高光谱遥感相比多光谱遥感来说，具有光谱分辨率高的特点，其分辨率可达纳米级。因此，能充分利用光谱的信息特征对地物进行提取和反演^［1］，尤其在岩性识别、矿物填图等方面，高光谱遥感技术提供了强有力的支撑。大多数岩性在可见光—近红外谱段能被有效识别，但对于一些不含水的造岩矿物在此谱段识别效果不佳^［2］。随着航空航天遥感传感器的不断发展与进步，热红外遥感逐渐被发掘并得到了极大的发展。在热红外波段，地物仅反射少量太阳光，大部分自主向外辐射电磁波谱，因此，更能体现地物本身的特性。像硅酸盐、碳酸盐、磷酸盐类等岩性，在可见光-近红外及短波红外谱段几乎不具有反射光谱特征，在热红外波段却表现出较为明显的光谱特征^［3］。

根据这些特点，研究者利用热红外高光谱遥感影像，开展了广泛的地质应用。Hecker等^［4］将之前用于可见光—近红外波段的波长制图算法应用到了热红外波段，使用美国内华达州耶灵顿市的SEBASS热红外遥感数据较好地识别出了石英、长石、绿帘石、石榴石和云母等岩矿。Vaughan等^［5-6］证实在高光谱热红外数据上提取硅酸盐类比在可见光波段更具有优势。闫柏琨等^［7］发现在热红外发射光谱上可以探测识别造岩岩矿Si-O键的振动光谱特征，有效补充可见光—反射红外遥感。吴泽群等^［8］对层状硅酸盐岩矿光谱曲线对比后，发现它们在可见光—近红外波段光谱相似，却在热红外谱段上光谱差异明显，能有效区分其他谱段上区分不出来的地物。陈江等^［9］对矿物光谱的波段比值和各氧化物含量最大相关系数进行对数模拟，完成了热红外高光谱遥感影像的硅化带蚀变填图。

与传统高光谱遥感数据类似，热红外影像的地物类型识别与分类也是通过不同地物的光谱特征来区分的。这些分类方法大致可以分为两类^［10-11］，第一类是基于传统统计学的方法，如最小距离法、最大似然法等。这一类方法适用于所有遥感图像的解译，但是未能充分利用影像的光谱信息，高光谱影像的光谱优势未充分体现。另一类是基于光谱曲线形状特征的方法，如光谱角匹配^［12］、交叉光谱匹配等，其基本思想是将参考光谱与像元光谱进行比较，从而得到影像的分类结果，但该类方法往往只关注于光谱的整体波形特征，丢失了光谱的一些细节特征，这样得到的结果会造成影像分类结果误差。

基于以上背景，实验在光谱角分类模型的基础上，充分考虑光谱曲线的局部特征信息，提出了SAM-SCP组合的新型分类方法。该方法将光谱角和光谱特征参量两类方法有效结合，既体现了光谱的整体波形特征，又注重了光谱的细节特征，能有效减少分类误差，尤其是对于光谱整体形状比较相似的地物类型，该类方法能够显著提高分类精度。另外，在SCP设定过程中，选取光谱的主要谷、次要谷进行特征参量匹配。其中，主要谷和次要谷代表了光谱中最能表征光谱特征的两个发射谷。动态调整主要谷、次要谷的权重能较好地表征主要谷、次要谷对光谱的影响程度并最终为岩性分类服务。

光谱角是通过计算参考光谱向量和像元光谱向量间的广义夹角来确定光谱间的相似度，夹角越小，像元光谱和参考光谱越相近，进而将该像元划分为与之相近的参考像元^［13］。光谱角比较了参考光谱和像元光谱之间的形状相似度，但对于光谱曲线相似的像元区分能力较小，容易忽视光谱的细节特征。计算公式如下：

其中：SAM（X，Y）为参考光谱和影像光谱之间的余弦角度值；X_i为参考光谱向量；Y_i为像元光谱向量。

光谱识别地物依赖于一定的光谱吸收特征，当光谱吸收特征越明显时，识别越准确，而光谱特征参量能有效反映光谱特征。在特征参量提取前，先对光谱进行包络线去除处理，包络线去除能有效突出光谱特征。对光谱特征分析时，需要提取光谱的特征区间，光谱特征区间一般分为光谱的主要谷和次要谷^［14］。光谱吸收特征通过数学参数来描述，每一个光谱的吸收特征区间可以由光谱谷底及其两个肩部S₁和S₂组成，光谱特征参量有^［15］：

（1）吸收波谷位置P：是吸收带反射率最低处所对应的位置。

（2）吸收反射率E_P：是吸收波谷位置处的反射率值。

（3）吸收宽度Ｗ：是吸收带两侧肩部的波谱带宽：W=λ₂-λ₁。

（4）吸收对称度S：是过波谷位置垂线的左右两部分的对称程度，等于左右肩部距谷底的波长宽度与吸收深度之比：S=（λ₂-λ_P）/W。

（5）吸收深度H：是在某一波段吸收范围内极小值点反射率值与1差的绝对值：H=|1-Ep|。

（6）吸收面积A：是吸收带曲线与两侧肩部连线所围成的面积：A=WH/2。

（7）光谱吸收指数SAI：是非吸收基线和吸收谷底垂线交点的反射率值与吸收谷底反射率值的比值：SAI=［WE₁+（1-WE₂）］/E_P。

（8）吸收斜率K：是吸收波谷两肩部连线的斜率：K=（E₂-E₁）/（λ₂-λ₁）。

参考光谱每个特征区间的光谱特征参量提取完成后，每个特征区间组成一个特征向量^［16］，即M_ij=［P，E_p，W，S，H，A，SAI，K］^T。同样，对影像上的每个像元光谱也做此处理，像元光谱特征区间组成的特征向量为N_ij=［P，E_p，W，S，H，A，SAI，K］^T。接下来对参考光谱和像元光谱所对应的特征区间的特征向量分类。在分类时，分别计算主要谷、次要谷二者间参考光谱特征向量与像元光谱特征向量的欧氏距离值，如式（2），并且动态调整主要谷、次要谷的权重，计算二者的欧式距离和，如式（3）。欧式距离值越小，说明影像像元和参考像元越相似。

其中：D_i为参考光谱特征向量和像元光谱特征向量间的欧氏距离值，w_j为每个谷所占的权重，j=1，2分别代表参考光谱和像元光谱的主要谷、次要谷。D为两个谷的欧式距离值之和。

光谱角比较了参考光谱和像元光谱的形状相似度，而光谱曲线形状越相似，越无法准确识别。因此，在光谱角的基础之上，加之光谱的特征参量，能够有效改善由于曲线相似而光谱角无法识别的一类地物。SAM-SCP计算公式如式（4），由于光谱角的余弦值与1越接近越相似，而特征参量向量间的欧氏距离值却是越小越相似，为统一两种算法，光谱角的余弦值取其与1的差值，相乘得到SAM-SCP分类值，值越小，参考光谱和像元光谱越相似^［17］。

其中：SSAM-SCP为参考光谱和像元光谱间的分类值。

模拟影像的大小为512像素×512像素，共109个波段，波段范围为7.99~11.15 μm，为热红外波段（TIR）。模拟影像中共有9种岩性，分别为碳酸盐、硫酸盐、长英石、片麻岩、大理石、石英岩、片岩、石灰岩、砂岩。该影像的模拟方式为从ASTER光谱库中选择这9种岩性的光谱，并将连续光谱利用通道响应函数转换为对应的通道光谱，加入系统噪声以及随机加入两种岩性和一种植被混合，因此，模拟影像中的光谱为混合光谱，这样模拟使得影像更加接近于真实影像。不同波段合成的假彩色模拟影像及分类参考如图2所示。

真实影像是由TASI（热红外航空成像仪）于2010年9月7日北京时间14点31分41秒拍摄所得，该影像共有32个波段，光谱范围为8.054 8~11.449 3 μm，属于热红外谱段。研究区域的地理范围为41°13′41.69″~41°14′19.68″ N，95°31′36.82″~95°32′ 55.56″ E，位于甘肃省酒泉市瓜州县东北。研究区域位于花牛山附近，岩浆岩广布，主要岩体有印支期花岗岩及花岗斑岩，该岩体呈近东西向展布，总体北倾。该地还有方解石脉呈北东向分布于花岗岩枝和奥陶系中统花牛山群中^［18］。不同波段合成的假彩色真实影像图3（a）所示，分类参考图是对真实影像目视解译得到的结果，如图3（b）所示。

模拟影像为热红外高光谱影像。图4为9种岩性的参考光谱，由图可知，各类岩性之间的光谱差异较大，较容易区分。碳酸盐和大理石在整个热红外谱段上光谱平滑，没有明显的发射特征。硫酸盐在8~9.5 μm之间有两个微弱的发射谷，发射谷位于8.8 μm处。长英石和片麻岩在8~11 μm有一个复杂的发射谷，长英石较为典型的一个发射谷波长为9.2 μm，片麻岩最典型的发射谷波长为9.6 μm。石英岩在8~10 μm之间有两个发射谷，位于9.25 μm处的发射谷特征明显，发射率最低。片岩也在8~10 μm之间有两个发射谷，特征较为突出的发射谷位于9.27 μm。石灰岩在8~9 μm之间有两个微弱的发射谷，在8.7 μm附近形成了典型的发射谷。砂岩在8~10 μm之间有两个发射谷，发射波谷位置与石英岩相似，但砂岩波谷处的发射率值高于石英岩，砂岩波谷处的发射率值在0.85左右，石英岩在0.76左右。对参考光谱分析后发现碳酸盐、大理石、石灰岩3类岩性的光谱较平滑，无明显特征，而其余6种岩性均有2个或2个以上发射谷，光谱特征明显，因此在模拟影像的实验中，选取这6种岩性进行分类。

真实影像为热红外影像，缺乏参考光谱，因此需要从图上提取端元光谱作为参考光谱。由于高光谱图像波段数量多，数据量大，计算量也大， 首先需要先对影像降维，采用最小噪声分离变换（MNF），以此来减少高光谱数据的计算量。接下来使用纯净像元指数（PPI）在影像中提取端元光谱。然后，选择AETER波谱库中nicolet仪器所得到的2 287条矿物发射率光谱作为光谱分析的波谱数据库进行光谱分析。通过目视比对和经验判读，大致得到4个端元类型分别为黄铁矿、白铅矿、方解石、文石。进一步对光谱库光谱及影像矿物光谱对比，如图5所示，端元光谱与光谱库光谱形状相似，但光谱库光谱发射率值低于端元光谱，且光谱库光谱的波谷相较于端元光谱的波谷位置有偏移，因为光谱库光谱和端元光谱的光谱分辨率不同，导致将光谱库光谱重采样到端元光谱上时存在波谷位置偏移。总体来看，光谱库光谱和端元光谱匹配较为准确。通过查证甘肃省地质图以及文献资料^［18］，证实了端元光谱分析得到的岩性较为准确。从光谱图上也可以发现，每条光谱都有自己独特的特征区间，黄铁矿在9 μm附近形成了典型的发射谷，白铅矿在8~9.5 μm之间有振幅明显，方解石在11.2 μm附近形成了发射谷，文石也在9 μm附近形成了发射谷，但这个发射谷没有黄铁矿在此处形成的波谷明显，最低发射率不同，4种岩性光谱都具有发射特征，因此能利用该光谱进行岩性识别。

为了证明本文方法的优势，选取SAM-SCP的最优的实验结果与光谱角、光谱信息散度（Spectral Information Divergence， SID）、最小距离（Minimum Distance， MD）这3种传统分类方法相比较，得到分类结果。分类结果精度采用总体精度（Overall Accuracy， OA）、Kappa系数、生产者精度（Producer Accuracy， PA）以及使用者精度（User Accuracy， UA）来评定。生产者精度是指属于某一类别的测试样本被正确分类的百分比，使用者精度指分类结果中各类别对应到参考样本数据时真正为该类别的像元数的百分比。

图6为模拟影像SAM、SID、MD以及SAM-SCP最优结果的分类结果图。与分类参考图（图2（b））相比，SAM-SCP分类结果图更相似，主要体现在同类像元聚集程度高、类别的空间分布与参考图更一致。从岩性上看，这4种方法基本能准确分类硫酸盐、长英石、片麻岩、砂岩；SAM、MD、SAM-SCP分类出了片岩，但SID却将片岩分为了未分类像元；在这4种方法下，均存在石英岩错分为砂岩的现象，但从图中发现，石英岩在SAM-SCP方法下分类结果最好。由于模拟影像使用六类参考岩性分类，SAM、MD、SAM-SCP对影像中每一个像元都划分了类别，而SID把除这6类岩性外的像元归为了未分类，SID更能准确识别影像中不属于参考类别的像元。

表1为模拟影像SAM、SID、MD以及SAM-SCP最优结果的分类结果精度。从分类精度表中看出，SAM-SCP总体分类总精度最高，达到99.513 8%，分类结果最好，MD、SAM、SID总体分类结果精度分别低于SAM-SCP 0.615 3%、0.684 1%、31.614 6%。硫酸盐、长英石、片麻岩在这4类方法下的分类精度保持在99.6%以上，分类结果相当，说明这3类岩性光谱各具特征，在各种方法下都能被识别。片岩在SAM、MD、SAM-SCP这3类方法下分类精度在99% 以上，SID方法分类精度低，生产者精度只有0.42%，该法未能对片岩有效分类。石英岩的使用者精度4类方法保持一致，说明石英岩基本上未发生错分现象，但石英岩在SAM、SID、MD下的生产者精度分别低于SAM-SCP 21.14%、59.01%和14.87%，说明SAM-SCP有效提升了石英岩的生产者精度，改善了漏分的现象。砂岩的生产者精度在4类方法下都在99%以上，说明砂岩发生的漏分现象较少，但砂岩的使用者精度在SAM、SID、MD下分别低于SAM-SCP 4.34%、13.39%和3.13%，说明SAM-SCP有效提升了砂岩的使用者精度，有效改善了石英岩错分为砂岩的现象。SAM-SCP是在SAM基础上增加了光谱特征参量，这样既保留了光谱的形状特征，又突出了光谱的细节特征，提升了光谱形状相似地物的分类精度。因此应用SAM-SCP法能够识别模拟热红外高光谱影像上的岩性，分类结果好，分类总体精度高。

图7为真实影像SAM、SID、MD以及SAM-SCP最优结果的分类结果图。由于真实影像原始的分类结果中碎斑点较多，因此对分类结果进行了碎斑处理。SAM-SCP分类结果图与分类参考图（图3（b））更相似，同类像元聚集程度高、类别的空间分布与参考图更一致。从岩性上看，黄铁矿在SID、SAM-SCP下的分类结果和分类参考图更一致，在SAM、MD下存下漏分的现象；白铅矿在MD下的分类结果更好，像元聚集程度高，与参考图相似，其他3类方法存在漏分现象；方解石在SAM-SCP下的分类结果最优，在其他3类方法下，存在方解石被分为文石的现象；文石SAM、SID、SAM-SCP下分类结果较好，MD最差。从不同方法的分类结果图中看出，某种矿物在特定的方法中得到最优的分类结果，总体来看，SAM-SCP的分类结果最好，最接近分类参考图。

表2为真实影像SAM、SID、MD以及SAM-SCP最优结果的分类结果精度。从分类精度表中看出，SAM-SCP的分类总精度最高，达73.193 2%，分类结果最好，SAM、SID、MD总体分类精度分别低于SAM-SCP 2.883 8%、1.782 9%、3.052 5%。黄铁矿在SID下的分类精度最高，SAM-SCP次之，白铅矿在MD下分类精度最高，优于其他3类方法，方解石在SAM-SCP下的分类结果最好，文石在SAM下的分类结果最好。黄铁矿和文石的光谱形状相似，在SAM-SCP下黄铁矿的精度明显优于SAM，文石在SAM-SCP和SAM这两种方法下的分类精度相差不是很多，SAM-SCP保留了SAM的优势，又突出了光谱的细节特征，提升了分类精度。因此，应用SAM-SCP能有效识别真实热红外高光谱影像上的矿物，分类总体精度更高。

为了进一步说明特征参量的选择对结果的影响，本研究选取11组不同的权重组合分别赋予主要谷和次要谷，权重选择0.1作为间隔，如表3所示。应用SAM-SCP组合分类的方法对模拟影像及真实影像分类，分类结果用OA来评定，不同权重组合的分类精度如图8~图9所示。

从图8中发现，随着主要谷权重的上升，次要谷权重的下降，模拟影像的分类总精度逐渐降低。当次要谷权重为1时，分类结果最好，分类精度达到99.513 8%，当主要谷的权重为1时，分类结果最差，分类精度为99.361 7%，但二者之间的差距较小，仅差0.152 1%。对于模拟影像来说，次要谷对分类精度的影响要比主要谷大，因为六类岩性光谱均具有2个发射谷，而主要谷和次要谷基本上除波谷的位置不同外，其他的发射特征类似，相比主要谷，次要谷更能够体现这六类岩性的光谱特征，因此次要谷所占的权重越大，分类结果越好。

从图9中发现，随着主要谷权重的上升，次要谷权重的下降，真实影像的分类总精度先增加后降低。当主要谷权重为0.7，次要谷权重为0.3时，分类结果最好，分类精度达到73.139 2%，当主要谷权重为0，次要谷权重为1时，分类结果最差，分类精度为73.193 2%，二者之间相差1.649 5%。对真实影像来说，主要谷对分类结果的影响较大，但次要谷也占一定的比重，因为真实影像4类岩性的光谱都有两个发射谷，主要谷的光谱特征更能代表整条光谱的特征，虽然次要谷特征较弱，但一定程度上会影响整体分类结果。因此会出现主要谷权重上升到0.7时，分类精度增加，权重继续上升时，分类精度反而会降低。

通过对模拟影像及真实影像主要谷和次要谷所占权重的分析发现，不同权重组合下总体精度不一样，在某种权重组合下总体精度最高，应具体图像具体分析主要谷、次要谷对分类总体精度的影响程度。

研究提出了基于光谱角和光谱特征参量分类SAM-SCP的分类方法。在实验中对比了SAM、SID、MD、SAM-SCP这4种方法的分类结果，实验结果证明SAM-SCP更具有优势，能够对热红外高光谱影像分类，且SAM-SCP动态调整了主要谷、次要谷所占的权重，它们的变化会影响影像分类结果及分类总体精度。同时SAM-SCP既能保留光谱的形状特征，又能突出光谱的细节特征，改善了光谱曲线形状相似岩性的识别效果，能够有效提高分类精度，但对于光谱平滑，特征不明显的地物，分类结果较差，且该方法对影像中的每个像元都进行了分类，将不是分类类别的岩性也识别到了参考岩性类别中，在未来的工作中，应对此做出改进，调整SAM-SCP方法的代码，进一步提升SAM-SCP的分类精度。