遙感地物識別主要依靠地物光譜和空間特征的差異。由於多光譜的光譜分辨率較低，不能充分表達地物的光譜特征。地物識別主要依靠地物的空間特征，包括灰度、顏色、紋理、形狀和空間關系。信息處理和信息提取主要應用圖像增強、圖像變換和圖像分析方法，增強圖像在色調、顏色和紋理上的差異，從而達到最大限度區分地物的目的。隨著成像光譜儀的研制成功及其產業化，遙感地物信息提取進入了壹個新的時代。成像光譜對地物的識別主要依靠地物的光譜特征，直接利用巖石和礦物的光譜特征來識別地物，定量分析地物信息。討論了以下兩個方面:多光譜和高光譜遙感信息處理。
1.多光譜方法的研究進展
多光譜信息提取主要集中在:色調信息提取、紋理信息提取和信息融合。
(1)音調信息提取
對於色調信息提取，主要采用壹些增強處理來擴大圖像中物體之間的灰度差異，從而突出目標信息或改善圖像效果，提高判讀標誌的辨別能力，如對比度擴大、顏色增強、運算增強、變換增強等。這些傳統的圖像處理方法在壹定程度上滿足了應用的需要。近年來，發展了壹系列基於主成分變換的信息提取技術，在巖礦信息提取中發揮了重要作用。比如張滿郎(1996)提出的改進的直接主成分分析法，可以提取氧化鐵信息。(Kruse，1996，Creen等人，1988)，(噪聲調整主成分變換)(Lee等人，1990)，塊主成分變換(賈等人，1999)，基於主成分的對應分析(Carr等人，1999)，以及基於主成分分析的空間自相關特征提取(Warner等人，199，還基於主成分分析選擇和提取信息特征。同時，根據模式識別原理，提出並設計了監督分類和非監督分類方法，利用決策樹進行分類識別(Wrbka，et al .，1999；弗裏德爾等人，1999；Hansen et al .，1996)，這些技術和方法都是基於圖像的灰度特征，利用數理統計的知識對物體進行分類，提取信息。
(2)紋理信息提取
遙感圖像的邊緣和紋理信息對線環構造的識別有壹定的作用，但對巖性的識別似乎幫助不大。邊緣信息通常采用濾波算子或銳化方法提取(Gross等人，1998；瓦爾貝爾，2000年).紋理信息提取通常采用* * *生成矩陣、傅立葉功率譜和紋理譜。
(3)信息融合
多源數據融合的研究也非常熱門和深入，其技術方法涉及不同的數學知識(Jimen等，1999；波爾，1998；羅賓遜等人，2000年；價格，1999；Gross等人，1998)，如小波信息融合。應用領域涉及非遙感數據(王潤生，1992；朱，，1994)等，遙感數據、地球化學數據和地球物理數據的疊加與融合。這些方法壹方面拓寬了遙感的應用領域，另壹方面也拓展了遙感的應用能力。
壹般來說，巖礦多光譜遙感信息提取主要是基於圖像的灰度特性，即基於巖礦反射率強度的差異，采用壹些數學變換方法來增強或突出目標信息，便於直觀解譯。在數據處理中，由於波段有限，無法有效引入巖礦類別的光譜知識，結果的準確性更多依賴於研究人員的經驗。
2.高光譜方法的研究進展。
成像光譜技術是多光譜技術發展的壹次飛躍。它通過分散或分裂每個空間像素，形成幾十個甚至幾百個連續光譜覆蓋的窄帶，同時對目標物體的空間特征進行成像。形成的遙感數據可以用“影像立方體(三維)”來直觀地描述，其中二維表示空間，另壹維表示光譜。這樣，在融合了光譜和空間信息的三維空間中，可以任意獲得地物的“連續”光譜及其診斷特征光譜，從而可以基於地物的光譜知識直接識別目標地物，進而獲得定量的地物信息。在地質應用中，礦物識別與信息處理技術可分為:①基於單壹診斷吸收的特征參數；②基於完整的波形特征；③基於頻譜知識模型。
巖石礦物的單壹診斷吸收特征完全可以用吸收帶位置(λ)、吸收深度(h)、吸收寬度(w)、吸收面積(a)、吸收對稱性(d)、吸收數(n)和排序參數來表征。根據端元礦物的單壹診斷吸收波形，可以從成像光譜數據中提取和增強這些參數信息，直接用於識別巖石和礦物類型。比如IHS編碼和吸收帶圖(Kruse，1988)就是用連續法去除的光譜圖像。它定義了波段吸收中心位置圖像、波段深度圖像和波段半極值寬度圖像，並分別給出它們在HS I空間中的明度(H)、強度(L)和飽和度(S)，然後將它們逆變換到RGB色度空間。從而根據色調差異直接識別礦物。在描述巖石和礦物的單壹診斷吸收特征參數時，吸收深度是壹個非常重要的特征指標，壹直受到重視。例如，RBD圖像(相對吸收帶深度圖像)(Crowley等人，1989)使用比值運算來增強端元的吸收深度，即根據待識別端元的單個診斷吸收峰的肩反射率之和，通過將其除以與谷中心相鄰的相應波長的反射率之和的商圖像來表征端元礦物的診斷吸收峰的相對性。在不同端元礦物的RBD圖像中，除了代表端元礦物存在可能性的像素比率之外，還通過進壹步的特征增強和選擇(如PC變換分析)來識別端元礦物。由於吸收峰的不對稱性，用RBD方法很難準確描述其特性。連續插值波段算法(CIBR) (De Jong，1998)和光譜吸收指數圖像(SAI，王金年等，1996)與相對吸收深度圖方法類似，但引入了對稱因子，使它們對吸收特性的描述更加合理。CIBR利用診斷吸收谷中心的輻射值除以左右肩的輻射值與吸收特征對稱因子的乘積，生成相應的商圖像，用於增強不同礦物的診斷吸收深度，鑒別礦物。SAI方法類似於CIBR，但它也在單壹吸收波形肩的特征上增加了壹個對稱因子。上述方法類似於傳統的比率或色彩增強處理。與常規增強處理最大的不同在於，它有機地融合了端元礦物光譜特征的先驗知識，針對性和目的性更加明確。由於大氣輻射對遙感數據光譜特征的影響，以及光譜混合形成的光譜漂移和變化對單壹波形的影響，識別結果含有很大的幹擾。
成像光譜的最大優勢在於利用有限的細分光譜波段，再現相應現象的光譜曲線。這樣，利用全光譜曲線進行礦物匹配識別，可以在壹定程度上改善單壹波形的不確定性影響(如光譜漂移和變化)，提高識別的準確性。基於全波形的識別方法是在參考光譜和像素光譜組成的二維空間中，合理選擇度量函數來度量標準光譜或被測光譜與圖像光譜之間的相似性。比如光譜匹配(SM) (Baugh等，1998)就是利用巖石和礦物的光譜矢量的歐氏距離測度函數，即在光譜空間中尋找圖像像素光譜與參考光譜的差異。距離越小，圖像的端元光譜或待識別的端元光譜與實驗室或野外測得的參考光譜之間的擬合程度越高。類似地，相似性指數算法(Si) (Fenstermaker等人，1994)是基於歐氏距離側度，根據已知地物類型的圖像像素平均光譜與未知圖像像素光譜之間的波段差平方和的均值來識別地物。上述兩種方法比基於單壹吸收波形的參數識別技術更可靠。然而，由於光譜數據分辨率的影響，光譜差異不明顯，並且由於歐氏距離測度的固有缺陷，難以準確分類識別地物。光譜角制圖儀(SAM)(本-多爾等，1994；克羅斯塔等人，1998；Drake等，1998: Yuhas等，1992)是由巖石和礦物光譜組成的多維光譜矢量空間，利用巖石和礦物光譜矢量的壹個角度測度函數求解巖石和礦物參考光譜的端元矢量(R)與圖像像素的光譜矢量(T)之間的相似性。參考端元光譜可以來自實驗室和現場測量，也可以來自已知類別的圖像像素光譜。根據它們之間的相似性，可以識別和提取礦化蝕變信息。該方法的難點在於如何合理選擇信息分割的閾值。但是，從現有應用的角度來看，這種方法簡單可靠。互相關匹配(Fer-rier等人，1999；Varder Meer等人，1997)使用相關因子(r .)作為相似性指數，通過逐像素的互相關匹配來識別礦物。當參考光譜與檢驗光譜完全匹配時，其位置m = 0；當參考光譜向長波方向移動時，其m < 0。反之，m > 0。在RGB空間中，偏度、t檢驗值和相關因子分別給定R、G、B；如果在“0”匹配位置，其斜率、t檢驗值和相關因子(r .)都接近“1”，顯示為白色，從而識別出端員礦物。對於礦物的智能識別，通常使用完整的光譜形狀。比如Tetracord礦物識別軟件，基於UNIX平臺，通過光譜數據庫中的光譜與圖像光譜擬合，自動識別礦物。王潤生等人(1999)利用神經網絡根據礦物的完整波形自動識別礦物。當有大量已知地物光譜時，上述方法具有很強的適應性。對於圖像特征識別更有用。但明顯的不足是由於實際地物的光譜變化、觀測角度和粒度對獲取數據的影響，難以準確匹配整體光譜特征差異不大的地物，造成巖礦識別分析的混亂和誤差。
基於光譜模型的識別技術是基於壹定的光學、光譜學、晶體學和數學理論的信號處理技術。它不僅能克服上述方法的缺點，還能在識別地物類型的同時，準確量化地表物質的成分等物理特征。比如線性混合譜分解模型(SMA/SUM)(Adams等，1986；芥末等，1987；羅伯茨等人1997；Sabol等人，1992；Settle等1993；希普曼等人；1987:島屋黑等人，1991；Smith等人，1985)，光譜線性分解模型可以根據不同地物或不同像元的光譜反射率響應的差異來構建。壹個像元中並不是單壹類型的地物，更多的是由不同類型的地物組成。因此，在大多數情況下，像元光譜並不是純地面光譜的線性混合，而是更加非線性。對於單次散射，可以分解為線性模型，而多次散射則被認為是非線性混合。因為平均單次散射反照率豐度主要取決於不同的成分含量，所以可以認為是線性混合(Mustard等人，1987)。這樣，通過單次散射反照率(SSA)轉換，利用算子W=(3r+6)r/(1 +2r)2就可以將非線性“線性化”，然後就可以分解光譜了。湯普金斯(1996)提出了壹個改進的光譜混合分析(MSMA)模型。該模型采用虛擬端元，並采用阻尼最小二乘算法。根據壹定的先驗知識，可以有效地最終選擇子圖像端元進行譜分解，提高了SMA的實用性。與SMA相比，MSMA的最大區別在於:①端元及其豐度是未知變量；②同時求解數據集中的所有像素。對於CEM(約束能量最小化技術)(法蘭德等人，1997；法蘭德等人，1996；Resmini等人，1997)利用成像光譜圖像序列中目標區域(或ROI區域)的像素光譜(ri)相關的權重系數wk來描述像素矢量的數字值y，從而進行特征選擇和分解，用於地物識別和信息提取。與混合光譜分解模型壹樣，分解結果不僅代表了識別像元的類型信息，還有機地代表了其豐度比。與混合光譜分解模型不同，該方法更加依賴目標區域的統計特征，但結果更加準確。總之，這些方法更多地依賴於光譜知識和數學方法，在實際應用中難以確定特征參數或準確描述光譜模型，限制了這類技術方法的應用。但由於這種方法在識別地物的同時對物質成分進行量化，隨著壹系列技術的成熟，光譜學、結晶學等知識的深入發展，識別精度的提高和量化能力的提高，其應用會越來越廣泛。
在國內，已經有壹些成像光譜用於直接識別礦物，但國產傳感器性能還不夠完善，數據信噪比低。然而，在定性巖礦鑒定方面已經取得了壹些成果。例如，甘福平(2000)利用基於波形特征組合的主成分分析對河北張家口後溝金礦進行了有效的巖性劃分。劉慶生(1999)通過對應分析提取了內蒙古某礦區的含金蝕變。在直接定量礦化識別、識別模式、識別譜系等方面落後於美國等發達國家，還有壹定差距。
總之，巖礦光譜機理的研究、遙感信息提取的基礎、遙感信息提取方法和技術的研究是相輔相成的，有壹定的對應關系。
隨著遙感光譜成像技術的發展，遙感地物的應用基礎和遙感影像信息提取技術的研究得到了發展，其研究方向和趨勢主要集中在光譜特征知識與地物理化性質的相關性和光譜物理模型上。地物理化性質與光譜特征的相關性，以及對光譜物理模型的深入分析和研究，可以為遙感直接識別礦產、提取地物分布規律、屬性、理化性質和從不同角度進行地物深層信息挖掘提供理論支持，推動遙感應用技術的發展。遙感地學應用的實用化和產業化是遙感地物光譜應用基礎和遙感地物影響信息提取技術研究相互促進的結果。
地物波譜機理研究、遙感信息提取基礎和遙感信息提取方法與技術研究的發展，將導致三者的結合，並最終融入遙感應用模型和技術集成，從而充分利用各自的優勢，提高遙感應用能力，增強地質應用認識，模擬、評價和預測地學發展規律。