结合多尺度分割和随机森林的变质矿物提取

工程科学学报 Chinese Journal of Engineering 结合多尺度分割和随机森林的变质矿物提取 唐淑兰孟勇王国强卜涛 Extraction of metamorphic minerals by multiscale segmentation combined with random forest TANG Shu-lan,MENG Yong.WANG Guo-qiang.BU Tao 引用本文： 唐淑兰，孟勇，王国强，卜涛.结合多尺度分割和随机森林的变质矿物提取.工程科学学报，2022,44(2)：170-179.doi: 10.13374j.issn2095-9389.2020.09.08.004 TANG Shu-lan,MENG Yong,WANG Guo-qiang,BU Tao.Extraction of metamorphic minerals by multiscale segmentation combined with random forest[J].Chinese Journal of Engineering,2022,44(2):170-179.doi:10.13374/j.issn2095- 9389.2020.09.08.004 在线阅读View online:https::/doi.org10.13374j.issn2095-9389.2020.09.08.004 您可能感兴趣的其他文章 Articles you may be interested in 基于监督学习的前列腺MR/TRUS图像分割和配准方法 Prostate MR/TRUS image segmentation and registration methods based on supervised learning 工程科学学报.2020,42(10：1362htps:/doi.org/10.13374.issn2095-9389.2019.10.10.006 基于改进CV模型的金相图像分割 Segmentation of metallographic images based on improved CV model 工程科学学报.2017,3912：1866htps:1doi.org10.13374.issn2095-9389.2017.12.013 基于自动多种子区域生长的遥感影像面向对象分割方法 Object-oriented remote sensing image segmentation based on automatic multiseed region growing algorithm 工程科学学报.2017,3911)：1735 https:/1doi.org10.13374j.issn2095-9389.2017.11.017 一种基于鲁棒随机向量函数链接网络的磨矿粒度集成建模方法 Grinding process particle size modeling method using robust RVFLN-based ensemble learning 工程科学学报.2019,41(1：67htps:/1doi.org/10.13374.issn2095-9389.2019.01.007 基于周期势系统随机共振的轴承故障诊断 Bearing fault diagnosis by stochastic resonance method in periodical potential system 工程科学学报.2018,40(8：989htps:/oi.org10.13374.issn2095-9389.2018.08.013 陡脉冲干扰下的心电信号滤波及QRS提取 ECG filtering and QRS extraction under steep pulse interference 工程科学学报.2020,42(5)：654 https:/1doi.org10.13374.issn2095-9389.2019.06.20.004

结合多尺度分割和随机森林的变质矿物提取 唐淑兰 孟勇 王国强 卜涛 Extraction of metamorphic minerals by multiscale segmentation combined with random forest TANG Shu-lan, MENG Yong, WANG Guo-qiang, BU Tao 引用本文: 唐淑兰, 孟勇, 王国强, 卜涛. 结合多尺度分割和随机森林的变质矿物提取[J]. 工程科学学报, 2022, 44(2): 170-179. doi: 10.13374/j.issn2095-9389.2020.09.08.004 TANG Shu-lan, MENG Yong, WANG Guo-qiang, BU Tao. Extraction of metamorphic minerals by multiscale segmentation combined with random forest[J]. Chinese Journal of Engineering, 2022, 44(2): 170-179. doi: 10.13374/j.issn2095- 9389.2020.09.08.004 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2020.09.08.004 您可能感兴趣的其他文章 Articles you may be interested in 基于监督学习的前列腺MR/TRUS图像分割和配准方法 Prostate MR/TRUS image segmentation and registration methods based on supervised learning 工程科学学报. 2020, 42(10): 1362 https://doi.org/10.13374/j.issn2095-9389.2019.10.10.006 基于改进CV模型的金相图像分割 Segmentation of metallographic images based on improved CV model 工程科学学报. 2017, 39(12): 1866 https://doi.org/10.13374/j.issn2095-9389.2017.12.013 基于自动多种子区域生长的遥感影像面向对象分割方法 Object-oriented remote sensing image segmentation based on automatic multiseed region growing algorithm 工程科学学报. 2017, 39(11): 1735 https://doi.org/10.13374/j.issn2095-9389.2017.11.017 一种基于鲁棒随机向量函数链接网络的磨矿粒度集成建模方法 Grinding process particle size modeling method using robust RVFLN-based ensemble learning 工程科学学报. 2019, 41(1): 67 https://doi.org/10.13374/j.issn2095-9389.2019.01.007 基于周期势系统随机共振的轴承故障诊断 Bearing fault diagnosis by stochastic resonance method in periodical potential system 工程科学学报. 2018, 40(8): 989 https://doi.org/10.13374/j.issn2095-9389.2018.08.013 陡脉冲干扰下的心电信号滤波及QRS提取 ECG filtering and QRS extraction under steep pulse interference 工程科学学报. 2020, 42(5): 654 https://doi.org/10.13374/j.issn2095-9389.2019.06.20.004

工程科学学报.第44卷.第2期：170-179.2022年2月 Chinese Journal of Engineering,Vol.44,No.2:170-179,February 2022 https://doi.org/10.13374/j.issn2095-9389.2020.09.08.004;http://cje.ustb.edu.cn 结合多尺度分割和随机森林的变质矿物提取 唐淑兰”，孟勇)四，王国强)，卜涛) 1)西安财经大学管理学院，西安7101002)中国地质调查局西安地质调查中心，西安710054 ☒通信作者，E-mail:16392800@qq.com 摘要为提高遥感影像变质矿旷物提取精度，提升变质带的识别效果，以甘肃北山ASTER影像为研究区，结合了比值运算、 多尺度分割、随机森林分类法进行变质矿物提取.首先，通过矿物特征性光谱特征构造比值运算公式、进行影像增强；然后， 对增强影像进行基于光谱及变差函数的多尺度分割：接着，采用随机森林法提取目标矿物：最后，通过野外勒查、采样、薄片 鉴定进行精度评价.结果表明，黑云母、白云母、角闪石在ASTE影像上具有鉴定性特征，提取精度分别为85.4088%、 84.7640%和85.7308%：其他含量较少的变质矿物提取精度可达到60%以上.多尺度分割能充分利用矿物的丛集特征：变差 函数纹理能增强形态特征对矿物的区分能力：随机森林分类法对矿物混合引起的噪声不敏感、提取结果稳定 关键词变差函数；多尺度分割；ASTER;矿物提取；随机森林 分类号 Extraction of metamorphic minerals by multiscale segmentation combined with random forest TANG Shu-lan,MENG Yong,WANG Guo-giang?,BU Tao) 1)School of Management,Xi'an University of Finance and Economics,Xi'an 710100,China 2)Xi'an Center of Geological Survey,China Geological Survey,Xi'an 710054,China Corresponding author,E-mail:16392800@qq.com ABSTRACT The identification of metamorphic minerals is the basis of metamorphic rock research.Extraction of mineral information by remote sensing technology has been widely used.Digital image processing technology is also effectively applied to remote sensing image processing.Results show that the band ratio of remote sensing images can enhance mineral information,while the variogram function can describe the spatial correlation and variability of image pixels and extract more detailed texture information.The metamorphic minerals are found to present a block or strip distribution.The object-oriented remote sensing image information extraction method can avoid the "salt and pepper phenomenon"based on pixel extraction.Meanwhile,the random forest classification method has a fast calculation speed and high parameter accuracy.It is not sensitive to the noise caused by more lithologic components and its classification effect is found to be stable.To improve the extraction accuracy of metamorphic minerals from remote sensing images and further improve the recognition effect of metamorphic zones,this paper combined the ratio operation,multiscale segmentation,and random forest classification to extract metamorphic mineral information from ASTER images in Beishan area in Gansu Province. Initially,the image was enhanced by the ratio formula of the characteristic spectral structure of the target mineral.Multiscale image segmentation was then performed based on the spectrum and variogram.Finally,the accuracy was evaluated by the thin film identification results of the field exploration samples after the extraction of the target mineral by random forest.Results show that biotite, 收稿日期：2020-09-08 基金项目：中国地质调查局资助项目(DD20179403.DD20190364,DD20190812):西安财经大学科学研究扶持计划资助项目(21FCH008): 陕西省自然科学基础研究计划资助项目(2020M-585)

结合多尺度分割和随机森林的变质矿物提取 唐淑兰1)，孟    勇2) 苣，王国强2)，卜    涛2) 1) 西安财经大学管理学院，西安 710100    2) 中国地质调查局西安地质调查中心，西安 710054 苣通信作者， E-mail：16392800@qq.com 摘    要    为提高遥感影像变质矿物提取精度，提升变质带的识别效果，以甘肃北山 ASTER 影像为研究区，结合了比值运算、 多尺度分割、随机森林分类法进行变质矿物提取. 首先，通过矿物特征性光谱特征构造比值运算公式、进行影像增强；然后， 对增强影像进行基于光谱及变差函数的多尺度分割；接着，采用随机森林法提取目标矿物；最后，通过野外勘查、采样、薄片 鉴定进行精度评价. 结果表明，黑云母、白云母、角闪石在 ASTER 影像上具有鉴定性特征，提取精度分别为 85.4088%、 84.7640% 和 85.7308%；其他含量较少的变质矿物提取精度可达到 60% 以上. 多尺度分割能充分利用矿物的丛集特征；变差 函数纹理能增强形态特征对矿物的区分能力；随机森林分类法对矿物混合引起的噪声不敏感、提取结果稳定. 关键词    变差函数；多尺度分割；ASTER；矿物提取；随机森林 分类号     Extraction of metamorphic minerals by multiscale segmentation combined with random forest TANG Shu-lan1) ，MENG Yong2) 苣 ，WANG Guo-qiang2) ，BU Tao2) 1) School of Management, Xi’an University of Finance and Economics, Xi’an 710100, China 2) Xi’an Center of Geological Survey, China Geological Survey, Xi’an 710054, China 苣 Corresponding author, E-mail: 16392800@qq.com ABSTRACT    The identification of metamorphic minerals is the basis of metamorphic rock research. Extraction of mineral information by remote sensing technology has been widely used. Digital image processing technology is also effectively applied to remote sensing image  processing.  Results  show  that  the  band  ratio  of  remote  sensing  images  can  enhance  mineral  information,  while  the  variogram function  can  describe  the  spatial  correlation  and  variability  of  image  pixels  and  extract  more  detailed  texture  information.  The metamorphic minerals are found to present a block or strip distribution. The object-oriented remote sensing image information extraction method can avoid the “salt and pepper phenomenon” based on pixel extraction. Meanwhile, the random forest classification method has a  fast  calculation  speed  and  high  parameter  accuracy.  It  is  not  sensitive  to  the  noise  caused  by  more  lithologic  components  and  its classification effect is found to be stable. To improve the extraction accuracy of metamorphic minerals from remote sensing images and further  improve  the  recognition  effect  of  metamorphic  zones,  this  paper  combined  the  ratio  operation,  multiscale  segmentation,  and random  forest  classification  to  extract  metamorphic  mineral  information  from  ASTER  images  in  Beishan  area  in  Gansu  Province. Initially,  the  image  was  enhanced  by  the  ratio  formula  of  the  characteristic  spectral  structure  of  the  target  mineral.  Multiscale  image segmentation  was  then  performed  based  on  the  spectrum  and  variogram.  Finally,  the  accuracy  was  evaluated  by  the  thin  film identification results of the field exploration samples after the extraction of the target mineral by random forest. Results show that biotite, 收稿日期: 2020−09−08 基金项目: 中国地质调查局资助项目（DD20179403，DD20190364，DD20190812）；西安财经大学科学研究扶持计划资助项目（21FCJH008）； 陕西省自然科学基础研究计划资助项目（2020JM-585） 工程科学学报，第 44 卷，第 2 期：170−179，2022 年 2 月 Chinese Journal of Engineering, Vol. 44, No. 2: 170−179, February 2022 https://doi.org/10.13374/j.issn2095-9389.2020.09.08.004; http://cje.ustb.edu.cn

唐淑兰等：结合多尺度分割和随机森林的变质矿物提取 171· muscovite,and amphibole have identification characteristics on the ASTER image with an extraction accuracy of 85.4088%,84.7640%, and 85.7308%,respectively.The extraction accuracy of other metamorphic minerals with less content are found to reach more than 60% Multiscale segmentation can make full use of the clustering features of minerals and the variogram texture can enhance the ability of morphological features to distinguish the minerals.Random forest is not sensitive to noise and the extraction results are observed to be stable. KEY WORDS variogram;multiscale segmentation;ASTER;mineral extraction;random forest 变质矿物的识别是变质岩研究的基础，造山带 本研究旨在提高变质矿物提取精度，为变质带的 中的变质岩是造山带不同演化阶段动力学过程的直 遥感解译提供技术参考 接记录，其中，中-低压变质带的分布是研究造山过 1地质背景 程和地壳演化等地球科学问题的重要参考依据川 遥感技术作为对传统实地调查的补充，已广 研究区（图1）位于甘肃省玉门市地区，大地构 泛应用于矿产勘查和岩性识别中-习一些矿物提 造隶属于北山造山带.出露的主要地层有：晚太古 取方法得到了快速发展：如比值法、主成分分析 界、长城系、蓟县系、石炭系、二叠系、侏罗系、白 (Principal component analysis,PCA)、支持向量机 垩系和第四系，发育有石炭纪和二叠纪中酸性侵 (Support vector machine,SVM)、光谱角(Spectral 入岩.其中，晚太古界主要岩性组合为：（云母）石 angle mapping,SAM)、混合像元分解、随机森林 英片岩、（石榴石、黑云母、白云母）斜长片麻岩、 (Random forest,RF)等W-].同时，图像处理技术也 (石榴石、黑云母)斜长角闪片麻岩、二长片麻岩、 被结合到遥感矿物提取中：如多尺度分割、小波变 斜长变粒岩、钠长绿帘绿泥片岩和大理岩等；长城 换等？0具有较高分辨率的ASTER传感器通过 系主要岩性为：大理岩、石英岩、长石石英岩和绿 14个波段的波谱数据，提供了更加精细的矿物及 泥石石英千枚岩等；蓟县系主要为大理岩，局部见 岩石信息 蛇纹石、透辉石和阳起石化：石炭系和二叠系主要 矿物信息在遥感影像上表现为弱信息，利用 为浅变质碎屑岩，局部可见绿泥石化，石炭系碎屑 反射带和吸收带的比值，可增强各地质信息之间 岩中夹少量灰岩：侏罗系和白垩系主要为未变质 的光谱差异.可根据各矿物的特征性光谱特征，选 的陆源碎屑岩沉积 择合适的ASTER波段进行比值增强.基于高分辨 Q h 率遥感影像的光谱特征提取矿物信息，会出现“椒 盐现象”山：而遥感影像上变质矿物呈现块状或条 带状分布，可使用面向对象思想，通过多尺度分割 得到相似的对象块，利用影像的光谱、形状、大 小、色调、纹理等特征，提高矿物提取精度.为 了使遥感影像矿物提取更加精确，各种非参数监 山ass1 督分类法得到了发展，应用较为广泛的包括神经 网络(Neural network,NN)、SVM和RFll-RF是 ixian system 一个集成分类器，将复杂的分类过程分解为一系 Ar Late Archean 列决策过程（树）.由于计算速度快、参数要求少、 对训练数据的统计假设少、对噪声或过拟合的敏 感性较低，RF分类器在遥感信息提取中得到了越 Unconformity Fault 来越多的关注).但是，由于部分矿物的光谱相似 图1研究区地质简图 性、变质矿物与主要造岩矿物的混合性，仅基于光 Fig.I Geological sketch of the study area 谱特征提取变质矿物精度有限. 2数据与方法 本文以ASTER数据为研究对象，利用波段比 值增强各变质矿物的光谱特征；接着，结合光谱特 2.1数据 征和变差函数纹理进行多尺度分割；然后，利用 2.1.1 ASTER数据 RF提取变质矿物：最后，通过野外调查验证精度. ASTER具有14个波段的波谱数据，近红外及可

muscovite, and amphibole have identification characteristics on the ASTER image with an extraction accuracy of 85.4088%, 84.7640%, and 85.7308%, respectively. The extraction accuracy of other metamorphic minerals with less content are found to reach more than 60%. Multiscale segmentation can make full use of the clustering features of minerals and the variogram texture can enhance the ability of morphological features to distinguish the minerals. Random forest is not sensitive to noise and the extraction results are observed to be stable. KEY WORDS    variogram；multiscale segmentation；ASTER；mineral extraction；random forest 变质矿物的识别是变质岩研究的基础，造山带 中的变质岩是造山带不同演化阶段动力学过程的直 接记录，其中，中−低压变质带的分布是研究造山过 程和地壳演化等地球科学问题的重要参考依据[1] . 遥感技术作为对传统实地调查的补充，已广 泛应用于矿产勘查和岩性识别中[2−3] . 一些矿物提 取方法得到了快速发展：如比值法、主成分分析 （ Principal component analysis， PCA）、支持向量机 （ Support  vector  machine， SVM） 、光谱角 （ Spectral angle mapping， SAM）、混合像元分解、随机森林 (Random forest，RF) 等[4−8] . 同时，图像处理技术也 被结合到遥感矿物提取中：如多尺度分割、小波变 换等[9−10] . 具有较高分辨率的 ASTER 传感器通过 14 个波段的波谱数据，提供了更加精细的矿物及 岩石信息. 矿物信息在遥感影像上表现为弱信息，利用 反射带和吸收带的比值，可增强各地质信息之间 的光谱差异. 可根据各矿物的特征性光谱特征，选 择合适的 ASTER 波段进行比值增强. 基于高分辨 率遥感影像的光谱特征提取矿物信息，会出现“椒 盐现象” [11] ；而遥感影像上变质矿物呈现块状或条 带状分布，可使用面向对象思想，通过多尺度分割 得到相似的对象块，利用影像的光谱、形状、大 小、色调、纹理等特征[12] ，提高矿物提取精度. 为 了使遥感影像矿物提取更加精确，各种非参数监 督分类法得到了发展，应用较为广泛的包括神经 网络（Neural network, NN）、SVM 和 RF[13−14] . RF 是 一个集成分类器，将复杂的分类过程分解为一系 列决策过程（树）. 由于计算速度快、参数要求少、 对训练数据的统计假设少、对噪声或过拟合的敏 感性较低，RF 分类器在遥感信息提取中得到了越 来越多的关注[15] . 但是，由于部分矿物的光谱相似 性、变质矿物与主要造岩矿物的混合性，仅基于光 谱特征提取变质矿物精度有限. 本文以 ASTER 数据为研究对象，利用波段比 值增强各变质矿物的光谱特征；接着，结合光谱特 征和变差函数纹理进行多尺度分割；然后，利用 RF 提取变质矿物；最后，通过野外调查验证精度. 本研究旨在提高变质矿物提取精度，为变质带的 遥感解译提供技术参考. 1    地质背景 研究区（图 1）位于甘肃省玉门市地区，大地构 造隶属于北山造山带. 出露的主要地层有：晚太古 界、长城系、蓟县系、石炭系、二叠系、侏罗系、白 垩系和第四系. 发育有石炭纪和二叠纪中酸性侵 入岩. 其中，晚太古界主要岩性组合为：（云母）石 英片岩、（石榴石、黑云母、白云母）斜长片麻岩、 （石榴石、黑云母）斜长角闪片麻岩、二长片麻岩、 斜长变粒岩、钠长绿帘绿泥片岩和大理岩等；长城 系主要岩性为：大理岩、石英岩、长石石英岩和绿 泥石石英千枚岩等；蓟县系主要为大理岩，局部见 蛇纹石、透辉石和阳起石化；石炭系和二叠系主要 为浅变质碎屑岩，局部可见绿泥石化，石炭系碎屑 岩中夹少量灰岩；侏罗系和白垩系主要为未变质 的陆源碎屑岩沉积. Cretaccous Quaternary Unconformity Jurassic Permian Carboniferous Jixian system Changcheng system Late Archean Permian granite Carboniferous granite Gcological boundary Fault Q Q Q K J P C Jx Ch Ar Pγ Cγ Q Q Q Ar Ar Ar Ar Ar Pγ Pγ Pγ Cγ Cγ Pγ P P P K Pγ C Ch Ch Ch Ch J J J J Jx 图 1    研究区地质简图 Fig.1    Geological sketch of the study area 2    数据与方法 2.1    数据 2.1.1    ASTER 数据 ASTER 具有 14 个波段的波谱数据，近红外及可 唐淑兰等： 结合多尺度分割和随机森林的变质矿物提取 · 171 ·

.172 工程科学学报，第44卷.第2期 见光3个波段，可提取铁及稀土元素：短波红外6个 波段，可提取含羟基及碳酸盐化蚀变信息：热红外 Biotite 5个波段，可识别石榴石、黑云母及长石等.本文选 择甘肃中盐池地区ASTER数据进行变质矿物提取， 图像为拍摄于2003-8-15日的L1T级数据，图像清 晰，无积雪、植被覆盖，有云覆盖.数据预处理包括串 扰校正、辐射定标、大气定标及去云处理，大气定标 Muscovite 采用FLAASH模块进行，去云处理是鉴于近红外波 段的异常高值即为云覆盖，进行掩膜运算 2.1.2变质矿物光谱特征 Chlorite 研究区需提取的标志性矿物为：黑云母(B)、 白云母(Mus)、角闪石(Am)、绿泥石(Chl)、石榴 石(Gt)、阳起石(Act).根据野外岩石样品光谱测 Actinolite 试数据（图2），获得各变质矿物的吸收谱带与 ASTER波段的对应关系（表I) Amphibole 2.2方法 因矿物具有丛集特征，本文基于面向对象思 想，采用多尺度分割和F分类法提取变质矿物 Garnet 对预处理之后的影像通过比值运算，得到各矿物 增强影像；选取矿物特征，构造分类特征向量；利 6 8 1012 用RF筛选特征并提取矿物；野外采样、薄片鉴定， Wavelength/um 通过鉴定结果对矿物提取结果进行精度评价.技 图2标志性矿物反射率曲线 术流程如图3所示 Fig.2 Reflectance curve of marker minerals 表1矿物的吸收谱带与ASTER波段的对应关系 Table I Correspondence relation between the absorption bands of the minerals and ASTER bands ASTER band Mineral 5 6 8 9 10 11 12 13 Bi Reflex Absorption Reflex Mus Absorption Reflex Absorption Reflex Am Reflex Absorption Reflex Chl Absorption Reflex Absorption Reflex Gt Absorption Reflex Act Reflex Absorption Reflex Crosstalk correction ASTER Feature selection Spectral features Radiometric calibration Texture features Atmospheric calibration Pretreatment Geometric features Cloud removal Band ratio Mineral extraction RF Gray value Variogram function Multiscale segmentation Accuracy evaluation Field verification 图3技术流程 Fig.3 Technical process 2.2.1比值运算 角闪石在波段7、波段9处强反射，而在波段8强 黑云母在8.6m处（波段11）强吸收，8.0m 吸收.绿泥石在波段1和波段8处有较强吸收谷， (波段10)和9.0m处（波段12）强反射.白云母在 在波段5和波段9有强反射、石榴石在热红外 波段1和波段6强吸收，波段5和波段7强反射 9.25m处（波段12）有强吸收，10.21um处（波段

见光 3 个波段，可提取铁及稀土元素；短波红外 6 个 波段，可提取含羟基及碳酸盐化蚀变信息；热红外 5 个波段，可识别石榴石、黑云母及长石等. 本文选 择甘肃中盐池地区 ASTER 数据进行变质矿物提取， 图像为拍摄于 2003-8-15 日的 L1T 级数据，图像清 晰，无积雪、植被覆盖，有云覆盖. 数据预处理包括串 扰校正、辐射定标、大气定标及去云处理，大气定标 采用 FLAASH 模块进行，去云处理是鉴于近红外波 段的异常高值即为云覆盖，进行掩膜运算. 2.1.2    变质矿物光谱特征 研究区需提取的标志性矿物为：黑云母（Bi）、 白云母（Mus）、角闪石（Am）、绿泥石（Chl）、石榴 石（Gt）、阳起石（Act）. 根据野外岩石样品光谱测 试数据 （ 图 2） ，获得各变质矿物的吸收谱带 与 ASTER 波段的对应关系（表 1）. 2.2    方法 因矿物具有丛集特征，本文基于面向对象思 想，采用多尺度分割和 RF 分类法提取变质矿物. 对预处理之后的影像通过比值运算，得到各矿物 增强影像；选取矿物特征，构造分类特征向量；利 用 RF 筛选特征并提取矿物；野外采样、薄片鉴定， 通过鉴定结果对矿物提取结果进行精度评价. 技 术流程如图 3 所示. Wavelength/μm Garnet Amphibole Actinolite Reflectivity Chlorite Muscovite Biotite 2 4 6 8 10 12 14 图 2    标志性矿物反射率曲线 Fig.2    Reflectance curve of marker minerals 表 1 矿物的吸收谱带与 ASTER 波段的对应关系 Table 1   Correspondence relation between the absorption bands of the minerals and ASTER bands Mineral ASTER band 1 5 6 7 8 9 10 11 12 13 Bi Reflex Absorption Reflex Mus Absorption Reflex Absorption Reflex Am Reflex Absorption Reflex Chl Absorption Reflex Absorption Reflex Gt Absorption Reflex Act Reflex Absorption Reflex Crosstalk correction Radiometric calibration Atmospheric calibration Cloud removal Gray value Variogram function ASTER Pretreatment Band ratio Multiscale segmentation Feature selection Mineral extraction RF Accuracy evaluation Spectral features Texture features Geometric features Field verification 图 3    技术流程 Fig.3    Technical process 2.2.1    比值运算 黑云母在 8.6 μm 处（波段 11）强吸收，8.0 μm （波段 10）和 9.0 μm 处（波段 12）强反射. 白云母在 波段 1 和波段 6 强吸收，波段 5 和波段 7 强反射. 角闪石在波段 7、波段 9 处强反射，而在波段 8 强 吸收. 绿泥石在波段 1 和波段 8 处有较强吸收谷， 在波段 5 和波段 9 有强反射. 石榴石在热红外 9.25 μm 处（波段 12）有强吸收，10.21 μm 处（波段 · 172 · 工程科学学报，第 44 卷，第 2 期

唐淑兰等：结合多尺度分割和随机森林的变质矿物提取 ·173· 13)有强反射.阳起石在2.3m处（波段8）有吸 向像素数（α）的一半，即去掉小数部分保留整数部 收谷，2.2um(波段6)、2.35um(波段9)处有反 分（用a表示）.因不规则对象块的各方向变差函 射峰.增强各变质矿物信息的波段比值公式见 数向量维数不同，取各方向不同步长变差函数的 表2，其中b表示ASTER影像第波段的光谱反 累计平均值： 射率 1 lal/2 y(0= (3) 表2各矿物比值公式 aW2台 y0,i) Table 2 Ratio formula of minerals 将各方向变差函数累计平均值顺序连接得到 Bi Mus Am Chl Gt Act 最终纹理特征向量： (b12+b1ob (bs+b)/b6 (b6+b9M(bs+b)(b+bsybs b1/b12 (b6+baVbs T=ty0),y45),y(90°)，y(135) (4) 2.2.2多尺度分割 设两个相邻对象块纹理向量分别为a和， 比值法增强的影像有很多伪信息，需进一步 通过卡方距离式(5)来评价两块的相似度，当距离 处理.因矿物信息多呈块状和条带状，面向对象的 小于设定值时合并这两块.其中，k为变差函数向 分析法可利用高分辨率影像相邻像素之间的关系 量的维度，这里=4 面向对象特征提取的基础是影像分割，其目的是 X2(ya,y%)= -)2 (5) 将影像分割成若干均匀的区域，分割性能至关重 台+为) 要.分割算法需指定尺度参数来控制对象的大小， 通过分割指数(Global scare.,GS)选择最优多尺 多尺度策略较单尺度参数更能满足分割的需要 度分割结果，GS指数是衡量对象块内部同质性和 较为有效的方法是从多尺度分割结果中选择全局 块间异质性的参数，该值越小说明分割效果越好 最优尺度，然后改进欠分割和过分割区域，最后结 22.3随机森林(RF) 合最优分割结果与改进后的分割区域.本文先给 RF通过集成多个弱分类器（树），采用平均或投 定一个尺度参数进行过分割，然后使用区域合并 票法得到最终分类结果，精度和泛化能力较高，擅于 细化分割结果，合并的约束条件为变差函数.比值 处理高维数据.具体过程：每颗树采用有放回的抽样 影像为单波段影像.进行初分割时区域合并的依 (Bagging)随机选择原始样本集的子样本集，利用 据为光谱相似性，DX,)为两个相邻区域X和 分类和回归树(Classification and regression trees, Y的平均灰度的欧式距离式(1)，n、m分别为X、 CART)算法训练二叉决策树，构建弱分类器，对各分 Y区域的像素总数 类器的分类结果采用多数投票法输出结果.原始样本 D(X,Y)= 集的2/3用于分类，1/3用于验证.RF有2个重要参 n∠- (1) m 数：分类的特征数量和决策树的数量.没有被 计算每一个初分割对象块的变差函数，得到 Bagging采用的数据称为袋外(Out of bag,.OOB)数 变差函数矩阵.变差函数可描述影像像素的空间 据，利用OOB预测结果平均错误率来表征不同特征 的重要性.RF特征数量一般选输人变量总数的平方 相关性和变异性，提取更详细纹理信息，有3个参 数：方向0、步长d、窗口大小d7,可表示为： 根决策树数量的上限一般设置为1000， 根据已有地质资料，以多尺度分割之后的各 N(0d) y0,d)=2N0.d >[FO)-Fi+d) (2) 对象块为单位进行特征选择，共选择特征3类， 9个维度： 式中，0，d)为像元在方向0，步长为d的变差函 (1)光谱特征：各矿物在ASTER影像的光谱 数；N(0,d)为影像在O方向的步长为d的像素对 范围具有特征性光谱特征，选择各对象块的平均 的数量，0取0°、45°、90°、135°4个方向；F0y)和 灰度(Sp)及标准差(De)作为光谱特征. Fy+d山分别为y,和y+d的灰度值.像素灰度值具 (2)纹理特征：选择各对象块的变差函数纹理 有空间自相关性，自相关性随距离增大而变小，所 4个(Val、Va2、Va3、Va4分别代表0°、45°、90°、 以变差函数的步长d不应超过窗口大小a的一半. 135°变差函数纹理). 本文各对象块为不规则形状，不使用传统的a×a (3)几何特征：选择面积特征(Ar)、形状指数 移动窗口，而是以各对象块覆盖范围作为各自的 (Sh)、走向特征(Tr).Ar是指对象块的像素总数 计算窗口.步长d的上限设为不规则对象块各方 (T).对象边缘的平滑性指标即Sh:s=/4vT9,其

bi i 13）有强反射. 阳起石在 2.3 μm 处（波段 8）有吸 收谷 ， 2.2  μm  (波 段 6)、 2.35  μm  (波 段 9) 处有反 射峰. 增强各变质矿物信息的波段比值公式见 表 2，其中 表 示 ASTER 影像第 波段的光谱反 射率. 表 2 各矿物比值公式 Table 2   Ratio formula of minerals Bi Mus Am Chl Gt Act (b12+b10)/b11 (b5+b7 )/b6 (b6+b9 )/(b8+b7 ) (b1+b9 )/b8 b13/b12 (b6+ b9 )/b8 2.2.2    多尺度分割 比值法增强的影像有很多伪信息，需进一步 处理. 因矿物信息多呈块状和条带状，面向对象的 分析法可利用高分辨率影像相邻像素之间的关系[16] . 面向对象特征提取的基础是影像分割，其目的是 将影像分割成若干均匀的区域，分割性能至关重 要. 分割算法需指定尺度参数来控制对象的大小， 多尺度策略较单尺度参数更能满足分割的需要. 较为有效的方法是从多尺度分割结果中选择全局 最优尺度，然后改进欠分割和过分割区域，最后结 合最优分割结果与改进后的分割区域. 本文先给 定一个尺度参数进行过分割，然后使用区域合并 细化分割结果，合并的约束条件为变差函数. 比值 影像为单波段影像. 进行初分割时区域合并的依 据为光谱相似性 ， D(X， Y) 为两个相邻区域 X 和 Y 的平均灰度的欧式距离式（ 1） ， n、m 分别为 X、 Y 区域的像素总数. D(X,Y) = 1 n ∑n i=1 xi − 1 m ∑m j=1 yj （1） 计算每一个初分割对象块的变差函数，得到 变差函数矩阵. 变差函数可描述影像像素的空间 相关性和变异性，提取更详细纹理信息，有 3 个参 数：方向 θ、步长 d、窗口大小 α [17] ，可表示为： γ(θ,d) = 1 2N(θ,d) N ∑ (θ,d) i=1 [ F(yi)− F(yi +d) ]2 （2） 式中， γ(θ,d) 为像元在方向 θ，步长为 d 的变差函 数 ；N(θ,d) 为影像在 θ 方向的步长为 d 的像素对 的数量 ， θ 取 0°、 45°、 90°、 135°4 个方向 ； F(yi ) 和 F(yi+d) 分别为 yi 和 yi+d 的灰度值. 像素灰度值具 有空间自相关性，自相关性随距离增大而变小，所 以变差函数的步长 d 不应超过窗口大小 α 的一半. 本文各对象块为不规则形状，不使用传统的 a×a 移动窗口，而是以各对象块覆盖范围作为各自的 计算窗口. 步长 d 的上限设为不规则对象块各方 向像素数（α）的一半，即去掉小数部分保留整数部 分（用|α|表示）. 因不规则对象块的各方向变差函 数向量维数不同，取各方向不同步长变差函数的 累计平均值： γ(θ) = 1 |α|/2 | ∑α|/2 i=1 γ(θ,i) （3） 将各方向变差函数累计平均值顺序连接得到 最终纹理特征向量： T = t(γ(0◦ ), γ(45◦ ), γ(90◦ ), γ(135◦ )) （4） 设两个相邻对象块纹理向量分别为 γa 和 γb， 通过卡方距离式（5）来评价两块的相似度，当距离 小于设定值时合并这两块. 其中，k 为变差函数向 量的维度，这里 k=4. χ 2 (γa,γb) = ∑ k i=1 (γ i a −γ i b ) 2 (γ i a +γ i b ) （5） 通过分割指数 （ Global scare， GS）选择最优多尺 度分割结果，GS 指数是衡量对象块内部同质性和 块间异质性的参数，该值越小说明分割效果越好. 2.2.3    随机森林 (RF) RF 通过集成多个弱分类器（树），采用平均或投 票法得到最终分类结果，精度和泛化能力较高，擅于 处理高维数据. 具体过程：每颗树采用有放回的抽样 （Bagging）随机选择原始样本集的子样本集，利用 分 类 和 回 归 树 （ Classification  and  regression  trees， CART) 算法训练二叉决策树，构建弱分类器，对各分 类器的分类结果采用多数投票法输出结果. 原始样本 集的 2/3 用于分类，1/3 用于验证. RF 有 2 个重要参 数 ：分类的特征数量和决策树的数量. 没有被 Bagging 采用的数据称为袋外 (Out of bag，OOB) 数 据，利用 OOB 预测结果平均错误率来表征不同特征 的重要性. RF 特征数量一般选输入变量总数的平方 根[18] . 决策树数量的上限一般设置为 1000. 根据已有地质资料，以多尺度分割之后的各 对象块为单位进行特征选择，共选择特征 3 类 ， 9 个维度： （1）光谱特征：各矿物在 ASTER 影像的光谱 范围具有特征性光谱特征，选择各对象块的平均 灰度（Sp）及标准差（De）作为光谱特征. （2）纹理特征：选择各对象块的变差函数纹理 4 个 （Va1、Va2、Va3、Va4 分别代表 0°、45°、90°、 135°变差函数纹理）. s=l/4 √ T （3）几何特征：选择面积特征（Ar）、形状指数 （Sh）、走向特征（Tr）. Ar 是指对象块的像素总数 (T). 对象边缘的平滑性指标即 Sh： [19] ，其 唐淑兰等： 结合多尺度分割和随机森林的变质矿物提取 · 173 ·

174 工程科学学报，第44卷，第2期 中，s为形状指数，1为对象块的边缘长度.矿物分布 3.2多尺度分割 具有丛集性，走向特征能标志矿物的分布情况.走向 本文多尺度分割流程（图5）如下： 特征选多个特征向量中，特征值较大的向量的方向 利用RF筛选特征，首先使用OOB检测某一 Single scale segmentation 棵决策树(L)的正确分类个数L(a),然后对OOB Calculate the variogram texture of each object block 中特征a进行扰动，再次检测L的正确分类个数 L(a),L(a)-L(a川为a对L的重要性，最后计算a对 Calculate the similarity of adjacent object blocks 所有决策树的重要性的平均值，即为α对整个森林 的重要性0.根据重要性排序，降低特征空间维度 No Is it similar 2.2.4精度评价 Yes 进行两次精度评价，一次通过OOB计算精度， Merging of the two regions 评价算法稳定性、并筛选树数：第二次通过野外实 地调查、采样、薄片鉴定得到矿物鉴定结果，用混 Calculate the GS value of the segmented image 淆矩阵评价矿物提取精度，分别统计制图精度 Is the extreme value reached No (Production accuracy,PA)、用户精度(User accuracy, UA)、总精度(Overall accuracy,OA)和Kappa系数 Yes Output multiscale segmentation results 3结果与分析 图5多尺度分割流程 3.1图像增强 Fig.5 Multiscale segmentation process 经过比值运算，目标矿物增强的同时其他光 (1)对目标矿物增强之后的影像进行单尺度 谱相似矿物的信息也增强了（图4）.(b12+b1o)/b11 分割.从左上角到右下角遍历影像，相邻像素灰度 同时增强了黑云母信息和中基性斜长石矿物信 距离小于0.002时合并两区域，循环遍历，直到达 息；(b+b7)b6增强了白云母及高岭土等黏土矿物 到尺度限制.分割尺度参数设为0.2，紧致度参数 信息，对伊利石、蒙脱石等亦有增强；(b6+bg)/bs+b) 设为0.5，形状参数设为0.1 增强了黑云母和角闪石信息，含绿泥石的变质岩 (2)遍历初分割之后的影像，计算各对象块的 也呈现高值特征；(b+bg)b增强了绿泥石信息，对 变差函数纹理，构造整体影像的变差函数矩阵 碳酸盐岩矿物也有较好的区分作用；b13/b12增强石 (3)遍历各对象块，计算当前对象块和相邻对 榴石信息的同时，突出了碱性长石族矿物；(b6+bg)bg 象块的纹理相似性，当两个纹理向量的卡方距离 可增强阳起石信息，也能突出黑云母、角闪石信 小于0.0003时，合并两对象块，修改矩阵标识.循 息.另外，由于不同岩性所含矿物成分百分比不 环执行，直到选定最优分割结果. 同，导致比值运算结果有较多不确定信息.但是， (4)计算每次合并之后的整体影像的GS值， 增强影像依然可为后续工作提供数据基础 记录GS值的变化趋势，输出GS值最小时的分割 结果 随着多尺度分割过程中合并次数增多，各分 割结果的GS值均呈现出最小值（图6）.黑云母、 白云母、角闪石、绿泥石、石榴石、阳起石分别经 过1次、5次、6次、4次、1次、2次合并，GS值最 小.GS值最小时的分割结果即为最优分割结 果（图7）.增强黑云母和石榴石信息时采用了ASTER 热红外波段影像，热红外波段分辨率较低，影像分 割收敛更快 3.3RF提取矿物 3.3.1样本选择 图4比值增强结果.(a)Bi:(b)Mus:(c)Am:(d)Chl:(e)Gt(f)Act Fig.4 Ratio enhancement results:(a)Bi;(b)Mus;(c)Am;(d)Chl: 根据野外调查和目视解译结果，选择目标矿 (e)Gt;(①Act 物对象作为样本集.6种矿物样本集如表3，随机

中，s 为形状指数，l 为对象块的边缘长度. 矿物分布 具有丛集性，走向特征能标志矿物的分布情况. 走向 特征选多个特征向量中，特征值较大的向量的方向. 利用 RF 筛选特征，首先使用 OOB 检测某一 棵决策树（L）的正确分类个数 L（a），然后对 OOB 中特征 a 进行扰动，再次检测 L 的正确分类个数 L（a^），|L（a^）−L（a）|为 a 对 L 的重要性，最后计算 a 对 所有决策树的重要性的平均值，即为 a 对整个森林 的重要性[20] . 根据重要性排序，降低特征空间维度. 2.2.4    精度评价 进行两次精度评价，一次通过 OOB 计算精度， 评价算法稳定性、并筛选树数；第二次通过野外实 地调查、采样、薄片鉴定得到矿物鉴定结果，用混 淆矩阵评价矿物提取精度，分别统计制图精度 （Production accuracy，PA）、用户精度（User accuracy， UA）、总精度（Overall accuracy，OA）和 Kappa 系数. 3    结果与分析 3.1    图像增强 经过比值运算，目标矿物增强的同时其他光 谱相似矿物的信息也增强了（图 4）. (b12+b10)/b11 同时增强了黑云母信息和中基性斜长石矿物信 息；(b5+b7 )/b6 增强了白云母及高岭土等黏土矿物 信息，对伊利石、蒙脱石等亦有增强；(b6+b9 )/(b8+b7 ) 增强了黑云母和角闪石信息，含绿泥石的变质岩 也呈现高值特征；(b1+b9 )/b8 增强了绿泥石信息，对 碳酸盐岩矿物也有较好的区分作用；b13/b12 增强石 榴石信息的同时，突出了碱性长石族矿物；(b6+b9 )/b8 可增强阳起石信息，也能突出黑云母、角闪石信 息. 另外，由于不同岩性所含矿物成分百分比不 同，导致比值运算结果有较多不确定信息. 但是， 增强影像依然可为后续工作提供数据基础. (a) (b) (c) (d) (e) (f) 图 4    比值增强结果. （a）Bi；（b）Mus；（c）Am；（d）Chl；（e）Gt；（f）Act Fig.4     Ratio  enhancement  results:  (a)  Bi;  (b)  Mus;  (c)  Am;  (d)  Chl; (e) Gt; (f) Act 3.2    多尺度分割 本文多尺度分割流程（图 5）如下： Calculate the variogram texture of each object block Single scale segmentation Calculate the similarity of adjacent object blocks Is it similar Is the extreme value reached Output multiscale segmentation results No No Yes Yes Merging of the two regions Calculate the GS value of the segmented image 图 5    多尺度分割流程 Fig.5    Multiscale segmentation process （1）对目标矿物增强之后的影像进行单尺度 分割. 从左上角到右下角遍历影像，相邻像素灰度 距离小于 0.002 时合并两区域，循环遍历，直到达 到尺度限制. 分割尺度参数设为 0.2，紧致度参数 设为 0.5，形状参数设为 0.1. （2）遍历初分割之后的影像，计算各对象块的 变差函数纹理，构造整体影像的变差函数矩阵. （3）遍历各对象块，计算当前对象块和相邻对 象块的纹理相似性，当两个纹理向量的卡方距离 小于 0.0003 时，合并两对象块，修改矩阵标识. 循 环执行，直到选定最优分割结果. （4）计算每次合并之后的整体影像的 GS 值 ， 记录 GS 值的变化趋势，输出 GS 值最小时的分割 结果. 随着多尺度分割过程中合并次数增多，各分 割结果的 GS 值均呈现出最小值（图 6）. 黑云母、 白云母、角闪石、绿泥石、石榴石、阳起石分别经 过 1 次、5 次、6 次、4 次、1 次、2 次合并，GS 值最 小 . GS 值最小时的分割结果即为最优分割结 果（图 7）. 增强黑云母和石榴石信息时采用了 ASTER 热红外波段影像，热红外波段分辨率较低，影像分 割收敛更快[21] . 3.3    RF 提取矿物 3.3.1    样本选择 根据野外调查和目视解译结果，选择目标矿 物对象作为样本集. 6 种矿物样本集如表 3，随机 · 174 · 工程科学学报，第 44 卷，第 2 期

唐淑兰等：结合多尺度分割和随机森林的变质矿物提取 175 0.80 ☒Ist merger□2 nd merger 100时不同特征个数的提取精度，相比于采用9个 0.75 4th merger 特征，采用3个特征的各矿物提取精度分别提高 0.70 5th merger 6th merger 了4.3543%、2.4350%、4.6721%、3.8256%、4.9135% 6 及1.6645%. 经综合判断，最终选择Sp、Va2、及Ar 0.55 3个特征量提取矿物 0.50 0.10 0.45 0.09 ▣Bi Chl ☑Mus 3 Gt 0.40 sAm日Act Bi Mus Am Chl t Act Minera 0.06 图6GS值变化趋势 Fig.6 Change trend of GS values 0.03 0.02 h 0.01 Sp Va2 Ar De Val Va3 Va4 Sh Features 图8特征重要程度排名 Fig.8 Ranking of feature importance (e) ( 表4不同特征数量矿物提取精度 Table 4 Extraction precision of minerals with different characteristic numbers Extraction precision/% Features Bi Mus Am Chl Gt Act 图7多尺度分割结果.(a)Bi:(b)Mus:(c)Am:(d)Ch:(e)Gt(f)Act 1 80.004175.121272.375566.005264.656460.0027 Fig.7 Multiscale segmentation results:(a)Bi;(b)Mus;(c)Am;(d)Chl; 82.342176.234275.113767.231165.003360.0456 (e)Gt;(f)Act 3 83.030276.780276.023267.612167.9111 60.0101 选择每一样本集的2/3样本数进行分类，13进行 83.001276.876775.354567.568965.588960.01 精度验证.因角闪石分布较为分散，覆盖面积大， 5 82.463276.206975.118266.7865 65.342160.0043 选择的样本最多：而石榴石和阳起石只有少量出 6 81.879576.195174.114766.001165.00159.9876 现，选择的样本较少 7 80.78976.002273.243365.504564.776859.3425 表3矿物样本数 79.657475.546772.138964.867564.334559.0001 Table 3 Mineral samples 9 78.675974.345271.351163.786562.997658.3456 Bi Mus Am Chl Gt Act 3.3.3决策树个数选择 1577 1348 1945 1403 912 832 为每个训练集构建验证树（从50到500，步长 3.3.2特征选择 为50).通过OOB进行精度验证，各矿物提取精度 通过OOB检测误差率，进行特征的重要程度 最高时，对应的树数都不同（图9）.黑云母、白云 归一化排名（图8）.由于比值运算增强了各矿物的 母、角闪石、绿泥石、石榴石、阳起石精度最高为 光谱特征，光谱特征的重要程度最高；变差函数统 0.8404、0.7914、0.7634、0.6836、0.6791、0.6165,精 计了地质体空间相关性，研究区在45°方向的区域 度最高时对应的数的棵树分别为350、300、50、 化变量的相关性最强；岩石由多个矿物组分，岩性 200、100、50.树数对矿物提取精度的影响在可控 分布多为条带状或块状分布，面积大小较大程度 范围之内，从50棵到500棵引起的精度变化最大 影响分类结果.随着特征维数的增加，计算效率降 的是石榴石，精度变化幅度为0.0471，最小的是阳 低.树数不同时，按照重要程度排名选择不同特征 起石，变化幅度为0.0177 个数进行分类，各结果表明随着特征个数增加提 3.3.4矿物提取结果 取精度先增大后变小，综合看3个特征量时矿物 变质矿物提取结果（图10）主要分布在晚太古 提取精度最高，如表4所示.表4显示了树数为 代变质地层中，与实际地质情况吻合，受多期次区

选择每一样本集的 2/3 样本数进行分类，1/3 进行 精度验证. 因角闪石分布较为分散，覆盖面积大， 选择的样本最多；而石榴石和阳起石只有少量出 现，选择的样本较少. 表 3 矿物样本数 Table 3   Mineral samples Bi Mus Am Chl Gt Act 1577 1348 1945 1403 912 832 3.3.2    特征选择 通过 OOB 检测误差率，进行特征的重要程度 归一化排名（图 8）. 由于比值运算增强了各矿物的 光谱特征，光谱特征的重要程度最高；变差函数统 计了地质体空间相关性，研究区在 45°方向的区域 化变量的相关性最强；岩石由多个矿物组分，岩性 分布多为条带状或块状分布，面积大小较大程度 影响分类结果. 随着特征维数的增加，计算效率降 低. 树数不同时，按照重要程度排名选择不同特征 个数进行分类，各结果表明随着特征个数增加提 取精度先增大后变小，综合看 3 个特征量时矿物 提取精度最高，如表 4 所示. 表 4 显示了树数为 100 时不同特征个数的提取精度，相比于采用 9 个 特征，采用 3 个特征的各矿物提取精度分别提高 了 4.3543%、2.4350%、4.6721%、3.8256%、4.9135% 及 1.6645%. 经综合判断，最终选择 Sp、Va2、及 Ar 3 个特征量提取矿物. 0.10 0.09 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 0 Extraction accuracy Sp Va2 Va1 Features Va3 Va4 Sh Tr Bi Mus Am Chl Gt Act Ar De 图 8    特征重要程度排名 Fig.8    Ranking of feature importance 表 4 不同特征数量矿物提取精度 Table  4    Extraction  precision  of  minerals  with  different  characteristic numbers Features Extraction precision/% Bi Mus Am Chl Gt Act 1 80.0041 75.1212 72.3755 66.0052 64.6564 60.0027 2 82.3421 76.2342 75.1137 67.2311 65.0033 60.0456 3 83.0302 76.7802 76.0232 67.6121 67.9111 60.0101 4 83.0012 76.8767 75.3545 67.5689 65.5889 60.01 5 82.4632 76.2069 75.1182 66.7865 65.3421 60.0043 6 81.8795 76.1951 74.1147 66.0011 65.001 59.9876 7 80.789 76.0022 73.2433 65.5045 64.7768 59.3425 8 79.6574 75.5467 72.1389 64.8675 64.3345 59.0001 9 78.6759 74.3452 71.3511 63.7865 62.9976 58.3456 3.3.3    决策树个数选择 为每个训练集构建验证树（从 50 到 500，步长 为 50）. 通过 OOB 进行精度验证，各矿物提取精度 最高时，对应的树数都不同（图 9）. 黑云母、白云 母、角闪石、绿泥石、石榴石、阳起石精度最高为 0.8404、0.7914、0.7634、0.6836、0.6791、0.6165，精 度最高时对应的数的棵树分别为 350、 300、 50、 200、100、50. 树数对矿物提取精度的影响在可控 范围之内，从 50 棵到 500 棵引起的精度变化最大 的是石榴石，精度变化幅度为 0.0471，最小的是阳 起石，变化幅度为 0.0177. 3.3.4    矿物提取结果 变质矿物提取结果（图 10）主要分布在晚太古 代变质地层中，与实际地质情况吻合. 受多期次区 0.80 0.75 0.70 0.65 0.60 GS value 0.55 0.50 0.45 0.40 Bi Mus Am Chl Mineral Gt Act 1st merger 2nd merger 3rd merger 4th merger 5th merger 6th merger 图 6    GS 值变化趋势 Fig.6    Change trend of GS values (a) (b) (c) (d) (e) (f) 图 7    多尺度分割结果. （a）Bi；（b）Mus；（c）Am；（d）Chl；（e）Gt；（f）Act Fig.7    Multiscale segmentation results: (a) Bi; (b) Mus; (c) Am; (d) Chl; (e) Gt; (f) Act 唐淑兰等： 结合多尺度分割和随机森林的变质矿物提取 · 175 ·

176 工程科学学报，第44卷.第2期 0.90 -Bi Mus -Am -o-Chl Gt--Act 鉴定等步骤，对本文的矿物信息提取结果进行精 0.85 度评价.由于野外勘查条件限制，实际采样点未能 0.80 均匀分布在矿物显现区，根据岩性分布情况进行 0.75 了补充采样.部分样品薄片鉴定结果如表5和 00 图11. 通过野外实测生成测试集，评价模型的泛化 0.60 能力.精度评价结果（表6）显示，提取精度较高的 0.55 50100150200250300350400450500 为黑云母、白云母、角闪石，较低的为绿泥石、石 Number of decision trees 榴石、阳起石.黑云母在黑云母大理岩及黑云斜 图9决策树个数选择 长片麻岩中质量分数最高可达20%，且分布较广， Fig.9 Number selection of decision trees 实际采样点多覆盖在这些岩性上，总体精度为 域构造和热液活动的改造，该区域是变质矿物集 85.4088%、Kappa为0.7779.白云母在石榴石白云 中分布区，也是矿化蚀变集中分布区域，发育绿帘 母斜长片麻岩及二云石英片岩中质量分数最高可 石化、绿泥石化、阳起石、碳酸盐化、矽卡岩化及 达30%，二云斜长片麻岩中质量分数也达到了 绢云母化.结果显示，黑云母主要分布在西北部和 10%,提取精度为84.7640、Kappa为0.7833.角闪 西南部的晚太古代变质地层中，相关岩性有：黑云 石在斜长角闪岩中质量分数最高可达到75%，斜 斜长片麻岩、二云斜长片麻岩、二云二长片麻岩、斜 长角闪片麻岩中质量分数最高可达到55%.矿物 长角闪岩、二云石英片岩和黑云母大理岩等.白 特征较为鲜明，提取精度为85.7308、Kappa为 云母主要分布在晚太古代变质岩区，少量出现在 0.7748.绿泥石在绿泥石英千枚岩、含绢云母石英 二叠纪花岗岩区，相关岩性有：石榴石白云母斜长 岩、斜长角闪岩和斜长角闪片麻岩等岩性中均有 片麻岩、二云斜长片麻岩、二云石英片岩、二云石 体现，但质量分数一般不超过15%（仅在极少量的 英片岩和含白云母石英岩等.角闪石主要分布在 钠长绿泥石英千枚岩中质量分数达到了48%)，因 晚太古代斜长角闪岩和斜长角闪片麻岩区域，少 此，容易被其他高含量矿物干扰，提取精度为 量在蓟县纪大理岩区.绿泥石矿物信息主要在晚 70.6933、Kappa为0.5938.石榴石在石榴石黑云斜 太古代钠长绿帘绿泥片岩和黑云斜长片麻岩中， 长片麻岩中质量分数为5%、在石榴石白云母斜长 少量出现在长城纪绿泥石千枚岩和二叠纪的钠长 片麻岩中质量分数为3%，在其他岩性中均未出 绿泥石英千枚岩中.石榴石矿物只出现在西北部 现，所以提取时样本训练程度不足导致它的总体 的晚太古代地层中，主要赋存于石榴石白云母斜 精度仅为65.5992、Kappa为0.5462.阳起石仅在蛇 长片麻岩和石榴黑云斜长片麻岩中.阳起石仅在 纹透辉白云质大理岩中出现了5%，提取精度为 蓟县纪蛇纹透辉白云质大理岩中有零星分布 66.7509、Kappa为0.5560. 测试样本的拟合决定系数2被用来评价模型 的预测准确性四各采样点实测值和预测值对比， Bi、Mus、Am及Chl的R2分别为0.971、0.962、0.966 及0.965，预测值与实测值基本吻合：Gt及Act的 R2分别为0.935及0.932，拟合效果不佳，但是由于 在研究区石榴石和阳起石分布非常少，所以提取 结果依然具备实用价值 3.5与其他方法提取精度对比 将本文方法与比值+阈值分割法、比值+SVM 法提取的总体精度进行对比（表7）.各方法采用 图10矿物提取结果.(a)Bi:(b)Mus:(c)Am:(d)Chl:(e)Gt(f)Act 的比值运算公式一致，Bi、Mus、Am、Chl、Gt及 Fig.10 Mineral extraction results:(a)Bi;(b)Mus;(c)Am;(d)Chl; Act的分割阈值分别为：1.4、3.1773、1.1406、3.01、 (e)Gt;and (f)Act 1.405及225.采用SVM分类时的样本及特征与 3.4野外调查精度评价 本文方法一致，核函数选择径向基函数(Radial 通过42个点的野外调查、采样和实验室薄片 basis function,.RBF),参数c分别取测试错误率最

域构造和热液活动的改造，该区域是变质矿物集 中分布区，也是矿化蚀变集中分布区域，发育绿帘 石化、绿泥石化、阳起石、碳酸盐化、矽卡岩化及 绢云母化. 结果显示，黑云母主要分布在西北部和 西南部的晚太古代变质地层中，相关岩性有：黑云 斜长片麻岩、二云斜长片麻岩、二云二长片麻岩、斜 长角闪岩、二云石英片岩和黑云母大理岩等. 白 云母主要分布在晚太古代变质岩区，少量出现在 二叠纪花岗岩区，相关岩性有：石榴石白云母斜长 片麻岩、二云斜长片麻岩、二云石英片岩、二云石 英片岩和含白云母石英岩等. 角闪石主要分布在 晚太古代斜长角闪岩和斜长角闪片麻岩区域，少 量在蓟县纪大理岩区. 绿泥石矿物信息主要在晚 太古代钠长绿帘绿泥片岩和黑云斜长片麻岩中， 少量出现在长城纪绿泥石千枚岩和二叠纪的钠长 绿泥石英千枚岩中. 石榴石矿物只出现在西北部 的晚太古代地层中，主要赋存于石榴石白云母斜 长片麻岩和石榴黑云斜长片麻岩中. 阳起石仅在 蓟县纪蛇纹透辉白云质大理岩中有零星分布. (a) (b) (c) (d) (e) (f) 图 10    矿物提取结果. （a）Bi；（b）Mus；（c）Am；（d）Chl；（e）Gt；（f）Act Fig.10     Mineral  extraction  results:  (a)  Bi;  (b)  Mus;  (c)  Am;  (d)  Chl; (e) Gt; and (f) Act 3.4    野外调查精度评价 通过 42 个点的野外调查、采样和实验室薄片 鉴定等步骤，对本文的矿物信息提取结果进行精 度评价. 由于野外勘查条件限制，实际采样点未能 均匀分布在矿物显现区，根据岩性分布情况进行 了补充采样. 部分样品薄片鉴定结果如表 5 和 图 11. 通过野外实测生成测试集，评价模型的泛化 能力. 精度评价结果（表 6）显示，提取精度较高的 为黑云母、白云母、角闪石，较低的为绿泥石、石 榴石、阳起石. 黑云母在黑云母大理岩及黑云斜 长片麻岩中质量分数最高可达 20%，且分布较广， 实际采样点多覆盖在这些岩性上 ，总体精度为 85.4088%、Kappa 为 0.7779. 白云母在石榴石白云 母斜长片麻岩及二云石英片岩中质量分数最高可 达 30%，二云斜长片麻岩中质量分数也达到 了 10%，提取精度为 84.7640、Kappa 为 0.7833. 角闪 石在斜长角闪岩中质量分数最高可达到 75%，斜 长角闪片麻岩中质量分数最高可达到 55%，矿物 特 征 较 为 鲜 明 ， 提 取 精 度 为 85.7308、 Kappa 为 0.7748. 绿泥石在绿泥石英千枚岩、含绢云母石英 岩、斜长角闪岩和斜长角闪片麻岩等岩性中均有 体现，但质量分数一般不超过 15%（仅在极少量的 钠长绿泥石英千枚岩中质量分数达到了 48%），因 此 ，容易被其他高含量矿物干扰 ，提取精度 为 70.6933、Kappa 为 0.5938. 石榴石在石榴石黑云斜 长片麻岩中质量分数为 5%、在石榴石白云母斜长 片麻岩中质量分数为 3%，在其他岩性中均未出 现，所以提取时样本训练程度不足导致它的总体 精度仅为 65.5992、Kappa 为 0.5462. 阳起石仅在蛇 纹透辉白云质大理岩中出现了 5%，提取精度为 66.7509、Kappa 为 0.5560. 测试样本的拟合决定系数 R 2 被用来评价模型 的预测准确性[22] . 各采样点实测值和预测值对比， Bi、Mus、Am 及 Chl 的 R 2 分别为 0.971、0.962、0.966 及 0.965，预测值与实测值基本吻合；Gt 及 Act 的 R 2 分别为 0.935 及 0.932，拟合效果不佳，但是由于 在研究区石榴石和阳起石分布非常少，所以提取 结果依然具备实用价值. 3.5    与其他方法提取精度对比 σ 将本文方法与比值+阈值分割法、比值+SVM 法提取的总体精度进行对比（表 7）. 各方法采用 的比值运算公式一致 ，Bi、 Mus、 Am、 Chl、 Gt 及 Act 的分割阈值分别为：1.4、3.1773、1.1406、3.01、 1.405 及 2.25. 采用 SVM 分类时的样本及特征与 本文方法一致 ，核函数选择径向基函数 (Radial basis function，RBF)，参数 分别取测试错误率最 0.80 0.75 Extraction accuracy 0.90 0.85 0.70 0.65 0.60 0.55 50 100 150 200 250 Number of decision trees 300 350 400 450 500 Bi Mus Am Chl Gt Act 图 9    决策树个数选择 Fig.9    Number selection of decision trees · 176 · 工程科学学报，第 44 卷，第 2 期

唐淑兰等：结合多尺度分割和随机森林的变质矿物提取 177· 表5部分样品薄片鉴定结果 Table 5 Identification results of some sample slices Sample Sampling location number Lithology Mineral composition Longitude Latitude D0158 9632'13.1m 415941.4" Quartz 48%.Feldspar 25%.Chlorite 12%.Epidote 8% Albite epidote chlorite schist Biotite 3%.Sphene 3% Amphibole 75%.Plagioclase 15%.Quartz 5%.Carbonate minerals 4%. D0126 9632'53.1 415920.4" Plagioclase amphibolite Opaque minerals 1% D0123 9632'56.6m 415919.5" Garet muscovite plagioclase gneiss Muscovite 30%,Feldspar 62%,Quartz 5%,Garnet 3% D0121 9632'57.6m 41°5919.3" Biotite plagioclase gneiss Quartz 45%.Plagioclase 33%.Biotite 20%.Amphibole 2% Quartz 28%,Plagioclase 25%.Biotite 25%.Chlorite 15% D0117 96338.2" 41°5917.8" Biotite plagioclase gneiss K-feldspar 5%,Opaque minerals 2% D0107 Quartz 42%,Feldspar 34%,Biotite 12%.Amphibole 8%.Carbonate 963316.8 41°597.5" Tonalite minerals 2%.Sericite 2% D0105 41°594" Quartz 50%.Feldspar 31%.Biotite 10%,Garnet 5% 96°3316.6" Gamnet biotite plagioclase gneiss Opaque minerals 3%.Apatite 1% D0103 9633'16.3 4159'3" Garnet biotite plagioclase gneiss Quartz 40%.Plagioclase 30%.K-feldspar 7%.Biotite 12%.Garnet 3% D1125 9631'36.8" 41°5724.3" Serpentine diopside dolomitic marble Calcite %Diopside %Serpentine 14%.Actinolite5% D0901 96°40'47.7m 415539.2" Albite chlorite quartz phyllite Quartz 32%.Plagioclase 16%.Chlorite 48%.Epidote 4%.Sphene D0420 963435.6 415236.5" Plagioclase amphibolite Plagioclase 55%,Amphibole 30%,Quartz 10%,Biotite 3%.Epidote 2% D0426 9634'34.5m 41°5229" Mica quartz schist Quartz 50%.Muscovite 30%,Biotite 20% D0450 963414.9 41°5138.6 Plagioclase hornblende gneiss Plagioclase 35%.Amphibole 55%.Epidote 5%.Quartz 5% D1007 K-feldspar 30%,Plagioclase 25%.Quartz 27% 96°30'44.9m 41°50'45.1" Mica monzonite gneiss Biotite 14%,Muscovite 4% D0055 9633'49" 41°506.3" Biotite plagioclase gneiss Plagioclase 38%.Quartz 35%.Biotite 20%.Muscovite 3%.Chlorite 4 D0113 963419.3" 415146" Amphibole 45%.Albite 37%.Microcline 10%.Quartz 5%.Pyroxene Plagioclase hornblende gneiss 2%.Opaque minerals 1% (b) (cj 200m 200μm 200m 200μm Q-Quartz;Pl-Plagioclase:Kf-K-feldspar:Ser-Sericite;Am- -Amphibole;Bi-Biotite;Di-Diopside;Act-Actinolite:Serp-Serpentine. Co-Carbonate minerals;Mus-Muscovite:Gt-Garet;Chl-Chlorite;Ep-Epidote 图11部分样品显微照片.(a)云母石英片岩：(b)石榴石白云母斜长片麻岩：(c)蛇纹石透辉石白云质大理岩：(d)钠长石绿泥石石英千枚岩 Fig.11 Micrograph of some samples:(a)mica quartz schist;(b)garnet muscovite plagioclase gneiss,(c)serpentine diopside dolomitic marble(d)albite chlorite quartz phyllite 表6精度评价 小的14、11、13、19、8及12，C统一取值为9.黑 Table 6 Accuracy evaluation 云母、角闪石及绿泥石出露较多且较为集中，经多 Mineral PA/% UA/% OA/% 尺度分割之后精度提高幅度较大，本文方法比比 Kappa 值+阈值分割法分别提高了8.0542%、8.7624%及 Bi 80.95 78.64 85.4088 0.7779 Mus 83.35 75.60 84.7640 0.7833 6.0339%:比比值+SVM法分别提高了4.2747%、 Am 79.74 77.55 4.6306%及4.2401%.而白云母、石榴石、阳起石出 85.7308 0.7748 露较少，精度提高幅度不大，本文方法比比值+阈 Chl 68.74 63.76 70.6933 0.5938 值分割法分别提高了3.481%、3.757%及3.9662%： Gt 58.42 58.43 65.5992 0.5462 比比值+SVM法分别提高了1.777%、2.4106%及 Act 59.61 64.41 66.7509 0.5560 2.5158%

小的 14、11、13、19、8 及 12，C 统一取值为 9. 黑 云母、角闪石及绿泥石出露较多且较为集中，经多 尺度分割之后精度提高幅度较大，本文方法比比 值+阈值分割法分别提高了 8.0542%、8.7624% 及 6.0339%； 比 比 值 +SVM 法 分 别 提 高 了 4.2747%、 4.6306% 及 4.2401%. 而白云母、石榴石、阳起石出 露较少，精度提高幅度不大，本文方法比比值+阈 值分割法分别提高了 3.481%、3.757% 及 3.9662%； 比比值+SVM 法分别提高了 1.777%、 2.4106% 及 2.5158%. Q Kf Bi Am Gt Mus Act Di Cc Kf Q Ep Chl Pl Ser 200 μm 200 μm 200 μm 200 μm (a) (b) (c) (d) Serp Q—Quartz；Pl—Plagioclase；Kf—K-feldspar；Ser—Sericite；Am—Amphibole；Bi—Biotite；Di—Diopside；Act—Actinolite；Serp—Serpentine， Cc—Carbonate minerals；Mus—Muscovite；Gt—Garnet；Chl—Chlorite；Ep—Epidote 图 11    部分样品显微照片. （a）云母石英片岩；（b）石榴石白云母斜长片麻岩；（c）蛇纹石透辉石白云质大理岩；（d）钠长石绿泥石石英千枚岩 Fig.11    Micrograph of some samples: (a) mica quartz schist; (b) garnet muscovite plagioclase gneiss; (c) serpentine diopside dolomitic marble; (d) albite chlorite quartz phyllite 表 5 部分样品薄片鉴定结果 Table 5 Identification results of some sample slices Sample number Sampling location Lithology Mineral composition Longitude Latitude D0158 96°32′13.1″ 41°59′41.4″ Albite epidote chlorite schist Quartz 48%，Feldspar 25%，Chlorite 12%，Epidote 8%， Biotite 3%，Sphene 3% D0126 96°32′53.1″ 41°59′20.4″ Plagioclase amphibolite Amphibole 75%，Plagioclase 15%，Quartz 5%，Carbonate minerals 4%， Opaque minerals 1% D0123 96°32′56.6″ 41°59′19.5″ Garnet muscovite plagioclase gneiss Muscovite 30%，Feldspar 62%，Quartz 5%，Garnet 3% D0121 96°32′57.6″ 41°59′19.3″ Biotite plagioclase gneiss Quartz 45%，Plagioclase 33%，Biotite 20%，Amphibole 2% D0117 96°33′8.2″ 41°59′17.8″ Biotite plagioclase gneiss Quartz 28%，Plagioclase 25%，Biotite 25%，Chlorite 15%， K-feldspar 5%，Opaque minerals 2% D0107 96°33′16.8″ 41°59′7.5″ Tonalite Quartz 42%，Feldspar 34%，Biotite 12%，Amphibole 8%，Carbonate minerals 2%，Sericite 2% D0105 96°33′16.6″ 41°59′4″ Garnet biotite plagioclase gneiss Quartz 50%，Feldspar 31%，Biotite 10%，Garnet 5%， Opaque minerals 3%，Apatite 1% D0103 96°33′16.3″ 41°59′3″ Garnet biotite plagioclase gneiss Quartz 40%，Plagioclase 30%，K-feldspar 7%，Biotite 12%，Garnet 3% D1125 96°31′36.8″ 41°57′24.3″ Serpentine diopside dolomitic marble Calcite 49%，Diopside 32%，Serpentine 14%，Actinolite 5% D0901 96°40′47.7″ 41°55′39.2″ Albite chlorite quartz phyllite Quartz 32%，Plagioclase 16%，Chlorite 48%，Epidote 4%，Sphene D0420 96°34′35.6″ 41°52′36.5″ Plagioclase amphibolite Plagioclase 55%，Amphibole 30%，Quartz 10%，Biotite 3%，Epidote 2% D0426 96°34′34.5″ 41°52′29″ Mica quartz schist Quartz 50%，Muscovite 30%，Biotite 20% D0450 96°34′14.9″ 41°51′38.6″ Plagioclase hornblende gneiss Plagioclase 35%，Amphibole 55%，Epidote 5%，Quartz 5% D1007 96°30′44.9″ 41°50′45.1″ Mica monzonite gneiss K-feldspar 30%，Plagioclase 25%，Quartz 27%， Biotite 14%，Muscovite 4% D0055 96°33′49″ 41°50′6.3″ Biotite plagioclase gneiss Plagioclase 38%，Quartz 35%，Biotite 20%，Muscovite 3%，Chlorite 4% D0113 96°34′19.3″ 41°51′46″ Plagioclase hornblende gneiss Amphibole 45%，Albite 37%，Microcline 10%，Quartz 5%，Pyroxene 2%，Opaque minerals 1% 表 6    精度评价 Table 6    Accuracy evaluation Mineral PA/% UA/% OA/% Kappa Bi 80.95 78.64 85.4088 0.7779 Mus 83.35 75.60 84.7640 0.7833 Am 79.74 77.55 85.7308 0.7748 Chl 68.74 63.76 70.6933 0.5938 Gt 58.42 58.43 65.5992 0.5462 Act 59.61 64.41 66.7509 0.5560 唐淑兰等： 结合多尺度分割和随机森林的变质矿物提取 · 177 ·

·178 工程科学学报，第44卷.第2期 表7本文方法与其他方法提取精度对比 during the Mesoproterozoic Namaqua Orogeny.Precambrian Res, Table 7 Comparison of extraction accuracy between the present method 2013,224:629 and other methods [2]Xie M H,Zhang Q.Chen S B.et al.Extraction of alteration Extraction accuracy/% anomaly information by feature-based principal component Mineral Ratio threshold Method of analysis from ASTER data.Editorial Commite Earth SciJChina Ratio +SVM segmentation this paper Univ Geosci,.2015,40(8):1381 Bi 77.3546 81.1341 85.4088 (谢明辉，张奇，陈圣波，等.基于特征导向主成分分析遥感蚀变 Mus 81.2830 82.9870 84.7640 异常提取方法.地球科学一中国地质大学学报，2015,40(8)： Am 76.9684 81.1002 85.7308 1381) Chl 64.6594 66.4532 70.6933 [3] Zadeh M H,Tangestani M H,Roldan F V,et al.Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Gt 61.8422 63.1886 65.5992 Space Res,2014,53(3):440 Act 62.7847 64.2351 66.7509 [4]Wu Z C,Ye F W,Guo F S,et al.A review on application of techniques of principle component analysis on extracting alteration 4结论 information of remote sensing.J Geo-Inf Sci,2018,20(11):1644 (吴志春，叶发旺，郭福生，等.主成分分析技术在遥感蚀变信息 根据变质矿物的特征性光谱特征进行比值运 提取中的应用研究综述.地球信息科学学报，2018,20(11)： 算增强ASTER影像，并基于光谱特征和变差函数 1644) 纹理进行多尺度分割，然后，通过RF提取变质矿 [5] Liu Y Z,Lai H R,Zhang D W,et al.Change detection of high resolution remote sensing image alteration based on multi-feature 物信息，最后经过野外验证进行精度评价.结果表 mixed kernel SVM model.Remote Sens Land Resour,2019, 明，黑云母、白云母、角闪石等在ASTER影像上 31(1):16 具有鉴定性特征，提取精度可分别达到85.4088%、 (刘义志，赖华荣，张丁旺，等.多特征混合核SVM模型的遥感 84.7640%、85.7308%;而绿泥石、石榴石、阳起石 影像变化检测.国土资源遥感，2019,31(1)：16) 作为次要矿物，鉴定时被主要造岩矿物干扰，提取 [6] He Z H,He BB.Weight spectral angle mapper(WSAM)method 精度达到60%以上 for hyperspectral mineral mapping.Spectrosc Spectr Anal,2011, 基于野外调查和ASTER影像处理进行变质矿 31(8):2200 (何中海，何彬彬.基于权重光谱角制图的高光谱矿物填图方法 物的提取可有效提高变质岩野外调查效率和精 光谱学与光谱分析，2011,31(8)：2200) 度.本文方法可较为准确的鉴定ASTER的变质矿 [7] Kaur S,Bansal R K,Mittal M,et al.Mixed pixel decomposition 物：可为其他遥感影像提取矿物提供借鉴：也可作 based on extended fuzzy clustering for single spectral value remote 为辅助地质调查的有效手段.与其他类似研究相 sensing images.J Indian Soc Remote Sens,2019,47(3):427 比，基于变差函数的多尺度分割能增强形态特征 [8] Feng W Q,Sui H G,Tu J H,et al.Change detection method for 对矿物信息的区分能力；RF对训练数据的统计假 high resolution remote sensing images using random forest.Acta 设少、对矿物混合导致的噪声不敏感、分类变异 Geodaet Cartograph Sin,2017,46(11):1880 性低，对多种矿物组成的岩性具有较强的分析 (冯文卿，眭海刚，涂继辉，等.高分辨率遥感影像的随机森林变 化检测方法.测绘学报，2017,46(11)：1880) 能力 [9] Booysen R,Zimmermann R,Lorenz S,et al.Towards multiscale 下一步研究方向：①比值运算增强目标矿物 and multisource remote sensing mineral exploration using RPAS:a 的同时也增强了其他具有相似光谱特征的矿物， case study in the Lofdal carbonatite-hosted REE deposit,Namibia. 导致误分类，可通过原始岩性进行增强约束：②多 Remote Sens,2019,11(21):2500 尺度分割对对象内部的同质性要求较高，然而实 [10]Cid Y D,Muller H,Platon A,et al.3D solid texture classification 际像元为多种矿物的混合，过分割现象较多，可通 using locally-oriented wavelet transforms.IEEE Trans Image 过解混像元突出主要信息；③RF的分类精度取决 Process,2017,26(4):1899 于树的棵树，可通过寻优算法代替人工判定树的 [11]Wang M,Zhang X C,Wang J Y,et al.Forest resource classification based on random forest and object oriented method. 棵树 Acta Geodaet Cartograph Sin,2020,49(2):235 (王猛，张新长，王家耀，等.结合随机森林面向对象的森林资源 参考文献 分类.测绘学报，2020,49(2)：235) [1]Diener J F A.White R W.Link K,et al.Clockwise,low-P [12]You Y F,Wang S Y,Wang B,et al.Study on hierarchical building metamorphism of the Aus granulite terrain,southern Namibia, extraction from high resolution remote sensing imagery.Remote

表 7 本文方法与其他方法提取精度对比 Table 7   Comparison of extraction accuracy between the present method and other methods Mineral Extraction accuracy/% Ratio + threshold segmentation Ratio +SVM Method of this paper Bi 77.3546 81.1341 85.4088 Mus 81.2830 82.9870 84.7640 Am 76.9684 81.1002 85.7308 Chl 64.6594 66.4532 70.6933 Gt 61.8422 63.1886 65.5992 Act 62.7847 64.2351 66.7509 4    结论 根据变质矿物的特征性光谱特征进行比值运 算增强 ASTER 影像，并基于光谱特征和变差函数 纹理进行多尺度分割，然后，通过 RF 提取变质矿 物信息，最后经过野外验证进行精度评价. 结果表 明，黑云母、白云母、角闪石等在 ASTER 影像上 具有鉴定性特征，提取精度可分别达到 85.4088%、 84.7640%、85.7308%；而绿泥石、石榴石、阳起石 作为次要矿物，鉴定时被主要造岩矿物干扰，提取 精度达到 60% 以上. 基于野外调查和 ASTER 影像处理进行变质矿 物的提取可有效提高变质岩野外调查效率和精 度. 本文方法可较为准确的鉴定 ASTER 的变质矿 物；可为其他遥感影像提取矿物提供借鉴；也可作 为辅助地质调查的有效手段. 与其他类似研究相 比，基于变差函数的多尺度分割能增强形态特征 对矿物信息的区分能力；RF 对训练数据的统计假 设少、对矿物混合导致的噪声不敏感、分类变异 性低，对多种矿物组成的岩性具有较强的分析 能力. 下一步研究方向：①比值运算增强目标矿物 的同时也增强了其他具有相似光谱特征的矿物， 导致误分类，可通过原始岩性进行增强约束；②多 尺度分割对对象内部的同质性要求较高，然而实 际像元为多种矿物的混合，过分割现象较多，可通 过解混像元突出主要信息；③RF 的分类精度取决 于树的棵树，可通过寻优算法代替人工判定树的 棵树. 参    考    文    献 Diener  J  F  A,  White  R  W,  Link  K,  et  al.  Clockwise,  low-P metamorphism  of  the  Aus  qranulite  terrain,  southern  Namibia, [1] during the Mesoproterozoic Namaqua Oroqeny. Precambrian Res, 2013, 224: 629 Xie  M  H,  Zhang  Q,  Chen  S  B,  et  al.  Extraction  of  alteration anomaly  information  by  feature-based  principal  component analysis from ASTER data. Editorial Committe Earth Sci J China Univ Geosci, 2015, 40（8）: 1381 （谢明辉, 张奇, 陈圣波, 等. 基于特征导向主成分分析遥感蚀变 异常提取方法. 地球科学—中国地质大学学报, 2015, 40（8）： 1381） [2] Zadeh M H, Tangestani M H, Roldan F V, et al. Sub-pixel mineral mapping of a porphyry copper belt using EO-1 Hyperion data. Adv Space Res, 2014, 53（3）: 440 [3] Wu  Z  C,  Ye  F  W,  Guo  F  S,  et  al.  A  review  on  application  of techniques of principle component analysis on extracting alteration information of remote sensing. J Geo-Inf Sci, 2018, 20（11）: 1644 （吴志春, 叶发旺, 郭福生, 等. 主成分分析技术在遥感蚀变信息 提取中的应用研究综述. 地球信息科学学报, 2018, 20（11）： 1644） [4] Liu  Y  Z,  Lai  H  R,  Zhang  D  W,  et  al.  Change  detection  of  high resolution remote sensing image alteration based on multi-feature mixed  kernel  SVM  model. Remote Sens Land Resour,  2019, 31（1）: 16 （刘义志, 赖华荣, 张丁旺, 等. 多特征混合核 SVM 模型的遥感 影像变化检测. 国土资源遥感, 2019, 31（1）：16） [5] He Z H, He B B. Weight spectral angle mapper (WSAM) method for  hyperspectral  mineral  mapping. Spectrosc Spectr Anal,  2011, 31（8）: 2200 （何中海, 何彬彬. 基于权重光谱角制图的高光谱矿物填图方法. 光谱学与光谱分析, 2011, 31（8）：2200） [6] Kaur S, Bansal R K, Mittal M, et al. Mixed pixel decomposition based on extended fuzzy clustering for single spectral value remote sensing images. J Indian Soc Remote Sens, 2019, 47（3）: 427 [7] Feng W Q, Sui H G, Tu J H, et al. Change detection method for high  resolution  remote  sensing  images  using  random  forest. Acta Geodaet Cartograph Sin, 2017, 46（11）: 1880 （冯文卿, 眭海刚, 涂继辉, 等. 高分辨率遥感影像的随机森林变 化检测方法. 测绘学报, 2017, 46（11）：1880） [8] Booysen R, Zimmermann R, Lorenz S, et al. Towards multiscale and multisource remote sensing mineral exploration using RPAS: a case study in the Lofdal carbonatite-hosted REE deposit, Namibia. Remote Sens, 2019, 11（21）: 2500 [9] Cid Y D, Muller H, Platon A, et al. 3D solid texture classification using  locally-oriented  wavelet  transforms. IEEE Trans Image Process, 2017, 26（4）: 1899 [10] Wang  M,  Zhang  X  C,  Wang  J  Y,  et  al.  Forest  resource classification based on random forest and object oriented method. Acta Geodaet Cartograph Sin, 2020, 49（2）: 235 （王猛, 张新长, 王家耀, 等. 结合随机森林面向对象的森林资源 分类. 测绘学报, 2020, 49（2）：235） [11] You Y F, Wang S Y, Wang B, et al. Study on hierarchical building extraction from high resolution remote sensing imagery. J Remote [12] · 178 · 工程科学学报，第 44 卷，第 2 期