Были обнаружены различия между средними положениями длин волн пикселей в каждом образце и длинами волн, полученными из спектров ROC. Неожиданным, но важным открытием стало то, что положение длины волны F900, полученное из исходных спектров изображения, показало положительное смещение по сравнению со спектрами ASD (т.е. сдвиг в сторону более длинной волны, особенно в спектрах с низким альбедо). Причина этого заключалась в том, что данные изображения за пределами 930 нм становились все более шумными по мере снижения чувствительности сенсора VNIR. Шум был дополнительно усилен процедурой (арифметическим делением), используемой для восстановления спектрального континуума. Шум также увеличивал кажущуюся глубину поглощения, тем самым увеличивая вероятность того, что минимум будет «найден» в самых зашумленных частях спектра. Эти эффекты можно проиллюстрировать на примере волнового положения наименьшего значения в исходном спектре изображения (т.е. номинального положения длины волны F900 [см. серые линии на рис. 2(c) и (d)]. До удаления континуума положение длины волны F 900 составляет 880 нм [см. рис. 2(в)], но после нормализации положение длины волны составляет 985 нм. сдвиг 105 нм на более длинные волны [см. рис. 2(d)]. Получение положения длины волны из полинома, подогнанного к исходным данным, существенно уменьшило вариабельность и уменьшило различия в положении средней длины волны между спектрами изображения и ASD. Положительное смещение в позиции длины волны также было в значительной степени устранено. Используя этот подход, участки гематита и гетита на образцах цельной породы и на забое шахты могут быть закартированы с использованием положения длины волны.
Возможность точного определения количества гетита, как доли от общего количества железных минералов, имеет экономическое значение, так как для некоторых месторождений железной руды она может быть использована в качестве фактора при определении качества руды. Это также имеет важные последствия для переработки железной руды, поскольку большое количество гетита может оказывать неблагоприятное воздействие на оборудование. Лишь немногие опубликованные исследования, если таковые вообще имеются, использовали гиперспектральные изображения для количественной оценки положения длины волны F900 по изображениям, полученным с полевых платформ. Для непосредственного сравнения спектров изображения и ASD в нашем анализе использовались положения длин волн, полученные на попиксельной основе из исходных данных. Затем эти значения были интегрированы (усреднены) по площади, измеренной зондом отражения, используемым для получения спектров ROC. Пространственное усреднение пикселей улучшило изменчивость положения длины волны, вызванную шумом в спектральной области, но не положительным смещением. Таким образом, положения длин волн F900, полученные из исходных данных изображения и спектров ASD, показали аналогичные сильные корреляции, но в первом случае это было больше пересечение, вызванное положительным смещением (см. рис. 9). Таким образом, очевидно, что для стандартизации измерений в исследованиях, наборах данных или приборах положение длины волны F900 должно быть получено с помощью согласованного метода, в частности, с использованием одних и тех же конечных точек (длин волн) для удаления континуума и того же порядка полинома.
Сглаживание данных с помощью спектральных фильтров также может быть эффективным для уменьшения шума в данных, но вряд ли оно будет столь же эффективным, как полиномиальная аппроксимация. Это связано с тем, что шум в некоторых частях спектра VNIR, например, в точке соединения между датчиками и в месте атмосферного поглощения, часто накладывается на положительный или отрицательный сдвиг в коэффициенте отражения, который может быть последовательным на нескольких длинах волн. Такой шум трудно изолировать и удалить, даже используя более сложные методы фильтрации (например, [18] и [28]). Сдвиг коэффициента отражения на границе воображаемых сенсоров потенциально может быть скорректирован с помощью передовых автоматизированных методов пространственной регистрации VNIR и SWIR компонентов куба данных (например, [29]), хотя это еще предстоит продемонстрировать экспериментально.
Положение длины волны использовалось в данном исследовании как непрерывная переменная для оценки доли гетита в образцах и как категориальная мера типа руды. Последний подход может быть особенно полезен в контексте картографирования минерологии. Вертикальные забои имеют большие различия в падающей освещенности. Многие методы классификации (например, SAM) классифицируют спектры с неизвестной идентичностью путем сравнения их формы спектральной кривой с библиотекой известных спектров минералов. Поскольку SAM является угловой мерой, она относительно нечувствительна к изменениям яркостиспектров [30], [31]. Это снижает его эффективность в различении гематита и гетита, потому что после масштабирования их спектров до одинаковой яркости их Формы спектральных кривых между 400 и 2450 нм похожи. Основное различие между этими спектрами заключается в том, что они имеют очень разную яркость. Яркость не может быть использована в качестве метода классификации для изображений минералогических следов, потому что большие различия в падающем освещении замаскировали бы различия в коэффициенте отражения из-за их внутренних свойств отражения [32]. Наши результаты показывают, что гематит и гетит могут быть классифицированы с помощью простого порога положения длины волны F900 на длине волны 902 нм. Это представляет собой способ классификации этих минералов, не полагаясь на угловую метрику или различия в яркости, что по вышеупомянутым причинам может быть неэффективным. Тем не менее, необходимо провести дальнейшую работу, чтобы подтвердить, что положение длины волны F900 нечувствительно к изменениям падающего освещения.
Растущее использование гиперспектральных изображений, полученных в полевых условиях, продолжает открывать новые области применения для их использования. Описанные здесь эксперименты дают первые подтвержденные результаты, которые показывают, что положение длины волны характеристик поглощения в VNIR может быть определено по гиперспектральным изображениям, полученным в лаборатории и в полевых условиях. В настоящее время ведется дальнейшая работа по повышению точности и достоверности, с которой положение длины волны характеристик поглощения может быть определено по спектрам изображений с помощью методов машинного обучения.
V. C ЗАКЛЮЧЕНИЕ
Определение положения по длине волны частиц поглощения в VNIR (400–1200 нм) по гиперспектральным изображениям является более сложной задачей, чем для данных, полученных с помощью приборов, не использующих визуализацию. Положение длины волны характеристик поглощения, например, минералов трехвалентного железа, которые находятся в спектральных областях, отобранных различными датчиками, не может быть надежно извлечено непосредственно из гиперспектральных характеристик. Спектральный шум вызвал сдвиг в положении длин волн трехвалентного железа в сторону более длинных волн, что сделало невозможным картографирование распределения гематита и гетита даже по изображениям, полученным в идеальных лабораторных условиях. С другой стороны, положение длины волны, определяемое на основе полиномиальной аппроксимации к пиксельным спектрам изображения, позволило составить карту пространственного распределения гематита и гетита по лабораторным снимкам образцов горных пород и по полевым снимкам вертикального борта шахты. Таким образом, положение длины волны, как особенность, может быть использовано как категориальная мера распределения минералов железа. Показано использование положения длины волны, полученного по гиперспектральным изображениям, для количественной оценки доли гетита в образцах. Общий вывод этих исследований заключается в том, что положение длин волн объектов в VNIR (400–1200 нм) должно определяться по изображениям с использованием полиномиальной (или эквивалентной) аппроксимации к данным, а не по самим исходным данным.
БЛАГОДАРНОСТЬ
Авторы хотели бы поблагодарить д-ра А. Эрнандеса за его помощь в лаборатории и, особенно, д-ра Г. Картера за материально-техническую поддержку в получении гиперспектральных изображений в полевых условиях. Авторы также хотели бы поблагодарить д-ра Л. Уитборна (L. Whitbourn) из CSIRO за предоставленныйим проект калибровочного стандарта длины волны. Авторы выражают благодарность анонимным рецензентам, чьи комментарии значительно улучшили эту статью.
R EFERENCES
[1] А. Ф. Х. Гетц, «Три десятилетия гиперспектрального дистанционного зондирования Земли: личный взгляд», Remote Sens. Environ., том 113, No S1, стр. S5– S16, сентябрь 2009 г.
[2] А. Плаза, Я. А. Бенедиктссон, Й. В. Бордман, Й.Бразиль, Л. Бруццоне, G. Кампс-Вальс, Х. Шануссо, М. Фовель,. Гамба, А. Гуалтьери, M. Маркончини, Д. К. Тилтон и Г. Трианни, «Последние достижения в области технологий для гиперспектральной обработки изображений», Remote Sens. Environ., т. 113, No S1, с. S110–S122, сентябрь 200г. 9.
[3] Э. А. Клутис, "Гиперспектральное геологическое дистанционное зондирование: оценка аналитических методов," Int. J. Remote Sens., том 17, No 12, стр. 2215–2242, август 1996 г.
[4] Ф. А. Крузе, А. Б. Лефкофф, Й. В. Бордман, К. Б. Хайдебрехт, A. Т. Шапиро,. Д. Барлун и А. Ф. Х. Гетц, «Система обработки спектральных изображений (SIPS) — интерактивная визуализация и анализ данных спектрометра изображения», Remote Sens. Environ., т. 44, No 2/3, с. 145–163, май/июнь 1993.
[5] Дж.Дж.Сеттл и Н.А.Дрейк, "Линейное перемешивание и оценка пропорций почвенного покрова," Int. J. Remote Sens., том 14, No 6, стр. 1159–1177, апрель 1993 г.
[6] Луис Сильван-Карденас (J. Luis Silvan-Cardenas) и Л. Ван (L. Wang), "Полностью ограниченное линейное спектральное размешивание: аналитическое решение с использованием нечетких множеств", IEEE Trans. Geosci. Re-mote Sens., том 48, No 11, стр. 3992–4002, ноябрь 2010 г.
[7] С. Шнайдер, А. Мелкумян, Р. Д. Мерфи и Э. Неттлтон, "Гауссовы процессы с ковариационной функцией OAD для классификации гиперспектральных данных," в Proc. 22nd IEEE Int. Conf. Tools Artif. Интеллигент., Аррас, Франция, 2010, стр. 393–400.
[8] J. K. Кроули, Д. E. Уильямс, Дж. М. Хаммарстром, Н. Пятак, I. М.Чоу и Д. К. Марс, «Спектральные свойства отражения (0,4–2,5 μм) вторичных оксидов железа, гидроксидов железа и сульфатгидратных минералов, связанных с сульфидсодержащими отходами шахт», Geochem. Исследуйте. Энви-рон. Анальный., том 3, No 3, с. 219–228, август 2003.
[9] Р. В. Моррис, Х. В. Лауэр-младший, К. А. Лоусон, Э. К. Моррис-младший, Г. А. Нейс и К. Стюарт, «Спектральные и другие физико-химические свойства субми-кроновых порошков гематита (α − Fe 2 O 3), маггемита (γ − Fe 2 O 3), магнетита (Fe 3 O4), гетита (α-FeOOH) и эпидокроцита (γ-FeOOH), " J. Geophys. Res., т. 90, No B4, с. 3126–3144, март 1985 г.
[10] А. К. Шейност, Д. Г. Шульце и У. Швертманн, "Спектры диффузного отражения замещенного Al-замещенного гетита: подход к лигандному полю," Clays Clay Minerals, vol. 47, no. 2. С. 156–164, апрель 1999.
[11] Ф. А. Крузе, «Использование данных аэрофотосъемочного спектрометра для картирования минералов, связанных с гидротермально измененными породами в северных горах Грейпвайн, Неваде и Калифорнии», Remote Sens. Environ., т. 24, No 1, с. 31–51, февраль 1988.
[12] Р. Н. Кларк, В. В. Труде, Т. В. В. Кинг, М. Клейва, Г. А. Суэйзи и V. Norma, "Спектроскопия отражения горняков с высоким спектральным разрешением", J. Geophys. Res., том 95, No B8, стр. 12 653–12 680, август 1990.
[13] Р. Д. Мерфи, "Влияние растительного покрова на параметры абсорбции минералов," Int. J. Remote Sens., том 16, No 12, стр. 2153–2164, август 1995 г.
[14] Ф. Т. Барранко, В. Л. Бальзам и Б. К. Дитон, «Количественная переоценка кирпично-красных лютитов — данные рефлектансной спектрофотометрии», Marine Geol., т. 89, No 3/4, с. 299–314, октябрь 1989.
[15] М. Хейст, Т. Кудахи, К. Лаукамп и С. Грегори, "Количественная минералогия по данным инфракрасной спектроскопии. I. Валидация запасов и состава минералов на месторождении железа Рокли-Ченнел в Западной Австралии», Econom. Geol., т. 107, No. 2. С. 209–228, апрель 2012.
[16] В. М. Селлитто, Р. Б. А. Фернандес, В. Баррон и К. Коломбо, "Сравнение двух различных спектроскопических методов для характеризации оксидов железа в почве: диффузное и двунаправленное отражение," Geoderma, vol. 149, no. 1/2, с. 2–9, февраль 2009 г.
[17] Т. Дж. Кудахи и Э. Р. Раманайду, «Измерение соотношения гематита: гетита с использованием спектрометрии отражения в видимом и ближнем инфракрасном диапазонах в канальных месторождениях железа, западная Австралия», Australian J. Earth Sci., том 44, No 4, с. 411–420, август 1997.
[18] А. Мелкумян и Р. Мерфи, «Подавление шума в спектральной области в гиперспектральных изображениях с двумя датчиками с использованием гауссовых процессов», в журнале Neural Information Processing. Модели и приложения, том 6444, К. Вонг, S. U. Mendis, and A. Bouzerdoum, Eds. Berlin/Heidelberg, Germany: Springer-Verlag, 2010, pp. 684–691. Э. Раманайду, М. Уэллс, Д. Белтон, М. Верралл и К. Райан, «Минералогические и микрохимические методы для характеризации железа, полученного из высококачественной полосчатой железной формации», в Обзорах экономической геологии: полосчатая железная руда, связанная с высококачественной железной рудой, том 15, С. Хагеманн, К. А. Розьер, Дж. Гутцмер и Н. Бьюкс, ред. Вестминстер, Колорадо, США: Общество экономических геологов, 2008. С. 129–156
[20] А. Савицкий и М. Д. Е. Голей, "Сглаживание и дифференциация данных с помощью упрощенных процедур наименьших квадратов", Anal. Chem., т. 36, No 8, pp. 1627–1639, июль 1964.
[21] Р. Д. Мерфи, "Картографирование яшмы в Кедровых горах, штат Юта, США, с использованиемданных трометра для визуализации," Int. J. Remote Sens., том 16, No 1, стр. 1021–1041, январь 1995 г.
[22] Р. Н. Кларк и Т. Л. Роуш, «Спектроскопия отражения: методы количественного анализа для применений дистанционного зондирования», J. Geophys. Res., т. 89, No B7, с. 6329–6340, Jul. 1984.
[23] Р. Г. Конгалтон, Р. Г. Одервальд и Р. А. Мид, «Оценка точности классификации Landsat с использованием статистических технологий дискретного многомерного анализа», Photogramm. Eng. Remote Sens., том 49, No 12, стр. 1671–1678, январь 1983 г.
[24] У. Д. Хадсон и К. В. Рамм, «Правильная формулировка коэффициента согласия Каппы», Photogramm. Eng. Remote Sens., т. 53, No 4, pp. 421–422, апрель 1987.
[25] Т. Фосетт, «Введение в ROC-анализ», Pattern Recognit. Lett., том 27, No 8, с. 861–874, июнь 2006 г.
[26] Д. Г. Шульце, «Идентификация почвенных железоокисных минералов методом дифференциальной рентгеновской дифракции», Soil Sci. Soc. Amer. J., т. 45, No 2, с. 437–440, март 1981.
[27] У. Швертманн и Р. М. Тейлор, «Оксиды железа», в книге «Минералы в почвенной среде», Д. Б. Диксон и С. Б. Уид, ред. Мэдисон, Висконсин: Общество почвоведения Америки, 1989, стр. 379–438.
[28] Р. Л. Хугенин и Д. Л. Джонс, «Интеллектуальное извлечение информации из спектров отражения: положения полос поглощения», J. Geophys. Res., том 91, No B9, стр. 9585–9598, август 1986 г.
[29] З. Тейлор и Д. Ньето, «Взаимный информационный подход к автоматической калибровке камеры и лидара в естественных условиях», Proc. ACRA, Веллингтон, Новая Зеландия, 2012 г., стр. 1–8.
[30] К. Хекер, М. ван дер Мейде, Х. ван дер Верфф и Ф. Д. ван дер Меер, "Влияние эталонных спектров на синтетические результаты классификации SAM", IEEE Trans. Geosci. Remote Sens., т. 46, No 12, pp. 4162–4172, декабрь 2008 г.
[31] Ф. Ван дер Меер, «Эффективность мер спектрального подобия для анализа гиперспектральныхизображений», Int. J. Appl. Earth Observ. Геоинф., том 8, No 1, с. 3–17, февраль 2006 г.
[32] Р. Д. Мерфи, С. Т. Монтейро и С. Шнайдер, «Оценка методов классификации для картографирования вертикальной геологии с использованием полевых гиперспектральных датчиков», IEEE Trans. Geosci. Remote Sens., том 50, No 8, стр. 3066–3080, август 2012 г.
[33] Т. Е. Таунсенд, «Различение минералов, изменяющих изменение железа, в данных об отражении в видимом и ближнем инфракрасном диапазонах», J. Geophys. Res., т. 92, No В2, pp . 1441–1454, февраль 1987.
[34] У. Ф. Бакингем и С. Э. Зоммер, «Минералогическая характеристика поверхностей горных пород, образованных гидротермальными изменениями и выветриванием — применение к дистанционному зондированию», Эконом., т. 78, No 4, с. 664–674, июль 1983 г.
Ричард Мерфи (M'12) получил степень B.Sc. de-gree в Университетском колледже Лондона, Лондон, Великобритания, в 1988 году и степень доктора философии в Университете Рединга, Беркшир, Великобритания, в 1993 году.
В Университете Рединга его исследования были посвящены влиянию растительности на гиперспектральную сигнатуру почв и минералов. В Плимутской морской лаборатории, Плимут, Великобритания, его вклад в исследование взаимодействия суши и океана (LOIS) с 1993 по 1995 год заключался в разработке алгоритмов для получения измерений качества воды из данных дистанционного зондирования побережья и лиманов. С 1995 по 1999 год он был назначен научным сотрудником Национального института воды и атмосферы Новой Зеландии и руководил программой «Цвет океана» в Новой Зеландии. В настоящее время он является старшим научным сотрудником Сиднейского университета, Сидней, Австралия, где он разработал мультиспектральные и спектроскопические методы для количественной оценки и характеристики приливно-отливных биопленок in situ. В настоящее время он работает в Австралийском центре полевой робототехники при Университете Сидней, где использует полевые датчики для геологических применений.
Д-р Мерфи является членом Общества геонаук и дистанционного зондирования IEEE.
В 2008 году Свен Шнайдер получил диплом инженера в области фотоники и обработки изображений в Университете прикладных наук в Дармштадте, Германия. В настоящее время он работает над докторской диссертацией в Австралийском центре полевой робототехники, Университет Сидней,Австралия.
В 2009 году он присоединился к Австралийскому центру полевой робототехники в качестве инженера по разработке аппаратного и программного обеспечения. Область его научных интересов — классификация гиперспектральных данных с помощью машинного обучения
В сферу его научных интересов входят распознавание образов, дистанционное зондирование, мульти/гиперспектральная обработка изображений и медицинская визуализация.
В 2002 году Силдомар Т. Монтейро (M'06) получил степень M.Sc в области компьютерных наук в Технологическом институте аэронавтики в Сан-Жозе-дус-Кампос, Бразилия, а в 2007 году — степень доктора философии в области инженерии в Токийском технологическом институте, Токио, Япония.
С 2008 по 2013 год он был научным сотрудником Австралийского центра полевой робототехники Сиднейского университета, Сидней, Австралия. В августе 2013 года он присоединится к Рочестерскому технологическому институту, Рочестер, штат Нью-Йорк, США, в качестве ассистента Кафедры электротехники и микроэлектроники. Его научные интересы включают машинное обучение, статистическую обработку сигналов и имагенерацию, а также их применение, в частности, в робототехнике, дистанционном зондировании и биомедицинской инженерии.
Д-р Монтейро является членом Ассоциации вычислительной техники. В 2013 году он является приглашенным редактором специального выпуска журнала Journal of Field Robotics под названием «Alter-native Sensing Techniques for Robot Perception». В 2007 году он получил постдокторскую стипендию Японского общества содействия науке.