合组成的极大相关高光谱矿物识别方法,初步识别出该区与成矿关系密切的6种蚀变矿物及其空间分布趋势,并为野外地质工作与薄片鉴定所证实。该研究初步表明,高光谱遥感可为地质学中矿物的空间分布研究提供有用的新技术。

成像光谱地物识别影响因素的不确定性浅析——以矿物识别为例

成像光谱以其超高的光谱分辨率影像和精细的地物光谱成像能力,已经广泛地应用在地质、环境保护和生物学等领域。受多种不确定性因素影响,成像光谱地物识别从数据获取和处理到应用决策都存在不确定性。这种不确定性又可以分为基于误差的不确定性和基于变异的不确定性。文章以矿物识别为例,从机理的角度探讨了影响数据层面的上述不确定因素,指出虽然成像光谱地物识别受各种因素影响,但地物光谱的形成机理决定了这种不确定性是可以消除的。并给出一些常见的解决理论和方法。

高光谱数据光谱分辨率对矿物识别的影响分析

本文针对光谱分辨率对矿物识别的影响进行了实验,在 JPL-1光谱库中选择了6种含不同离子团的矿物光谱曲线,利用 ENV14.2对其进行重采样,模拟不同光谱分辨率条件下得到的光谱曲线.分别运用图示和 SAM 法进行定性和定量的分析,并将重采样的物质特征光谱在不同的光谱范围内与原光谱进行比较,通过分析各种矿物不同光谱分辨率条件下的光谱特征,得到的模拟实验结论,可以为用于地质调查的成像光谱仪在光谱分辨率的确定和优化等方面提供理论基础和技术支持。

应用区域光谱库及分段滤波方法改进矿物识别精度的研究

针对当前利用高光谱数据进行矿物识别精度较低的问题,根据研究区地质背景建立区域端元光谱库,提出了对原始光谱进行分段滤波的预处理方法。首先应用连续统快速傅里叶变换方法分别去除2 000～2 200nm,2 250～2 300nm,2 350～2 500nm范围内的随机噪声,之后利用加入区域端元库的矿物快速定量提取模型提取预处理后光谱中的矿物类型。本方法识别矿物的最高有效率为80%,正确率最高可达67%。与未滤波的光谱识别结果对比,平均正确率提高了17.7%,平均有效率提高了5.1%;与全波段滤波的光谱识别结果对比,平均正确率提高了5.8%,平均有效率提高了39.8%,可保证在尽量多识别出正确矿物的基础上有效减少结果中的错误组分数,改进了矿物识别的精度,对野外快速提取矿物信息等工作有重要意义。

基于优化N-FINDR算法的高光谱遥感影像矿物识别

为了提高矿物识别的精度,利用高光谱遥感数据,运用线性光谱混合模型(LSMM)和优化的N-FINDR算法对Cuprite地区的AVIRIS和HYMAP数据进行端元提取,并进行矿物精细分类识别。实验表明:线性光谱混合模型易于操作,优化的端元提取算法优于传统交互式端元提取,可用于矿物成分的精细识别。

基于深度学习的智能矿物识别方法研究

矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物识别方法。实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练、验证和测试,并通过合理的数据增强策略来扩充训练数据集。在卷积神经网络的结构设计上,选取了ResNet-18作为框架,最终于模型测试中取得89%的准确率,成功训练出一个较为精准的矿物识别模型,实现了基于深度学习的智能矿物识别方法。

基于优化ICA算法的高光谱矿物识别

混合像元是影响岩矿高光谱由定性解译向定量反演发展的关键因素之一.以往分离岩矿高光谱混合像元,需要先获得参与混合的端元数量及端元光谱,这在许多场合是难以做到的.独立成分分析可以在端元光谱、混合矩阵未知且没有任何先验知识的情况下,有效分离岩矿高光谱混合像元,只要端元光谱是非高斯性信号且满足统计独立性.它实现了矿物识别,并为矿物丰度反演及成分识别打下了基础.通过引入调整因子,改善独立成分分析(Independent Component Analysis,ICA)算法的收敛性.当参与混合的端元光谱相似度较高或者端元光谱的非高斯性较低时,岩矿高光谱混合像元的分离精度将受到影响.

图象分析仪接收光学显微镜信号时矿物识别方法的研究

用图象分析仪识别反射率相近的矿物一直是个难题 ,本文提出了滤波法解决金属矿物的识别 ,侵蚀法和称重法解决脉石矿物的识别。以上方法应用于实际矿物定量分析 。

神经网络技术在成像光谱数据的岩石矿物识别中的应用

由于遥感图像的复杂性 ,在遥感图像上直接进行岩石矿物识别是比较困难的 ,成像光谱数据的应用和人工神经网络模拟技术的日益成熟 ,为利用遥感图像直接进行岩石矿物识别提供了一种非常有效的方法。该文利用简化的二阶B -P神经网络 ,用标准的矿物波谱曲线作为训练样本 ,对试验区内的OH—类矿物进行识别试验 ,取得了很好的效果。试验表明 :利用神经网络技术进行成像光谱数据的岩石矿物识别是非常有效的。

华南基岩风化壳型红土的^(40)Ar/^(39)Ar法测年中表生隐钾锰矿的矿物识别和样品制备

介绍了中国南方红土的年代学发展状况,指出前人的红土研究主要集中于松散沉积物型红土剖面,在很多情况下利用常规的定年技术难以直接获取剖面的绝对年代信息。利用风化壳中次生矿物的析出时间作为风化剖面的形成时间无疑是最合理的定年方法,国内已有的风化年代学进展来自以隐钾锰矿为代表的锰钡矿族锰氧化物的~40Ar/~39Ar法定年。风化剖面定年的主要顾虑之一是难以获取纯净的、完全不受地下杂质影响的有意义的定年样,因此,本文重点研究了以隐钾锰矿为代表的锰钡矿族锰氧化物的矿物识别和样品制备。粉晶X-衍射、扫描电镜和能谱分析表明:通过严格的矿物鉴定可以获取合适的矿物单晶,如果加上合理的~40Ar/~39Ar激光阶段性加热分析可以研究含有锰钡矿族锰氧化物的风化壳型红土剖面。

激光诱导击穿光谱结合极限学习机的矿物识别分析研究

岩石矿物识别分析对研究成矿规律,对地质找矿具有重要的指导意义。目前对于岩矿识别主要有两种方法:一种通过肉眼观察矿物颜色、形状,该方法主观性强,重复性低;另一种是指纹区识别法,该方法通过仪器采集谱图,选取重要峰位点或一段感兴趣区域获得样品的定性结果,该过程需要准确判断指纹区,同时每一种岩石样品的指纹区又不尽相同,这给实际操作方法带来了困难。基于激光诱导击穿光谱(LIBS)的分析技术是一种简单、快捷的光谱测试和分析手段,该方法基本不需对样品进行预处理。基于LIBS技术采集岩石矿物光谱数据,利用相关数据预处理及特征提取方法,结合极限学习机实现了岩石矿物样品的快速、准确分析。

基于深度学习的蚀变矿物识别——以新疆白杨河铀矿床为例

神经网络与深度学习理论为蚀变矿物的高效、准确、智能化识别提供了基础。文章基于深度学习框架Tensorflow,以新疆白杨河铀矿床8个钻孔的4类蚀变矿物光谱数据为例,设计全连接网络、残差神经网络与一维卷积神经网络3种不同的模型进行蚀变矿物识别研究。结果表明3种模型都能达到很好的效果,其中一维卷积神经网络的识别精度最高,测试精度达87%,kappa系数为0.78,较其他模型具有更好的稳定性。同时证明数据的预处理对模型的识别精度存在不同的影响。

基于改进样本驱动的高光谱矿物识别模型压缩方法

针对机载成像高光谱遥感仪器获得的大批量高光谱数据很难实现高效快速的矿物信息提取和识别的问题,提出了一种基于改进样本驱动的高光谱矿物识别模型压缩方法,对神经网络中的冗余神经元进行剪枝,从而获取高效的矿物识别模型。首先,以验证数据集中的正确识别样本为数据驱动,计算各神经元经激活函数后的输出零值频率,并将其作为该神经元重要性判据,探讨各神经元对神经网络正确识别样本的贡献;其次,通过设置重要性阈值对冗余神经元进行剪枝,并对剪枝网络进行再训练,在保留原网络正确识别特性的基础上,提升压缩模型识别精度;最终通过多次迭代剪枝获得高效的压缩矿物识别模型。利用基于改进样本驱动的模型压缩方法对基于多层感知机的矿物识别模型进行压缩改进,并以美国内华达州Cuprite矿区的机载可见光/红外成像光谱仪的高光谱数据作为测试数据,获得了压缩比3.33、矿物识别精度94.35%的高效矿物识别模型。

基于HSV颜色空间的矿物识别研究

矿物识别是工艺矿物学的研究基础,针对矿物颜色作为镜下矿物鉴定主要依据的特点,为提高矿物识别效率,降低人工识别成本,提出了一种HSV颜色空间的阈值分割方法。利用双边滤波对采集的矿物显微图像进行预处理,消除噪声干扰,针对不同矿物颜色亮度的差异,在HSV颜色空间下分离H、S、V三通道的颜色分量图提取颜色阈值,并通过阈值分割操作获得目标矿物区域。对磁铁矿和黄铜矿共存的显微图像进行识别,并与传统的大津法和基于HSV颜色空间的阈值分割方法对比。结果表明,基于HSV颜色空间的矿物识别方法能够准确地识别区分磁铁矿和黄铜矿,分割结果与人工标注的矿物位置基本符合,准确率达95%以上,且提高了识别速度,是机器视觉代替人眼视觉在矿物识别方面的一次探索。

基于多尺度纹理分类及矿物识别的ASTER地质填图

遥感技术已经成为基础地质调查必不可少的手段。为提高地质填图效率及精度,本研究提出了基于ASTER的岩性自动分类加主要和典型造岩矿物识别的填图方法。首先,对ASTER数据进行主成分变换,对选取的第一主分量采用Haar小波进行多尺度小波分解,将小波系数的统计特征作为纹理特征,构建纹理及光谱多维特征空间;接着,运用支持向量机(SVM)进行岩性分类;同时,根据光谱特征提取主要造岩矿物;最后将主要造岩矿物叠加在分类结果上,结合野外调查背景进行岩性填图。混淆矩阵结果显示光谱+小波纹理分类精度可以达到83.4962%,较光谱+灰度共生矩阵纹理分类精度提高了2.6756%,较光谱特征分类精度提高了6.3189%。与最大似然法(MLC)分类相比,SVM分类精度提高了6.6237%。矿物提取结果表明,构造的提取指数可有效提取白云母、黑云母、方解石、角闪石等矿物。野外工作证明,填图结果与野外调查结果的相关系数为0.7,可见,基于ASTER数据利用图像处理技术、机器学习算法及波段运算可作为植被覆盖较少地区有效的地质填图手段。

自动矿物识别和表征系统在辽东吉祥峪稀土矿矿物鉴定和赋存状态研究中的应用

辽宁省已知的稀土矿类型较少,以往稀土矿床的勘查评价偏重于独居石砂矿和碱性岩型稀土矿,沉积变质型稀土矿涉及较少,其矿石学、矿物学研究程度偏低。本文以吉祥峪稀土矿床为研究对象,应用自动矿物识别和表征系统(AMICS),结合高分辨率扫描电子显微镜(SEM)和高通量能谱仪(EDS)对矿石进行分析,获得吉祥峪稀土矿石中矿物化学成分、元素赋存状态及矿物共生组合关系。结果表明,矿石中稀土元素以La、Ce、Pr、Nd等轻稀土元素为主;主要稀土矿物为独居石(0.73%)、褐帘石(6.25%)、方铈石(0.25%)和磷灰石(类质同象)等;通过背散射图像结合光学显微镜观察得出矿石中的褐帘石、独居石、方铈石及磷灰石等具有较好的连生关系,这些矿物以单颗粒或聚粒结构与磁铁矿交叉镶嵌,或分布在磁铁矿边缘及间隙中。矿石中稀土矿物与磁铁矿密切共生,含量呈正相关,其原因可能为:①沉积富集。吉祥峪稀土矿位于辽吉裂谷的核部,裂谷为矿床提供了有利的沉积环境。②岩浆改造。岩浆热液可能与里尔峪一段变粒岩产生反应,使其中的稀土和铁元素集聚。③构造控制。吉祥峪稀土矿位于吉祥峪—算盘峪背斜核部穹隆之上,构造发育,断裂带和褶皱可能在地壳的应力作用下形成矿物质富集的通道,使矿质从深部运移至浅部。

基于改进的SKnet和Bi-GRU的岩石薄片图像矿物识别

通过分析岩石薄片中矿物成分,研究储集层空间结构,对后续的油气勘探开发具有重要意义。基于正交偏光序列图像的矿物识别研究已经取得了一些成果,但多数方法未利用矿物颗粒在序列图中的变化信息,本文借鉴视频分类的思想,针对岩石矿物颗粒正交偏光序列图像,结合岩石矿物颗粒消光性特点,构建了卷积神经网络和循环神经网络相结合的识别模型。卷积神经网络选用SKnet并在此基础上添加了空间特征融合机制,循环神经网络采用双向门控循环单元(Bidirectional Gated Recurrent Unit,Bi-GRU)来提取序列图像的前后关联特征。选取石英、碱性长石、斜长石、岩屑4类矿物颗粒序列图像构建数据集进行验证,结果表明本文提出的矿物颗粒识别方法识别效果良好。