秦飛龍 劉劍 顏文勇

摘 ?要： 為了有效獲取待測光譜類型，采用信息散度匹配法對其進(jìn)行分類處理。根據(jù)不同礦物具有不同的光譜特征曲線，建立不同礦物光譜曲線的標(biāo)準(zhǔn)光譜庫，再采用信息散度法對待測礦物光譜與標(biāo)準(zhǔn)庫中的光譜進(jìn)行匹配，進(jìn)而得出一種標(biāo)準(zhǔn)光譜庫下的信息散度匹配法。采用該方法對實際光譜曲線進(jìn)行分類處理，結(jié)果表明提出的方法能夠有效對光譜曲線進(jìn)行匹配，判別待測光譜所蘊(yùn)含礦物類型，所得出的蝕變礦物類型與巖礦鑒定結(jié)果具有較高的吻合度，有利于提取蝕變礦物信息。

關(guān)鍵詞： 信息散度法; 礦物光譜; 分類處理; 標(biāo)準(zhǔn)光譜庫; 光譜匹配; 蝕變礦物

中圖分類號： TN911.1?34; O29 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）19?0098?05

Abstract： In order to identify the types of the spectrum under measurement effectively， the information divergence method is applied to classification of the measured spectra. The standard spectral library of different mineral spectral curves is set up according to different spectral characteristic curves of different minerals. The information divergence method is used to match the curves of the altered spectrum under measurement and the spectrum in the standard spectral library， so a new spectral information divergence method based on standard spectrum library is obtained. The new method is used to conduct the classification processing of the actual spectral curves. The results show that the proposed method can match the spectral curves effectively and identify the mineral types implied in the spectra under measurement. The altered mineral types got by the proposed method are consistent with the results of actual mineral identification， which is beneficial to the extraction of altered mineral information.

Keywords： information divergence method; mineral spectrum; classification processing; standard spectrum library; spectral matching; altered mineral

0 ?引 ?言

礦產(chǎn)資源是社會向前發(fā)展的基石，巖心高光譜是一種重要礦產(chǎn)資源勘查技術(shù)[1]，其找礦原理是在礦物的可見光短波紅外、近紅外波譜范圍內(nèi)，通過掃描不同礦物的巖心來獲取不同礦物的光譜曲線，在此基礎(chǔ)上選取合理的匹配方法來獲取蝕變礦物及相應(yīng)的礦物組合類型[2]?？梢?，選取合理的光譜匹配算法是進(jìn)行巖心高光譜找礦的關(guān)鍵[3]。目前，實施的光譜匹配算法較多，但總體歸納為兩種類型：一種是基于光譜波形特征峰位的匹配法和解混方法;另一種是診斷性光譜參數(shù)法[4]。其中，診斷性參數(shù)法又包括相對吸收深度圖、IHS編碼、吸收波段圖等[2]，當(dāng)?shù)V物的光譜吸收峰不具備對稱性時，相對吸收深度圖匹配效果不理想，通過引入對稱因子可以解決上述缺陷[2，5]。基于光譜波形特征匹配法和解混方法是通過物體固有的光譜曲線來識別對應(yīng)的礦物，是應(yīng)用較為廣泛的礦物蝕變方法，該方法可以對某段波長范圍內(nèi)的光譜，也可以是全波長范圍內(nèi)的光譜進(jìn)行分類匹配[6]?；诠庾V波形吸收峰位的匹配方法有：光譜波形匹配法（SWM）[7]、光譜角度匹配法（SAM）、信息散度匹配法（SIDM）[8]、光譜相關(guān)系數(shù)匹配法（SCM）。其中，光譜信息散度法應(yīng)用最為普遍，它利用待測光譜與目標(biāo)光譜（標(biāo)準(zhǔn)光譜）波形上的相似性進(jìn)行待測光譜分類[9]。然而實際獲取的光譜曲線大多是不同巖心礦物的混合組合，從而不能完全蝕變出單一的礦物[2]。故本文提出一種有效的解決辦法是在實際研究區(qū)盡可能選取包含礦區(qū)礦物的所有標(biāo)準(zhǔn)光譜曲線，進(jìn)而建立標(biāo)準(zhǔn)光譜庫，再通過待測光譜與標(biāo)準(zhǔn)光譜庫中的標(biāo)準(zhǔn)光譜進(jìn)行匹配，從而得出合理的蝕變礦物或蝕變礦物組合。

2 ?標(biāo)準(zhǔn)光譜庫建立

標(biāo)準(zhǔn)光譜的建立首先需要確定研究區(qū)的礦物標(biāo)準(zhǔn)光譜曲線，然后將標(biāo)準(zhǔn)光譜曲線合成標(biāo)準(zhǔn)光譜庫。而標(biāo)準(zhǔn)光譜曲線選取是否合理至關(guān)重要，如果選取不合理，就不能得出待測光譜歸屬于何種礦物類型。同種礦物的標(biāo)準(zhǔn)曲線由于所處地質(zhì)環(huán)境不同，其吸收峰位與波形可能會有所差異。因此，礦物標(biāo)準(zhǔn)曲線的選取必須依賴其所在的實際地質(zhì)環(huán)境，本文選取標(biāo)準(zhǔn)礦物光譜曲線的原理為：根據(jù)已勘察的鉆孔柱狀圖資料對巖心中出現(xiàn)的相對純凈的大面積單一礦物進(jìn)行樣品選取，并將采集的樣品咨詢相關(guān)專家為何種礦物，將樣品送與專門機(jī)構(gòu)進(jìn)行巖礦鑒定，進(jìn)一步確定標(biāo)樣礦物類型，再通過光譜掃描儀獲取礦物曲線，以USGS礦物標(biāo)準(zhǔn)曲線庫為參照，從而得出研究區(qū)標(biāo)準(zhǔn)礦物曲線。本文選取的研究區(qū)為湖北大冶雞冠咀銅金礦區(qū)。根據(jù)研究區(qū)的地質(zhì)成礦規(guī)律和湖北地質(zhì)局第一地質(zhì)大隊相關(guān)資料，得出雞冠咀銅金礦區(qū)主要礦化類型、蝕變類型和典型礦物如表1所示。

因此本文以斜長石、透輝石、綠泥石、角閃石、鉀長石、石英、石榴子石、白云石、方解石、黃銅礦、輝鉬礦、黃鐵礦12種礦物為標(biāo)準(zhǔn)礦物，再通過選取標(biāo)準(zhǔn)光譜曲線原理，借助ASD便攜式光譜儀[2]獲取12種礦物的波譜曲線，再選取與美國USGS標(biāo)準(zhǔn)光譜庫中礦物曲線具有相同的波譜特征吸收峰位及波形特征，并且與巖礦鑒定結(jié)果吻合的光譜曲線作為標(biāo)準(zhǔn)波譜曲線，如表2所示。以方解石為例，光譜曲線選取完后，利用Matlab工具將標(biāo)準(zhǔn)礦物波譜曲線融合成標(biāo)準(zhǔn)光譜庫，如圖1所示，以供后續(xù)進(jìn)行待測光譜匹配。

3 ?算法步驟

根據(jù)上述光譜信息散度法匹配原理和標(biāo)準(zhǔn)光譜庫建立方案，對于研究區(qū)采集的任意待測光譜，就可以與標(biāo)準(zhǔn)光譜庫的曲線進(jìn)行匹配，得出蝕變礦物類型，具體步驟如下：

1） 根據(jù)研究區(qū)典型礦物類型，依據(jù)第2節(jié)標(biāo)準(zhǔn)光譜庫建立原理構(gòu)建實際礦區(qū)標(biāo)準(zhǔn)礦物光譜曲線庫。

2） 讀取研究區(qū)需要測定的待測光譜[Ti]（[i=1，2，…，n]）和標(biāo)志光譜庫中的光譜曲線數(shù)據(jù)[Rj]（[j=1，2，…，m]），其中，[n]表示待測光譜數(shù)據(jù)的個數(shù)，[m]表示參考光譜中的礦物個數(shù)。

3） 確定待測光譜和標(biāo)準(zhǔn)光譜的波段數(shù)是否相同，不相同需要重新獲取標(biāo)準(zhǔn)光譜曲線，建立標(biāo)準(zhǔn)光譜庫，使其與待測光譜曲線具有相同的波段數(shù)。

4） 根據(jù)信息散度匹配原理計算待測光譜[Ti]和標(biāo)準(zhǔn)光譜庫中所有曲線的信息散度SIDM值。

5） 尋求待測光譜[Ti]（[i=1，2，…，n]）和所有標(biāo)準(zhǔn)光譜的最小SIDM值，簡記為[Sij]（[j≤m-1]），當(dāng)[Sij]小于實驗給定的閾值[μ]，就可將待測光譜判給第[j]類曲線，從而確定出其對應(yīng)的礦物類型。反之，待測光譜屬于未知類。

6） 如果[i+14 ?實際數(shù)據(jù)處理

為了體現(xiàn)模型的處理效果，本文對實際光譜數(shù)據(jù)進(jìn)行解釋匹配處理。當(dāng)標(biāo)準(zhǔn)光譜選取后，需要對研究區(qū)的待測巖心進(jìn)行集中采集。為了使采集光譜的誤差最小，采集過程中每種礦物在一定范圍內(nèi)采集5條波譜曲線，如圖2所示，再對5條波譜曲線進(jìn)行均值化處理，得到一條波譜曲線來代表該區(qū)域的巖石光譜，如圖3所示。本文以34號勘探線ZK0342鉆孔進(jìn)行分析研究，通過本文構(gòu)建模型得出ZK0342鉆孔匹配結(jié)果如表3所示，并將ZK0342鉆孔部分巖心進(jìn)行巖礦鑒定，如表4所示，由表4構(gòu)建的光譜匹配算法與巖礦鑒定結(jié)果，原柱狀圖巖心描述吻合。

5 ?結(jié) ?論

本文得出了實際礦區(qū)標(biāo)準(zhǔn)礦物光譜曲線庫建立方法，結(jié)合信息散度匹配法原理，進(jìn)一步構(gòu)建了基于標(biāo)準(zhǔn)光譜庫下的信息散度匹配法，并將該方法對實際礦區(qū)礦物光譜曲線進(jìn)行匹配分類處理，通過該方法對待測光譜進(jìn)行蝕變的結(jié)果與原巖礦鑒定結(jié)果，原柱狀圖巖心描述吻合，匹配結(jié)果可靠。

參考文獻(xiàn)

[1] MATHIEU M， ROY R， LAUNEAU P， et al. Alteration mapping on drill cores using a HySpexSWIR?320m hyperspectral camera： application to the exploration of an unconformity?related uranium deposit （Saskatchewan， Canada） [J]. Journal of geochemical exploration， 2017， 172： 71?88.

[2] 秦飛龍.原生暈地球化學(xué)和巖心高光譜粗糙集耦合建模與深部礦產(chǎn)預(yù)測研究：以湖北雞冠咀銅金礦床為例[D].成都：成都理工大學(xué)，2017.

QIN Feilong. Coupling modeling of the primary halo geochemistry and the core hyperspectral with the rough set model and its studying in the prediction of deep mineral resources — take the Jiguanzui Cu?Au mineral deposit in Hubei as an example [D]. Chengdu： Chengdu University of Technology， 2017.

[3] LI Y S， XU J J， XIA R J， et al. Extreme?constrained spatial?spectral corner detector for image?level hyperspectral image classification [J]. Pattern recognition letters， 2018， 109（15）： 110?119.

[4] 張成業(yè)，秦其明，陳理，等.高光譜遙感巖礦識別的研究進(jìn)展[J].光學(xué)精密工程，2015，23（8）：2407?2417.

ZHANG Chengye， QIN Qiming， CHEN Li， et al. Research and development of mineral identification utilizing hyperspectral remote sensing [J]. Optics and precision engineering， 2015， 23（8）： 2407?2417.

[5] 盧燕.高光譜礦物填圖技術(shù)在金屬礦產(chǎn)和油氣勘查中的應(yīng)用研究[D].北京：中國地質(zhì)大學(xué)，2018.

LU Yan. Applications of hyperspectral mineral mapping in mineral and petroleum exploration [D]. Beijing： China University of Geosciences， 2018.

[6] 秦飛龍，郭科，柳炳利.高光譜遙感影像分類算法并行處理設(shè)計與實現(xiàn)[J].成都理工大學(xué)學(xué)報（自然科學(xué)版），2016，43（1）：119?123.

QIN Feilong， GUO Ke， LIU Bingli. Parallel design and realization of classification algorithm of hyperspectral remote sensing image [J]. Journal of Chengdu University of Technology （Science & technology edition）， 2016， 43（1）： 119?123.

[7] 孫婭琴，田淑芳，王興振，等.基于光譜匹配的熱紅外高光譜數(shù)據(jù)巖性分類研究[J].現(xiàn)代地質(zhì)，2016，30（1）：239?246.

SUN Yaqin， TIAN Shufang， WANG Xingzhen， et al. An improved lithological classification method for thermal infrared hyperspectral data based on spectral matching [J]. Geoscience， 2016， 30（1）： 239?246.

[8] 王春陽，張合兵，許志方，等.矩陣因子和信息散度融合的高光譜波段選擇方法[J].遙感信息，2018，33（2）：26?32.

WANG Chunyang， ZHANG Hebing， XU Zhifang， et al. A new band selection method for herperspectral images based on matrix mode and spectral information divergence [J]. Remote sensing information， 2018， 33（2）： 26?32.

[9] 彭建，徐飛雄，鄧凱，等.瑯琊山景區(qū)不同葉綠素條件下樹種葉片光譜差異分析[J].光譜學(xué)與光譜分析，2018，38（6）：1839?1849.

PENG Jian， XU Feixiong， DENG Kai， et al. Spectral differences of tree leaves at different chlorophyll relative content in Langya mountain [J]. Spectroscopy and spectral analysis， 2018， 38（6）： 1839?1849.

[10] 劉萬軍，楊秀紅，曲海成.基于光譜信息散度與光譜角匹配的高光譜解混算法[J].計算機(jī)應(yīng)用，2015，35（3）：844?848.

LIU Wanjun， YANG Xiuhong， QU Haicheng. Hyperspectral unmixing algorithm based on spectral information divergence and spectral angle mapping [J]. Journal of computer applications， 2015， 35（3）： 844?848.

[11] CHENG W W， SUN D W， PU H B， et al. Characterization of myofibrils cold structural deformation degrees of frozen pork using hyperspectral imaging coupled with spectral angle mapping algorithm [J]. Food chemistry， 2018， 23（15）： 1001?1008.

[12] 王泓鵬，萬雄.基于植物油可見吸收光譜的相關(guān)系數(shù)鑒別特級初榨橄欖油[J].光譜學(xué)與光譜分析，2018，38（9）：2814?2819.

WANG Hongpeng， WAN Xiong. Distinguishing extra virgin olive oil based on the correlation coefficient of visible absorption spectrum of vegetable oil [J]. Spectroscopy and spectral analysis， 2018， 38（9）： 2814?2819.

[13] 申金媛，李航，劉潤杰，等.基于相關(guān)系數(shù)的有效特征光譜篩選方法[J].鄭州大學(xué)學(xué)報（理學(xué)版），2017，49（3）：28?31.

SHEN Jinyuan， LI Hang， LIU Runjie， et al. Screening the effective spectrum features based on correlation coefficient [J]. Journal of Zhengzhou University （Natural science edition）， 2017， 49（3）： 28?31.

[14] 張正勇，沙敏，桂冬冬，等.基于移動窗口相關(guān)系數(shù)光譜法的白酒品牌快速判別技術(shù)研究[J].光譜學(xué)與光譜分析，2017，37（10）：3122?3126.

ZHANG Zhengyong， SHA Min， GUI Dongdong， et al. Research on the rapid discrimination technology of the Chinese liquor brands based on the moving window correlation coefficient spectral method [J]. Spectroscopy and spectral analysis， 2017， 37（10）： 3122?3126.