“祝融号”火星车多光谱相机岩矿类型识别的地面验证研究

“祝融号”火星车多光谱相机岩矿类型识别的地面验证研究 Verification study for the mineral and rock identification using multispectral camera of the “Zhurong” Mars Rover on the earth 1 2 3 first-author 谢涓，1999年生，女，硕士研究生，研究方向为计算机视觉与遥感数据处理。E-mail： xj_personal@163.com 谢涓，1999年生，女，硕士研究生，研究方向为计算机视觉与遥感数据处理。E-mail： xj_personal@163.com xj_personal@163.com 1 2 3 1 2 3 corresp 康志忠，1975年生，男，教授，研究方向为数字摄影测量、激光雷达技术与应用、月球与行星遥感。E-mail： zzkang@cugb.edu.cn 康志忠，1975年生，男，教授，研究方向为数字摄影测量、激光雷达技术与应用、月球与行星遥感。E-mail： zzkang@cugb.edu.cn zzkang@cugb.edu.cn 1 2 3 4 4 4 中国地质大学(北京) 土地科学技术学院, 北京 100083 中国地质大学(北京) 土地科学技术学院, 北京 100083 School of land science and technology, China University of Geosciences, Beijing 100083, China School of land science and technology, China University of Geosciences, Beijing 100083, China 中国地质大学(北京) 月球与行星遥感探测研究中心, 北京 100083 中国地质大学(北京) 月球与行星遥感探测研究中心, 北京 100083 Lunar and Planetary Remote Sensing Exploration Research Center, China University of Geosciences, Beijing 100083, China Lunar and Planetary Remote Sensing Exploration Research Center, China University of Geosciences, Beijing 100083, China 教育部深空探测联合研究中心 月球与行星探测国际合作研究分中心, 北京 100083 教育部深空探测联合研究中心 月球与行星探测国际合作研究分中心, 北京 100083 International Cooperative Research Center for Lunar and Planetary Exploration, Center of Space Exploration, Ministry of Education, Beijing 100083, China International Cooperative Research Center for Lunar and Planetary Exploration, Center of Space Exploration, Ministry of Education, Beijing 100083, China 中国科学院 西安光学精密机械研究所, 西安 710119 中国科学院 西安光学精密机械研究所, 西安 710119 Xi'an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi'an 710119, China Xi'an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi'an 710119, China 中国首个自主火星探测任务“天问一号”探测器于2020-07成功发射，其搭载的中国首台火星车“祝融号”将在着陆火星后开展巡视探测，获取中国火星探测的原始科学数据。识别火星表面岩矿类型对于了解火星的大气变化、环境状态、地质演化以及生物宜居性等具有重要意义。本研究利用“祝融号”火星车搭载的多光谱相机载荷鉴定件（8个波段）在地球环境下拍摄并获取了18种火星表面岩矿的多光谱影像数据。基于该数据所开展的火星岩矿类型的识别研究可为未来基于“祝融号”多光谱相机数据进行火星表面岩矿的原位识别提供指导。本文所采用的基于多光谱影像波段运算和彩色图像HSV颜色特征直方图的岩矿识别方法，可从多光谱特征和颜色特征两个层面来识别不同类型的岩矿。所使用的多光谱影像数据是在太阳高度角约60°、拍摄高度1.8 m、拍摄角度约37°的条件下采集所得。在该实验条件下，两种识别方法共提取出12种岩矿的识别指标。基于多光谱影像波段运算可以区分出在8个特定波段下具有突出光谱特征的岩矿类型，而基于图像HSV颜色特征可区分出颜色特征分布较为集中的岩矿类型。同时，研究发现拍摄角度不同会对岩矿的识别效果产生不可忽略的影响。 China’s first autonomous Mars exploration mission probe “Tianwen-1” was successfully launched in July 2020, and the rover of “Tianwen-1” successfully landed on the pre-selected landing area in the southern Utopia Plain of Mars on May 15. After landing on Mars, China’s first Mars rover “Zhurong” will carry out inspections and bring the raw scientific data for Chinese Mars exploration. The multispectral camera mounted on the “Zhurong” rover can be used to study the types of mineral and rock near the landing area. Identifying the types of mineral and rock on Mars is of great significance for understanding the Martian atmospheric change, environmental conditions, geological evolution, and future livability. The study in this article selected 18 kinds of common mineral and rock on the surface of Mars, and shot these mineral and rock with the same multispectral camera as on “Zhurong” rover in the earth environment. Then, this study uses the obtained multispectral image carry out the research of mineral and rock identification, hoping to provide guidance for future in-situ identification of mineral and rock on the surface of Mars based on the “Zhurong” multispectral camera data. Considering that 8-band spectral data is not enough to capture the spectral characteristics of all mineral and rock, it will result in fewer mineral and rock identified, this paper uses color features to assist in the identification of mineral and rock. This paper uses band operation based on multispectral image and HSV color feature histogram extraction based on color image to identify different types of mineral and rock. The above method can identify different types of mineral and rock from the perspective of multispectral features and color features. This study collected multispectral images of mineral and rock under three different shooting conditions, and found that the spectral characteristics of mineral and rock may change under different shooting conditions, which will have an impact on mineral and rock identification. The multispectral image data used in this paper was collected under the conditions of the solar elevation angle at about 60 °, the shooting height at 1.8 meters and the shooting angle at about 37°. Under this condition, the research method in this paper has extracted identification indexes of 12 kinds of mineral and rock. The identification indexes corresponding to specific mineral and rock are listed in the article, all results are based on the above shooting condition. The study shows that: using the band operation based on multispectral image, mineral and rock with prominent spectral characteristics under 8 specific bands can be identified; and using color feature histogram extracted from HSV color image, mineral and rock with a relatively concentrated color feature can be identified. In addition, since different shooting conditions will have an impact on the identification of mineral and rock, it is necessary to do the identification research under different conditions in the future. 天问一号 祝融号 多光谱影像 波段运算 颜色特征 岩矿识别 Tianwen-1 Zhurong multispectral image band operation color feature mineral and rock identification 1　引言 1 2020-04-24，中国行星探测任务被命名为“天问系列”，首次火星探测任务被命名为“天问一号”。“天问一号”由轨道器、着陆器、巡视器三个部分组成，计划一次性完成“绕”、“落”、“巡”三个步骤。“天问一号”探测的科学目标包括研究火星的地形、地貌特征和表面物质组成分布等，其中搭载于“祝融号”火星车上的多光谱相机可用于研究着陆区附近的岩矿种类（ 李春来 等，2018 李春来 等，2018 ）。 火星表面裸露的岩石和矿物是火星大气环境变化、表层地质演化和古水环境作用下的产物，它们记录了火星的演化史，对于探索火星表层及内部的关键因素具有重要意义（ 杨懿 等，2016 杨懿 等，2016 ）。目前，关于火星表面岩石和矿物分布研究中针对高光谱数据的研究较多。 Poulet等（2007） Poulet等（2007） 以及 Ody等（2012） Ody等（2012） 利用OMEGA（Observatoire pour la Minéralogie， l’Eau， les Glaces et l’Activité）高光谱数据绘制了几种矿物（辉石、橄榄石等）的火星全球分布图；Viviano等（2014）主要利用CRISM（Compact Reconnaissance Imaging Spectrometer for Mars）高光谱数据修订了前人设计的表征火星表面矿物的一些成果； Carter等（2013） Carter等（2013） 利用OMEGA和CRISM数据对火星表面含水矿物进行了探测； 杨懿等（2016） 杨懿等（2016） 以及 林红磊（2018） 林红磊（2018） 均对火星Jezero撞击坑进行了矿物成分的探测； 张霞等（2018） 张霞等（2018） 采用稀疏解混模型对Eberswalde三角洲地区的矿物丰度进行定量反演； 祝民强等（2010） 祝民强等（2010） 总结了使用OMEGA数据探测火星表面矿物的一些成果，成果表明火星表面存在与水蚀变相关的矿物成分； 芶盛等（2017） 芶盛等（2017） 总结了20世纪90年代以来火星表面含水矿物的探测进展。基于多光谱数据的火星表面岩矿类型识别研究较少，所使用的多光谱数据主要来源于THEMIS（Thermal Emission Imaging System）和“multispectral mapping”探测模式下的CRISM。由于THEMIS数据具有较高的空间分辨率，往往会被用于与其他数据结合来绘制火星矿物分布图。 Victoria等（2005） Victoria等（2005） 结合THEMIS数据和TES（Thermal Emission Spectrometer）数据绘制了Nili Fossae区域的橄榄石分布图； Salvatore等（2017） Salvatore等（2017） 使用THEMIS数据在Isidis冲击盆地西北部探测到橄榄石、辉石、蒙脱石粘土、硫酸盐和碳酸盐。Pelkey等（2007）使用CRISM的72通道多光谱数据设计了识别矿物类别的光谱指数，主要识别的矿物有镁铁矿物、硅酸盐、硫酸盐、碳酸盐。在矿物识别方面， 韦晶等（2015） 韦晶等（2015） 使用的光谱特征参数组合方法； 何宇婷等（2008） 何宇婷等（2008） 、韦佳黎（2017）及 徐文海（2010） 徐文海（2010） 使用的基于矿物纹理的方法、 许泉立等（2014） 许泉立等（2014） 使用的波段组合计算方法都是值得借鉴的。 2　研究数据 1 2.1　多光谱相机简介 2 由中国科学院西安光学精密机械研究所月球与深空探测技术研究室研制的多光谱相机（ 图1 图1 ）安装在“祝融号”火星车的桅杆上，主要用于获取着陆区及巡视区的多光谱影像、分析火星表面物质类型及分布。该相机通过滤光轮机构来实现8个光谱通道和1个全色通道的调节，其正常成像距离为1.5 m~∞，有效像元数量为2048×2048，成像谱段共8个，分别为480（20nm）nm、525（20nm）nm、650（12nm）nm、700（15nm）nm、800（25nm）nm、900（30nm）nm、950（50nm）nm、1000（50nm）nm（注：括号内为半高全宽）。（多光谱相机图文介绍引自西安光机所官网： http：//opt.cas.cn/gb2019/xwzx/tpxw/202007/t20200723_5643001.html/ http://opt.cas.cn/gb2019/xwzx/tpxw/202007/t20200723_5643001.html/ ［2021-02-03］） 2.2　实验数据 2 2.2.1　实验岩矿样本 3 本文查阅了火星表面岩矿分布的相关文献资料，在实验时选取了18种火星表面的岩石和矿物作为样本，其中包含部分含水矿物。岩矿样本来自国家岩矿化石样本资源共享平台（ http：//www.nimrf.cugb.edu.cn/ http://www.nimrf.cugb.edu.cn/ ［2021-01-27］），详细的岩石和矿物类型见 表1 表1 及 图2 图2 。 岩矿 编号 2 碳酸盐 方解石 Berlin-36B-20 方解石 XK19 12 硅酸盐 高岭石 BL-14-4 高岭石 BL-10-3 绿泥石 Q2-14 绿泥石 G-2 绿泥石 G-2 黑云母蛭石 WGQ100830-3 黑云母蛭石 WGQ100830-2 蛇纹石 YS81-98 橄榄辉石岩 PL16-2-07 皂石 USA-2-125 滑石 — 白云母 — 2 硼酸盐 遂安石 S45 金云母遂安石 — 2 硫酸盐 石膏 USA-1-96 重晶石 YS81-99 2 氧化物 赤铁矿 YS81-4 水晶 — 辉长岩 辉长岩 14TC-15 2 玄武岩 玄武岩 PL14-3-02 含橄榄岩包体玄武岩 — 卤化物 萤石 — 1,2,3;4,5,6;7,8,9; 2.2.2　多光谱影像数据 3 本研究使用“祝融号”搭载的载荷鉴定件（8波段相机）在3个场景下拍摄得到多光谱影像数据，拍摄时3个不同的场景及样本布设情况如 图3 图3 。 1,2,3; 3　研究方法 1 3.1　基本原理与流程 2 由于地球与火星间通信距离的限制，远程指挥火星巡视器难以实时进行，探测器原位所获取的大量信息无法实时完整地传输至地球进行实验室分析，这必然要求火星巡视器具备一定的自主工作能力，将实地验证的地质信息处理后返回地球实验室。因此，如何在着陆区准确自主地判断视场内岩石和矿物基本类型、原位验证局部地质情况、辅助巡视器判识并采集特定的岩矿样本，成为火星巡视器进行样本定性与辅助采样的关键。本文利用“祝融号”搭载的多光谱相机（8个波段）预先在地球环境拍摄并获取多种岩矿的多光谱影像，研究基于多光谱影像的岩矿类型识别，以期为未来“祝融号”多光谱相机的火星表面岩矿原位识别提供技术支撑。波段运算是提取遥感信息的常用一种方法，其基本思想是利用不同研究对象在某一波长范围内的反射特性不同这一现象，根据需求选择波段进行运算以提取目标对象（ 邓佳音 等， 2018 邓佳音 等， 2018 ）。此外，不同的岩矿在彩色图像中表现出不同的颜色，因此可结合颜色空间模型对岩矿进行颜色特征提取（ 宋博敬，2019 宋博敬，2019 ）。考虑到8波段数据不足以捕捉不同岩矿的全部光谱特征、利用波段运算难以达到识别所有目标岩矿的目的，本文又以颜色特征进行岩矿的辅助识别。整体研究流程如 图4 图4 所示。 3.2　波段运算 2 波段运算的形式一般包括以下几种（ 邓佳音 等，2018 邓佳音 等，2018 ）： 差值运算 <math display="block" id="M1"><mi>B</mi><mn mathvariant="normal">1</mn><mo>-</mo><mi>B</mi><mn mathvariant="normal">2</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189291&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189286&type= 12.36133385 2.62466669 单波段比值运算 <math display="block" id="M2"><mi>B</mi><mn mathvariant="normal">1</mn><mo>/</mo><mi>B</mi><mn mathvariant="normal">2</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189300&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189296&type= 9.31333351 2.70933342 线性波段比值运算 <math display="block" id="M3"><mo stretchy="false">(</mo><mi>B</mi><mn mathvariant="normal">1</mn><mo>+</mo><mi>B</mi><mn mathvariant="normal">2</mn><mo stretchy="false">)</mo><mo>/</mo><mo stretchy="false">(</mo><mi>B</mi><mn mathvariant="normal">1</mn><mo>-</mo><mi>B</mi><mn mathvariant="normal">2</mn><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189310&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189305&type= 32.08866501 3.47133350 非线性波段比值运算 <math display="block" id="M4"><mo stretchy="false">(</mo><mi>B</mi><mn mathvariant="normal">1</mn><mo>⋅</mo><mi>B</mi><mn mathvariant="normal">2</mn><mo stretchy="false">)</mo><mo>/</mo><mo stretchy="false">(</mo><mi>B</mi><mn mathvariant="normal">3</mn><mo>⋅</mo><mi>B</mi><mn mathvariant="normal">4</mn><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189316&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189313&type= 30.31066895 3.47133350 式中， <math id="M5"><mi>B</mi><mi>n</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189324&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189322&type= 4.14866638 2.62466669 代表多光谱影像的第 <math id="M6"><mi>n</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189335&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189330&type= 1.86266661 2.62466669 波段影像数据。 波段运算需要先明确岩矿在多光谱谱段下的光谱特性，然后根据光谱特性选择波段并设计运算形式（ 唐淑兰 等，2021 唐淑兰 等，2021 ）。因此，本文在实施波段运算之前需要计算每一块实验物样本的8波段反射率，然后绘制出多光谱曲线、挖掘岩矿的光谱特征，为波段运算提供支撑。本研究在拍摄时放置了3块反射率分别为20%、40%、60%的标准参考板于岩矿样本之间，每块岩矿样本反射率的计算流程如下：（1）分别计算8个波段下样本的平均灰度值；（2）计算8个波段下3块标准参考板的平均灰度值；（3）根据 式（5） 式（5） 计算岩矿样本8个波段下的反射率。 <math display="block" id="M7"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">m</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>G</mi></mrow><mrow><mi mathvariant="normal">m</mi></mrow></msub></mrow><mrow><msub><mrow><mi>G</mi></mrow><mrow><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">f</mi></mrow></msub></mrow></mfrac><mo>·</mo><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">f</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189342&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189339&type= 20.40466690 9.05933285 式中， <math id="M8"><msub><mrow><mi>G</mi></mrow><mrow><mi mathvariant="normal">m</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189349&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189345&type= 3.89466691 3.72533321 为岩矿样本的平均灰度值， <math id="M9"><msub><mrow><mi>G</mi></mrow><mrow><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">f</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189357&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189353&type= 4.57200003 3.72533321 为标准参考板的平均灰度值， <math id="M10"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">f</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189363&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189361&type= 4.57200003 3.72533321 为标准参考板的反射率， <math id="M11"><msub><mrow><mi>R</mi></mrow><mrow><mi mathvariant="normal">m</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189371&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189367&type= 3.89466691 3.72533321 为岩矿样本的反射率。 选择波段时需综合考虑所有岩矿样本的光谱曲线，如 图5 图5 所示：蛇纹石在950 nm处出现吸收特征，并且其反射率在950—1000 nm呈增长趋势，这与另外两种岩矿明显不同。因此可选用950 nm、1000 nm这两个波段进行波段运算以识别蛇纹石。 3.3　颜色特征提取 2 面向视觉感知的HSV颜色空间模型能够使理论上的颜色值与人类视觉上认知的颜色更好地联系在一起（ Zhang 等，1998 Zhang 等，1998 ； 韩丁 等，2016 韩丁 等，2016 ），因此本文基于HSV颜色空间模型提取岩矿的颜色特征，提取流程如下： 首先，将岩矿图像中的每个像素从RGB颜色空间转换为HSV颜色图像（ H 、 S 、 V 分别代表色调、饱和度、亮度）： <math display="block" id="M12"><mi>S</mi><mo>=</mo><mfenced separators="|"><mrow><mi>m</mi><mi>a</mi><mi>x</mi><mo>-</mo><mi>m</mi><mi>i</mi><mi>n</mi></mrow></mfenced><mo>/</mo><mi>m</mi><mi>a</mi><mi>x</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189392&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189388&type= 32.93532944 3.80999994 <math display="block" id="M13"><mi>V</mi><mo>=</mo><mi>m</mi><mi>a</mi><mi>x</mi><mo stretchy="false">(</mo><mi>R</mi><mo>,</mo><mtext> </mtext><mi>G</mi><mo>,</mo><mtext> </mtext><mi>B</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189401&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189396&type= 25.65399933 3.47133350 <math display="block" id="M14"><mi mathvariant="bold-italic">H</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><mfrac><mrow><mfenced separators="|"><mrow><mi>G</mi><mo>-</mo><mi>B</mi></mrow></mfenced><mo>×</mo><mn mathvariant="normal">60</mn></mrow><mrow><mi>m</mi><mi>a</mi><mi>x</mi><mo>-</mo><mi>m</mi><mi>i</mi><mi>n</mi></mrow></mfrac><mo>,</mo><mtext> </mtext><mi>R</mi><mo>=</mo><mi>m</mi><mi>a</mi><mi>x</mi></mtd></mtr><mtr><mtd><mn mathvariant="normal">120</mn><mo>+</mo><mfrac><mrow><mfenced separators="|"><mrow><mi>B</mi><mo>-</mo><mi>R</mi></mrow></mfenced><mo>×</mo><mn mathvariant="normal">60</mn></mrow><mrow><mi>m</mi><mi>a</mi><mi>x</mi><mo>-</mo><mi>m</mi><mi>i</mi><mi>n</mi></mrow></mfrac><mo>,</mo><mtext> </mtext><mi>G</mi><mo>=</mo><mi>m</mi><mi>a</mi><mi>x</mi></mtd></mtr><mtr><mtd><mn mathvariant="normal">240</mn><mo>+</mo><mfrac><mrow><mfenced separators="|"><mrow><mi>R</mi><mo>-</mo><mi>G</mi></mrow></mfenced><mo>×</mo><mn mathvariant="normal">60</mn></mrow><mrow><mi>m</mi><mi>a</mi><mi>x</mi><mo>-</mo><mi>m</mi><mi>i</mi><mi>n</mi></mrow></mfrac><mo>,</mo><mtext> </mtext><mi>B</mi><mo>=</mo><mi>m</mi><mi>a</mi><mi>x</mi></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189409&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189405&type= 54.35599899 29.37933159 式中， max =MAX（ R ， G ， B ）， min =MIN（ R ， G ， B ）， <math id="M15"><mi>H</mi><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">0,360</mn></mrow></mfenced><mo>,</mo><mfenced separators="|"><mrow><mi>S</mi><mo>,</mo><mi>V</mi></mrow></mfenced><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">0,360</mn></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189418&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189413&type= 43.43399811 4.14866638 （ 宋博敬，2019 宋博敬，2019 ）。 场景 拍摄时间 光照条件 相机高度/m 拍摄高度/m 相机拍摄角度/（°） 太阳高度角/（°） 场景1 12：12 光照充足 1.8 2.4 37 约60 场景2 12：39 光照充足 1.8 7.4 15 约60 场景3 12：57 多云 1.8 7.4 15 约60 然后，对 H 、 S 、 V ，这3个分量分别进行等级量化（ 黄仁 等，2014 黄仁 等，2014 ）： <math display="block" id="M16"><mi>S</mi><mi mathvariant="bold-italic">'</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><mn mathvariant="normal">0</mn><mo>,</mo><mtext> </mtext><mi>S</mi><mo>∈</mo><mo stretchy="false">[</mo><mn mathvariant="normal">0</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">0.15</mn><mo stretchy="false">]</mo><mtext>   </mtext></mtd></mtr><mtr><mtd><mn mathvariant="normal">1</mn><mo>,</mo><mtext> </mtext><mi>S</mi><mo>∈</mo><mo stretchy="false">[</mo><mn mathvariant="normal">0.15</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">0.4</mn><mo stretchy="false">]</mo></mtd></mtr><mtr><mtd><mn mathvariant="normal">2</mn><mo>,</mo><mtext> </mtext><mi>S</mi><mo>∈</mo><mo stretchy="false">[</mo><mn mathvariant="normal">0.4</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">0.75</mn><mo stretchy="false">]</mo></mtd></mtr><mtr><mtd><mn mathvariant="normal">3</mn><mo>,</mo><mtext> </mtext><mi>S</mi><mo>∈</mo><mo stretchy="false">[</mo><mn mathvariant="normal">0.75</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">1.0</mn><mo stretchy="false">]</mo></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189434&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189430&type= 34.12067032 20.74333191 <math display="block" id="M17"><mi>V</mi><mi mathvariant="normal">'</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable><mtr><mtd><mn mathvariant="normal">0</mn><mo>,</mo><mtext> </mtext><mi>V</mi><mo>∈</mo><mo stretchy="false">[</mo><mn mathvariant="normal">0</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">0.15</mn><mo stretchy="false">]</mo><mtext>   </mtext></mtd></mtr><mtr><mtd><mn mathvariant="normal">1</mn><mo>,</mo><mtext> </mtext><mi>V</mi><mo>∈</mo><mo stretchy="false">[</mo><mn mathvariant="normal">0.15</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">0.4</mn><mo stretchy="false">]</mo></mtd></mtr><mtr><mtd><mn mathvariant="normal">2</mn><mo>,</mo><mtext> </mtext><mi>V</mi><mo>∈</mo><mo stretchy="false">[</mo><mn mathvariant="normal">0.4</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">0.75</mn><mo stretchy="false">]</mo></mtd></mtr><mtr><mtd><mn mathvariant="normal">3</mn><mo>,</mo><mtext> </mtext><mi>V</mi><mo>∈</mo><mo stretchy="false">[</mo><mn mathvariant="normal">0.75</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">1.0</mn><mo stretchy="false">]</mo></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189440&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189438&type= 34.79800034 20.74333191 <math display="block" id="M18"><mi mathvariant="bold-italic">H</mi><mi mathvariant="normal">'</mi><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable columnalign="left"><mtr><mtd><mn mathvariant="normal">0</mn><mo>,</mo><mtext> </mtext><mi>H</mi><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">316</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">360</mn></mrow></mfenced></mtd></mtr><mtr><mtd><mn mathvariant="normal">1</mn><mo>,</mo><mtext> </mtext><mi>H</mi><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">1</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">25</mn></mrow></mfenced></mtd></mtr><mtr><mtd><mn mathvariant="normal">2</mn><mo>,</mo><mtext> </mtext><mi>H</mi><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">26</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">40</mn></mrow></mfenced></mtd></mtr><mtr><mtd><mn mathvariant="normal">3</mn><mo>,</mo><mtext> </mtext><mi>H</mi><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">41</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">120</mn></mrow></mfenced></mtd></mtr><mtr><mtd><mn mathvariant="normal">4</mn><mo>,</mo><mtext> </mtext><mi>H</mi><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">121</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">190</mn></mrow></mfenced></mtd></mtr><mtr><mtd><mn mathvariant="normal">5</mn><mo>,</mo><mtext> </mtext><mi>H</mi><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">191</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">270</mn></mrow></mfenced></mtd></mtr><mtr><mtd><mn mathvariant="normal">6</mn><mo>,</mo><mtext> </mtext><mi>H</mi><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">271</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">295</mn></mrow></mfenced></mtd></mtr><mtr><mtd><mn mathvariant="normal">7</mn><mo>,</mo><mtext> </mtext><mi>H</mi><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">296</mn><mo>,</mo><mtext> </mtext><mn mathvariant="normal">315</mn></mrow></mfenced></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189446&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189443&type= 35.72933197 54.10200119 H 被量化为8个等级， S 被量化为4个等级， V 被量化为4个等级，经过量化，岩矿所有像素构成了 <math id="M19"><mi mathvariant="bold-italic">H</mi><mi mathvariant="bold-italic">'</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189453&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189448&type= 3.89466691 2.70933342 ， <math id="M20"><mi mathvariant="bold-italic">S</mi><mi mathvariant="bold-italic">'</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189461&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189457&type= 3.30200005 2.70933342 ， <math id="M21"><mi mathvariant="bold-italic">V</mi><mi mathvariant="bold-italic">'</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189466&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189463&type= 3.55599999 2.70933342 图像矩阵。 最后，根据 式（12） 式（12） 将等级量化后得到的3个分量合成一维颜色特征向量 <math id="M22"><mi mathvariant="bold-italic">L</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189473&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189469&type= 2.03200006 2.62466669 ，并以颜色直方图的形式展示，从直方图中提取岩矿的颜色特征。 <math display="block" id="M23"><mi mathvariant="bold-italic">L</mi><mo>=</mo><mi mathvariant="bold-italic">H</mi><mi mathvariant="bold-italic">'</mi><mo>·</mo><msub><mrow><mi>Q</mi></mrow><mrow><mi mathvariant="normal">S</mi></mrow></msub><mo>·</mo><msub><mrow><mi>Q</mi></mrow><mrow><mi mathvariant="normal">V</mi></mrow></msub><mo>+</mo><mi mathvariant="bold-italic">S</mi><mi mathvariant="bold-italic">'</mi><mo>·</mo><msub><mrow><mi mathvariant="normal">Q</mi></mrow><mrow><mi mathvariant="normal">V</mi></mrow></msub><mo>+</mo><mi mathvariant="bold-italic">V</mi><mi mathvariant="bold-italic">'</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189479&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189476&type= 43.43399811 4.57200003 式中， <math id="M24"><msub><mrow><mi>Q</mi></mrow><mrow><mi mathvariant="normal">S</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189488&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189484&type= 3.64066648 4.48733330 为 S （饱和度）量化后的等级数， <math id="M25"><msub><mrow><mi>Q</mi></mrow><mrow><mi mathvariant="normal">V</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189494&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189491&type= 3.97933316 4.48733330 为 V （亮度）量化后的等级数（ 黄仁 等，2014 黄仁 等，2014 ）。 岩矿样本彩色图像的每个像素经过HSV模型的建立、等级量化与特征向量合成后会得到一个具体的特征值 <math id="M26"><mi>l</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189563&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189562&type= 1.10066664 2.62466669 ，特征值 <math id="M27"><mi>l</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189563&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189562&type= 1.10066664 2.62466669 有128个可能取值（ <math id="M28"><mi>l</mi><mo>∈</mo><mfenced separators="|"><mrow><mn mathvariant="normal">0,127</mn></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189510&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189506&type= 17.27199936 3.89466691 ），所有像素的特征值 <math id="M29"><mi>l</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189563&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189562&type= 1.10066664 2.62466669 构成 式（12） 式（12） 中的特征向量 <math id="M30"><mi mathvariant="bold-italic">L</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189528&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189523&type= 2.03200006 2.62466669 。针对每一块样本得到的HSV颜色特征值图像，首先统计该图像的总像元数 <math id="M31"><mi>T</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189534&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189530&type= 2.11666679 2.62466669 ；其次统计每一个特征值 <math id="M32"><mi>l</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189540&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189537&type= 1.10066664 2.62466669 （0—127）的频数 <math id="M33"><mi>N</mi><mo stretchy="false">(</mo><mi>l</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189545&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189541&type= 6.94266701 3.47133350 ；最后，利用 式（13） 式（13） 计算每一个特征值 <math id="M34"><mi>l</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189551&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189547&type= 1.10066664 2.62466669 的特征占有率 <math id="M35"><mi>f</mi><mfenced separators="|"><mrow><mi>l</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189555&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189554&type= 5.92666674 3.80999994 ： <math display="block" id="M36"><mi>f</mi><mfenced separators="|"><mrow><mi>l</mi></mrow></mfenced><mo>=</mo><mfrac><mrow><mi>N</mi><mo stretchy="false">(</mo><mi>l</mi><mo stretchy="false">)</mo></mrow><mrow><mi>T</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189560&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189558&type= 17.94933319 7.70466709 对于一块岩矿样本，以特征值 <math id="M37"><mi>l</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189563&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189562&type= 1.10066664 2.62466669 为横轴，特征占有率 <math id="M38"><mi>f</mi><mfenced separators="|"><mrow><mi>l</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189568&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189566&type= 5.92666674 3.80999994 为纵轴，绘制其颜色特征直方图。当某一个或某几个特征值的特征占有率远高于其他特征值，就表明这一个或几个颜色特征值对该岩矿的颜色信息贡献最大，可考虑采用这一个或几个颜色特征值作为该岩矿的识别指标。 从 图7 图7 中可以看出：颜色特征值 <math id="M39"><mi>l</mi><mo>=</mo><mn mathvariant="normal">3</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189578&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189576&type= 7.36600018 2.70933342 的占有率最高且达到为90%，这表明高岭石的颜色主要由 <math id="M40"><mi>l</mi><mo>=</mo><mn mathvariant="normal">3</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189578&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189576&type= 7.36600018 2.70933342 这一颜色特征值决定，因此将特征值 <math id="M41"><mi>l</mi><mo>=</mo><mn mathvariant="normal">3</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189578&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189576&type= 7.36600018 2.70933342 作为高岭石的识别指标。 4　实验与分析 1 4.1　波段运算实验分析 2 4.1.1　多光谱曲线库的建立 3 本节使用多光谱相机获取的原始影像，根据 式（5） 式（5） 对每块岩矿进行8波段反射率的计算，构建所有样本的光谱曲线库。 图8 图8 展示了部分岩矿的多光谱曲线（因样本数量较多，文中未展示所有岩矿光谱曲线）。本文在建立多光谱曲线库时，对2.2.2节中提及的3个场景多光谱影像数据全部进行了统计，发现了以下现象：3个场景下，同一块矿物的多光谱曲线呈现出不同的变化趋势。 如 图9 图9 所示，3个场景下高岭石的多光谱曲线呈现出不同的变化趋势。经过大量地统计，发现许多岩矿都存在这种现象，这表明不同拍摄条件（拍摄角度、拍摄距离、光照角度）下岩矿的光谱特性不同，针对不同的拍摄条件可能需要选择不同的波段进行岩矿识别。上述场景间的光谱差别是由地物的BRDF（Bidirectional Reflectance Distribution Function）效应和视场效应（由于视场变化引起的观测目标反射率变化的效应称之为视场效应（ 占文凤 等，2010） 占文凤 等，2010） ）引起的。自然界中绝大部分物体的反射具有各向异性，影响地物方向反射的因素众多，研究表明：太阳天顶角、天气条件以及下垫面状况的改变都会引起方向反射率较大的差异（ 赵云 等，2018 赵云 等，2018 ）。不同场景间的差异将在后续研究中采用模拟数据进行分析。此外，在场景2、3下拍摄多光谱影像，由于拍摄角度小和拍摄距离远产生了岩矿目标极小、相互遮挡的问题，导致在影像上难以准确采样。因此，本文提取的识别指标均基于场景1的原始多光谱数据。 4.1.2　CRISM光谱与本文光谱对比分析 3 CRISM光谱库是由CRISM团队提供的火星模拟材料实验室光谱集合。本节首先将各类岩矿CRISM光谱库中的高光谱反射率数据重采样到多光谱相机的8个波段上，然后将重采样得到的CRISM光谱曲线与本文通过多光谱相机影像建立的8波段光谱曲线进行对比分析以检验本文光谱的可靠性，并为使用波段运算识别岩矿提供参考。 在 图10 图10 中可以看到：赤铁矿的多光谱相机光谱曲线与CRISM光谱曲线在525—650 nm内变化趋势相反，且其多光谱相机光谱曲线在525—650 nm内反射率增长最快，CRISM光谱曲线在950—1000 nm内反射率增长最快；方解石是一种碳酸钙矿物，其CRISM光谱曲线中未见明显的吸收特征，多光谱相机光谱曲线在800 nm、900 nm处达到反射峰值、1000 nm处有吸收特征；绿泥石的CRISM光谱曲线和多光谱相机光谱曲线均在700 nm处存在吸收特征；蛇纹石CRISM光谱曲线在700 nm和900 nm处存在吸收特征，多光谱相机光谱曲线在950 nm处出现较强吸收特征；石膏的两种光谱曲线表现大体相同，只是其多光谱相机光谱曲线的反射率增减幅度更大，可将（R480-R750）作为一种波段运算的尝试；白云母的两种光谱曲线表现极为相似，只是其CRISM光谱曲线的反射率增减幅度更大；滑石的两种光谱曲线在480—900 nm走势相同，只是其CRISM光谱反射率在900—1000 nm内持续上升，而多光谱相机光谱曲线无明显变化；高岭石的两种光谱曲线自650 nm后走势完全相反。总之，除了赤铁矿和高岭石外，岩矿的CRISM光谱曲线与多光谱相机光谱曲线总体上比较接近；CRISM光谱曲线与本文基于地面实验建立的多光谱相机光谱曲线在480—1000 nm范围内存在部分不吻合之处。于是本文还将 图10 图10 中所有岩矿的USGS（United States Geological Survey）光谱重采样到多光谱相机的8个波段下，再与本文多光谱相机光谱曲线进行对比。 1,2;3,4;5,6;7,8;9; 在 图10 图10 中只有赤铁矿、高岭石的CRISM光谱与本文光谱整体上差异很大，而由 图11 图11 可知：赤铁矿的USGS光谱曲线与多光谱相机光谱曲线整体上的变化趋势较吻合；高岭石的USGS光谱曲线与多光谱相机光谱曲线在650 nm后仍存在较大差异。蛇纹石的USGS光谱曲线与多光谱相机光谱曲线在900 nm后仍然存在差异；相比USGS光谱曲线，滑石的多光谱相机光谱曲线更贴近于CRISM光谱。由此可见本文的多光谱相机光谱曲线与CRISM等实验室光谱库的光谱大体相似，但部分岩矿在部分波段范围存在偏差。这种差异与岩矿本身、拍摄条件有密切关系，这说明一次地表实验不能够完全模拟火星环境，后续采用模拟数据进行分析是非常必要的。 1,2;3,4;5,6;7,8;9; 4.1.3　波段运算及结果分析 3 本节综合考虑了CRISM光谱曲线、USGS光谱曲线和本文建立的多光谱相机光谱曲线的特征，以增强岩矿之间的差异性为目的，针对具体岩矿进行了多光谱影像波段运算形式的设计，在ENVI中进行波段运算并显示结果图（运算值由小到大表现为由黑到白）。其中：波段运算（ R 1000 / R 900 + R 650 / R 525 ）的结果中三价铁氧化物赤铁矿和针铁矿表现突出；遂安石在650 nm和700 nm处反射峰相当，在950 nm和1000 nm处有吸收特征，最终波段运算（ R 650 / R 950 ）最大程度增强了遂安石与其他岩矿的差异性；辉长岩在525 nm处呈微弱吸收特征，在950 nm附近反射率最低，波段运算（ R 480 - R 650 ）/ R 950 突出了辉长岩；蛇纹石在900—1000 nm范围内出现较强吸收谷，波段运算（ R 900 / R 950 + R 1000 / R 950 ）突出了蛇纹石；滑石在700—800 nm内反射率明显降低，波段运算（ R 700 - R 800 ）突出了滑石；方解石在800 nm和900 nm达到反射峰，800 nm之前反射增强，900 nm之后吸收增强，最终（ R 700 - R 900 ）×（ R 800 - R 1000 ）突出了方解石。 图12 图12 展示了2张具有代表性的波段运算结果图。 图12（a） 图12（a） 为（ R 700 - R 800 ）的波段运算结果图，图中红框框出的亮白色矿物为滑石，因此在识别滑石时可将波段运算（ R 700 - R 800 ）作为其识别指标； 图12（b） 图12（b） 为波段运算（ R 700 - R 900 ）×（ R 800 - R 1000 ）的结果图，图中红框框出的黑色矿物为方解石，因此在识别方解石时可将波段运算（ R 700 - R 900 ）×（ R 800 - R 1000 ）作为其识别指标。 图12 图12 展示的结果只能使人在视觉上感受到被突显的岩矿，为了识别时能够定量描述岩矿，本文对识别具体岩矿的波段运算结果在ENVI中进行统计并给出识别阈值。选取阈值时，对岩矿的波段运算结果做直方图统计，选取峰值及附近像元占比大于95%所对应的波段运算值范围作为阈值。最终，本文将波段运算可识别的岩矿及其识别指标和对应阈值列于 表3 表3 。 1,2; 矿物名称 识别指标及阈值 高岭石 8波段均值 阈值：0.12—0.15 辉长岩 （ R 480 - R 650 ）/ R 950 阈值：0.5±0.1 滑石 R 700 - R 800 阈值： 0.010—015 遂安石 R 650 / R 950 阈值：4.0—4.5 赤铁矿 R 1000 / R 900 + R 650 / R 525 阈值：2.0—2.5 方解石 10000×（ R 700 - R 900 ）×（ R 800 - R 1000 ） 阈值：-2.25—-1.75 蛇纹石 R 1000 / R 950 + R 900 / R 950 阈值：5±0.125 实验样本中共有两块高岭石，根据 表3 表3 给出的高岭石识别指标进行8波段均值运算得到 图13 图13 ，由 图13 图13 可知标记为1、2、3的物体表现突出，但在视觉上并不能确认其类别。根据指标所述对标记为1、2、3的物体的波段运算值进行多次统计，得到结果如下：标记1的8波段均值运算结果在0.140—0.145范围内、标记2的8波段均值运算结果在0.125—0.145范围内，两者都符合 表3 表3 中给出的阈值范围0.12—0.15；标记3的8波段均值结果在0.10—0.11范围内，不符合 表3 表3 中给出的高岭石阈值范围。由此判断标记1、2的物体为高岭石，而标记3非高岭石。因布设样本时已知1、2为高岭石，3为标准参考板，这也证明了识别结果的可靠性。 4.2　颜色特征提取结果分析 2 4.2.1　基于真彩色图像提取颜色特征 3 首先使用多光谱影像中的红、绿、蓝3个波段影像合成真彩色图像，然后按照 式（6） 式（6） （7）（8）将真彩色图像影像转至HSV颜色空间下，接着按照 式（9） 式（9） 、 式（10） 式（10） 、 式（11） 式（11） 对 H 、 S 、 V 进行分级量化，最后根据 式（12） 式（12） 、 式（13） 式（13） 逐像素统计并绘制岩矿的HSV颜色特征直方图。 图 7 7 、 14 14 、 15 15 列出了具有代表性的3种岩矿HSV颜色特征直方图。 图7 图7 为高岭石颜色特征直方图，特征值 <math id="M42"><mi>l</mi><mo>=</mo><mn mathvariant="normal">3</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189775&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189773&type= 7.36600018 2.70933342 的贡献率最大，高达90%，因此可将特征值 <math id="M43"><mi>l</mi><mo>=</mo><mn mathvariant="normal">3</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189775&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189773&type= 7.36600018 2.70933342 作为高岭石的识别指标； 图14 图14 为蛇纹石颜色特征直方图，特征值 <math id="M44"><mi>l</mi><mo>=</mo><mn mathvariant="normal">22</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189783&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189782&type= 9.22866726 2.62466669 的贡献率最大，高于50%，且颜色特征值几乎都集中在 <math id="M45"><mi>l</mi><mo>=</mo><mn mathvariant="normal">22</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189783&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189782&type= 9.22866726 2.62466669 附近，因此可将特征值 <math id="M46"><mi>l</mi><mo>=</mo><mn mathvariant="normal">22</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189783&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189782&type= 9.22866726 2.62466669 作为蛇纹石的识别指标。上述两种岩矿可归为基于颜色特征易于识别的岩矿。 图15 图15 为绿泥石的颜色特征直方图，绿泥石的颜色特征值零散地分布在 l 取值在0—127，没有明显的集中或峰值，这种岩矿可归为基于颜色特征值不易识别的岩矿。 4.2.2　基于假彩色图像提取颜色特征 3 考虑到多光谱相机具有8个波段，为了充分发挥该相机的优势，除了传统的真彩色图像，本文还利用其他波段的影像数据合成了不同形式的假彩色图像去挖掘岩矿的颜色特征。 图16 图16 展示了4幅不同的假彩色图像，每幅图像由多光谱相机影像中不同于红、绿、蓝的3个波段影像组合而成。 1,2;3,4; 通过选择8波段影像中的3个波段进行假彩色合成，进行与4.2.1节中相同的颜色特征提取并绘制颜色特征直方图（ 图17 图17 ），结果表明： 图16（b） 图16（b） 的假彩色图像中遂安石具有突出的颜色特征，突出特征值为 <math id="M47"><mi>l</mi><mo>=</mo><mn mathvariant="normal">90</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189813&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189812&type= 9.22866726 2.70933342 ； 图16（d） 图16（d） 的假彩色图像中蛇纹石、方解石具有突出的颜色特征，突出特征值分别为 <math id="M48"><mi>l</mi><mo>=</mo><mn mathvariant="normal">118</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189815&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189814&type= 11.09133339 2.70933342 、 <math id="M49"><mi>l</mi><mo>=</mo><mn mathvariant="normal">83</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189817&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189816&type= 9.22866726 2.70933342 。 1,2,3; 基于假彩色图像提取颜色特征的实验结果表明：使用假彩色图像对岩矿进行颜色特征提取，只有遂安石、蛇纹石、方解石的颜色特征相比它们在真彩色图像中更为突出，其他的岩矿在假彩色图像中并没有表现出相比于真彩色图像的颜色优越性。因此针对在假彩色图像中颜色特征更为明显的岩矿（如上述3种），识别时可以不局限于使用真彩色图像提取颜色特征，这也能发挥8通道多光谱影像的优势。本文将基于何种彩色图像识别岩矿以及所用的识别指标列于 表4 表4 。 注： <math id="M63"><mi>l</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189860&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189859&type= 0.84666669 2.03200006 代表特征值，表中将某确定的特征值 <math id="M64"><mi>l</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189860&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189859&type= 0.84666669 2.03200006 作为对应矿物的识别指标。 合成颜色图像所使用的波段 矿物名称 识别指标 10 第3，2，1波段（真彩色图像） 方解石 <math id="M50"><mi>l</mi><mo>=</mo><mn>7</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189838&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189837&type= 5.58799982 2.03200006 高岭石BL14-4 <math id="M51"><mi>l</mi><mo>=</mo><mn>3</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189832&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189831&type= 5.58799982 2.03200006 遂安石 <math id="M52"><mi>l</mi><mo>=</mo><mn>118</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189852&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189851&type= 8.46666718 2.03200006 含橄榄岩包体玄武岩 <math id="M53"><mi>l</mi><mo>=</mo><mn>22</mn><mo>&</mo><mn>38</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189836&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189835&type= 11.85333347 2.03200006 石膏 <math id="M54"><mi>l</mi><mo>=</mo><mn>7</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189838&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189837&type= 5.58799982 2.03200006 滑石 <math id="M55"><mi>l</mi><mo>=</mo><mn>23</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189840&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189839&type= 7.02733374 2.03200006 蛇纹石 <math id="M56"><mi>l</mi><mo>=</mo><mn>22</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189842&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189841&type= 7.02733374 2.03200006 白云母 <math id="M57"><mi>l</mi><mo>=</mo><mn>69</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189844&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189843&type= 7.02733374 2.03200006 橄榄辉石岩 <math id="M58"><mi>l</mi><mo>=</mo><mn>5</mn><mo>&</mo><mn>117</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189846&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189845&type= 11.85333347 2.03200006 水晶 <math id="M59"><mi>l</mi><mo>=</mo><mn>114</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189848&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189847&type= 8.46666718 2.03200006 第6，5，4波段（假彩色图像） 遂安石 <math id="M60"><mi>l</mi><mo>=</mo><mn>90</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189850&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189849&type= 7.02733374 2.03200006 第8，7，6波段（假彩色图像） 蛇纹石 <math id="M61"><mi>l</mi><mo>=</mo><mn>118</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189852&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189851&type= 8.46666718 2.03200006 方解石 <math id="M62"><mi>l</mi><mo>=</mo><mn>83</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189854&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189853&type= 7.02733374 2.03200006 4.3　小结 2 本实验首先根据岩矿的光谱曲线特征选择合适的波段进行波段运算，以达到识别不同岩矿的目的。实验过程中发现：岩矿的光谱特征会因为多光谱相机拍摄条件不同（包括角度、距离、环境等）而表现出差异，此外场景2、3影像中的岩矿存在遮挡、目标太小无法采样的问题，因此最终实验选取了场景1这一固定场景进行深入研究。另外，岩矿样本的光谱曲线中大部分样本具有相似性，8波段的光谱影像数据不足以区分所有样本，因此本文又引入了颜色特征对岩矿进行识别研究。两种方法各自可识别的岩矿列于 表3 表3 和 表4 表4 中。 5　结论 1 本文主要使用波段运算和颜色特征提取这两种方法来研究不同类型岩矿的识别。经过实验研究发现：上述两种方法各自有其适合识别的岩矿类型，且拍摄条件不同会影响识别结果。本文得出的主要结论如下： （1）使用波段运算的方法适合识别的岩矿至少须满足条件：1）岩矿的多光谱曲线存在显著的光谱特征，如光谱曲线中存在峰值或谷值；2）岩矿本身的光谱反射率极高或极低（明显高或低于其他矿物）；3）不同波段间的反射率变化大。（2）提取颜色特征值的方法可识别的岩矿须满足以下条件：岩矿的颜色特征直方图存在明显峰值或岩矿的颜色特征值集中分布在某一值附近。（3）不同拍摄条件下岩矿的光谱特征可能有不同的表现，本文选择了相机拍摄距离最近、影像中各个岩矿遮挡的情况最少、易于采样的一个场景进行研究，但在实际情况中多光谱相机拍摄的角度多种多样，因此将来需要针对更多不同拍摄场景进行研究，确定不同场景下识别岩矿的指标。 参考文献（References） Carter J , Poulet F , Bibring J P , Mangold N andMurchie S . 2013 . Hydrous minerals on Mars as seen by the CRISM and OMEGA imaging spectrometers: Updated global view . Journal of Geophysical Research : Planets , 118 ( 4 ) [DOI: B10.1029/2012JE004145] Hydrous minerals on Mars as seen by the CRISM and OMEGA imaging spectrometers: Updated global view Deng J Y and Chen J P . 2018 . Quantitative analysis of multi spectral image band ratio method to eliminate terrain shadow . Journal of Geology , 042 ( 003 ): 501 - 506 Quantitative analysis of multi spectral image band ratio method to eliminate terrain shadow 邓佳音 , 陈建平 . 2018 . 多光谱影像波段比值法消除地形阴影的定量分 . 地质学刊 ， 042 ( 003 ): 501- 506 [ DOI: CNKI:SUN:JSDZ.0.2018-03-023 http://dx.doi.org/CNKI:SUN:JSDZ.0.2018-03-023 ] 多光谱影像波段比值法消除地形阴影的定量分 Gou S , Yue Z Y , Di K C and Zhang X . 2017 . Advances in aqueous minerals detection on Martian surface . Journal of Remote Sensing , 021 ( 004 ): 531 - 548 Advances in aqueous minerals detection on Martian surface 芶盛 , 岳宗玉 , 邸凯昌 , 张霞 . 2017 . 火星表面含水矿物探测进展 . 遥感学报 , 021 ( 004 ): 531- 548 [ DOI: 10.11834/jrs.20176335 http://dx.doi.org/10.11834/jrs.20176335 ] 火星表面含水矿物探测进展 Han D , Wu P , Zhang Q , Han G D and Tong F . 2016 . Feature extraction and image recognition of typical grassland forage based on color moment . Transactions of the Chinese Society of Agricultural Engineering . 032 ( 023 ): 168 - 175 Feature extraction and image recognition of typical grassland forage based on color moment 韩丁 , 武佩 , 张强 , 韩国栋 ， 通霏 . 2016 . 基于颜色矩的典型草原牧草特征提取与图像识别 . 农业工程学 ， 032 ( 023 ): 168- 175 [ DOI: 10.11975/j.issn.1002-6819.2016.23.023 http://dx.doi.org/10.11975/j.issn.1002-6819.2016.23.023 ] 基于颜色矩的典型草原牧草特征提取与图像识别 He Y T and Ke C Q . 2008 . Application of semi variance function texture extraction in remote sensing image classification . Remote Sensing Technology and Application , 023 ( 005 ): 571 - 575 Application of semi variance function texture extraction in remote sensing image classification 何宇婷 , 柯长青 . 2008 . 半方差函数纹理提取在遥感图像分类中的应用 . 遥感技术与应用 , 023 ( 005 ): 571- 575 [ DOI: 10.11873/j.issn.1004-0323.2008.5.571 http://dx.doi.org/10.11873/j.issn.1004-0323.2008.5.571 ] 半方差函数纹理提取在遥感图像分类中的应用 Huang R and Hu M . 2014 . Content-based Image Retrieval Using Color Position and Texture Fused Features . Computer Science , 118 - 121 Content-based Image Retrieval Using Color Position and Texture Fused Features 黄仁 ， 胡敏 . 2014 . 综合颜色空间特征和纹理特征的图像检索 . 计算机科学 , 118 - 121 [DOI: CNKI:SUN:JSJA.0.2014-S1-026] 综合颜色空间特征和纹理特征的图像检索 Li C L , Liu J J , Geng Y , Cao J B , Zhang T L , Fang G Y , Yang J F , Shu R , Zou Y L , Lin Y T and Ouyang Z Y . 2018 . Scientific objectives and payload configuration of China’s first Mars exploration mission . Journal of Deep Space Exploration, volume 5 ( 5 ): 406 - 413 Scientific objectives and payload configuration of China’s first Mars exploration mission 李春来 , 刘建军 , 耿言 , 曹晋滨 , 张铁龙 , 方广有 , 杨建峰 , 舒嵘 , 邹永廖 , 林杨挺 , 欧阳自远 . 2018 . 中国首次火星探测任务科学目标与有效载荷配置 . 深空探测学报 , 5 ( 5 ): 406- 413 [ DOI: 10.15982/j.issn.2095-7777.2018.05.002 http://dx.doi.org/10.15982/j.issn.2095-7777.2018.05.002 ] 中国首次火星探测任务科学目标与有效载荷配置 Lin H L . 2018 . Hyperspectral remote sensing method for fine classification of Hydrous Minerals in Mars . Beijing : Chinese Academy of Sciences Hyperspectral remote sensing method for fine classification of Hydrous Minerals in Mars 林红磊 . 2018 . 火星含水矿物精细类别的高光谱遥感探测方法研究 火星含水矿物精细类别的高光谱遥感探测方法研究 Ody A , Poulet F , Langevin Y , Bibring J P , Bellucci G , Altieri F , Gondet B , Vincendon M , Carter J and Manaud N . Global maps of anhydrous minerals at the surface of Mars from OMEGA/MEX . 2012 . Journal of Geophysical Research , 117 : E00 J 14 [ DOI: 10.1029/2012JE004117 http://dx.doi.org/10.1029/2012JE004117 ] Global maps of anhydrous minerals at the surface of Mars from OMEGA/MEX Pelkey S M , Mustard J F , Murchie S , Clancy R , Wolff M , Smith M , Milliken R , Bibring J P , Gendrin A and Poulet F . 2007, CRISM multispectral summary products: Parameterizing mineral diversity on Mars from reflectance . Journal of Geophysical Research Planets , 112 ( E8 ): 171 - 178 [ DOI: 10.1029/2006JE002831 http://dx.doi.org/10.1029/2006JE002831 ] 2007, CRISM multispectral summary products: Parameterizing mineral diversity on Mars from reflectance Poulet F , Gomez C , Bibring JP , Langevin Y , Gondet B , Pinet P , Belluci G and Mustard J . 2007 . Martian surface mineralogy from observatoire pour la minéralogie, l'eau, les glaces et l'activitéon board the mars express spacecraft (omega/mex): global mineral maps. Journal of Geophysical Research Planets, 112(E 8 ) [DOI: 10.1029/2006JE002840] Martian surface mineralogy from observatoire pour la minéralogie, l'eau, les glaces et l'activitéon board the mars express spacecraft (omega/mex): global mineral maps. Journal of Geophysical Research Planets, 112(E Salvatore M R , Goudge T A , Bramble M S , Edward C S , Bandfield J L , Amador E S , Mustard J F and Christensen P R . Bulk mineralogy of the NE Syrtis and Jezero crater regions of Mars derived through thermal infrared spectral analyses [J]. Icarus , 2017 : S 0019103517302944 [ DOI: 10.1016/j.icarus.2017.09.019 http://dx.doi.org/10.1016/j.icarus.2017.09.019 ] Bulk mineralogy of the NE Syrtis and Jezero crater regions of Mars derived through thermal infrared spectral analyses Song B J . 2019 . Application of unsupervised clustering algorithm in rock image analysis . Xi’an : Xi`an Shiyou University Application of unsupervised clustering algorithm in rock image analysis 宋博敬 . 2019 . 非监督聚类算法在岩石图像分析中的应用研究 . 西安 ： 西安石油大学 非监督聚类算法在岩石图像分析中的应用研究 Tang S L , Cao J N and Wang K . 2021 . Remote sensing mineralization alteration information extraction based on PCA, Multilevel Segment Method, and SVM . Journal of Remote Sensing , 25 ( 2 ): 653 - 664 Remote sensing mineralization alteration information extraction based on PCA, Multilevel Segment Method, and SVM 唐淑兰 , 曹建农 , 王凯 . 2021 . 结合PCA、多尺度分割及SVM的ASTER遥感蚀变信息提取 . 遥感学报 , 25 ( 2 ): 653- 664 [ DOI: 10.11834/jrs.20219091 http://dx.doi.org/10.11834/jrs.20219091 ] 结合PCA、多尺度分割及SVM的ASTER遥感蚀变信息提取 Victoria E , Hamilton , Philip R and Christensen . 2005 . Evidence for extensive, olivine-rich bedrock on Mars . Geology ; 33 ( 6 ): 433 - 436 [ DOI: https://doi.org/10.1130/G21258.1 https://doi.org/10.1130/G21258.1 ] Evidence for extensive, olivine-rich bedrock on Mars Viviano-Beck , C E , Seelos , F P , Murchie , S L , Kahn E G , Seelos K D , Taylor , H W , Taylor Kelly , Ehlmann , B L , Wiseman S M , Mustard J F , and Morgan M F . 2014 . Revised CRISM spectral parameters and summary products based on the currently detected mineral diversity on Mars, J . Geophys. Res. Planets , 119 , 1403 - 1431 [ DOI: 10.1002/2014je004627 http://dx.doi.org/10.1002/2014je004627 ] Revised CRISM spectral parameters and summary products based on the currently detected mineral diversity on Mars, J Wei J L . 2017 . Silicate rock remote sensing recognition based on thermal radiation and texture features . Beijing : China University of Geoscience(beijing) (韦佳黎 . 2017. 基于热辐射与纹理特征的硅酸盐岩石遥感识别 .北京：中国地质大学(北京)) [DOI: CNKI:CDMD:2.1017.136029] Silicate rock remote sensing recognition based on thermal radiation and texture features Wei J , Ming Y F , Han L S , Ren Z L and Guo Y M . 2015 . Mineral information remote sensing recognition method based on multi type spectral feature parameter matching . Spectroscopy and Spectral Analysis , 190 - 194 Mineral information remote sensing recognition method based on multi type spectral feature parameter matching 韦晶 , 明艳芳 , 韩留生 , 任仲亮 , 郭亚敏 . 2015 . 基于多类型光谱特征参数匹配的矿物信息遥感识别方法 . 光谱学与光谱分析 , 190 - 194 ) [DOI: 10.3964/j.issn.1000-0593(201510-2862-05] 基于多类型光谱特征参数匹配的矿物信息遥感识别方法 Xu Q Land Yi J H . 2014 . A calculation method of optimal band combination of TM remote sensing image based on optimal exponential model . Geomatics & Spatial Information Technology , 000 ( 004 ): 32 - 35 A calculation method of optimal band combination of TM remote sensing image based on optimal exponential model 许泉立 , 易俊华 . 2014 . 一种基于最佳指数模型的TM遥感影像最佳波段组合计算方法 . 测绘与空间地理信息 , 000 ( 004 ): 32- 35 [ DOI: 10.3969/j.issn.1672-5867.2014.04.008 http://dx.doi.org/10.3969/j.issn.1672-5867.2014.04.008 ] 一种基于最佳指数模型的TM遥感影像最佳波段组合计算方法 Xu W H . 2010 . Texture analysis and classification of remote sensing image based on Fractal Theory . Changsha : Central South University Texture analysis and classification of remote sensing image based on Fractal Theory 徐文海 . 2010 . 基于分形理论的遥感影像纹理分析与分类研究 . 长沙 ： 中南大学) [ DOI: 10.7666/d.y1718850 http://dx.doi.org/10.7666/d.y1718850 ] 基于分形理论的遥感影像纹理分析与分类研究 Yang Y , Jin S G and Xue Y S . 2016 . Exploration and evolution of water bearing minerals on the surface of Mars using CRISM data . Journal Of Deep Space Exploration , 3 ( 2 ): 187 - 194 Exploration and evolution of water bearing minerals on the surface of Mars using CRISM data 杨懿 , 金双根 , 薛岩松 . 2016 . 利用CRISM数据探测火星表面含水矿物及其演化 . 深空探测学报 , 3 ( 2 ): 187- 194 [ DOI: 10.15982/j.issn.2095-7777.2016.02.015 http://dx.doi.org/10.15982/j.issn.2095-7777.2016.02.015 ] 利用CRISM数据探测火星表面含水矿物及其演化 Zhan W F , Chen Y H , Ma W , Zhou J and Li J . 2010 . Analysis of Field of View Effect of Bright Temperature Observation in City Target Direction . Journal of Remote Sensing , ( 02 ): 372 - 395 Analysis of Field of View Effect of Bright Temperature Observation in City Target Direction 占文凤 , 陈云浩 , 马伟 , 周纪 , 李京 . 2010 . 城市目标方向亮温观测的视场效应分析. 遥感学报, (02): 372 - 395 [DOI: 10.11834/jrs.20100213] 城市目标方向亮温观测的视场效应分析. 遥感学报, (02): Zhang J , Sokhansanj S , Wu S , Fang R , Yang W and Winter P . 1998 . A transformation technique from RGB signals to the Munsell system for color analysis of tobacco leaves . Computers and Electronics in Agriculture , 19 ( 2 ): 155 - 166 [ DOI: 10.1016/S0168-1699(97)00041-0 http://dx.doi.org/10.1016/S0168-1699(97)00041-0 ] A transformation technique from RGB signals to the Munsell system for color analysis of tobacco leaves Zhang X , Wu X , Lin H L and Wang N . 2018 . Retrieval of mineral abundances of delta region in Eberswalde, Mars . Journal of Remote Sensing , 22 ( 2 ): 304 - 312 Retrieval of mineral abundances of delta region in Eberswalde, Mars 张霞 , 吴兴 , 林红磊 , 王楠 . 2018 . 火星Eberswalde撞击坑三角洲矿物丰度反演 . 遥感学报 , 22 ( 2 ): 304- 312 [ DOI: 10.11834/jrs.20187046 http://dx.doi.org/10.11834/jrs.20187046 ] 火星Eberswalde撞击坑三角洲矿物丰度反演 Zhao Y , Xie D H , Deng L , Yan Y N and Li B X . 2018 . Method and system realization for calculating BRDF using multi-angle images . Remote Sensing Technology and Application , 033 ( 004 ): 741 - 749 Method and system realization for calculating BRDF using multi-angle images 赵云 , 谢东海 , 邓磊 , 闫亚男 , 李博旭 . 2018 . 利用多角度影像计算BRDF的方法与系统实现 . 遥感技术与应用 , 033 ( 004 ): 741- 749 [ DOI: 10.11873/j.issn.1004-0323.2018.4.0741 http://dx.doi.org/10.11873/j.issn.1004-0323.2018.4.0741 ] 利用多角度影像计算BRDF的方法与系统实现 Zhu M Q , Zhou W P and Hu Q Y . 2010 . New progress in hyperspectral exploration of mineral composition by Mars Express Omega . Advances in Earth Science . 25 ( 7 ): 691 - 697 New progress in hyperspectral exploration of mineral composition by Mars Express Omega 祝民强 , 周万蓬 , 胡全一 . 2010 . 火星快车OMEGA高光谱探测矿物组成的新进展 . 地球科学进展 , 25 ( 7 ): 691- 697 [ DOI: 10.11867/j.issn.1001-8166.2010.07.0691 http://dx.doi.org/10.11867/j.issn.1001-8166.2010.07.0691 ] 火星快车OMEGA高光谱探测矿物组成的新进展 本研究所使用的实验样本得到了国家岩矿化石标本资源共享平台的支持，在此表示感谢！ 10.11834/jrs.20211065 1007-4619（2021）07-1385-15 谢涓，闫凯，康志忠，徐箫剑，薛彬，杨建峰，陶金有.2021.“祝融号”火星车多光谱相机岩矿类型识别的地面验证研究.遥感学报，25（7）： 1385-1399 谢涓，闫凯，康志忠，徐箫剑，薛彬，杨建峰，陶金有.2021.“祝融号”火星车多光谱相机岩矿类型识别的地面验证研究.遥感学报，25（7）： 1385-1399 Xie J，Yan K，Kang Z Z，Xu X J，Xue B，Yang J F and Tao J Y. 2021. Verification study for the mineral and rock identification using multispectral camera of the “Zhurong” Mars Rover on the earth. National Remote Sensing Bulletin， 25（7）：1385-1399 Xie J，Yan K，Kang Z Z，Xu X J，Xue B，Yang J F and Tao J Y. 2021. Verification study for the mineral and rock identification using multispectral camera of the “Zhurong” Mars Rover on the earth. National Remote Sensing Bulletin， 25（7）：1385-1399 国家重点研发计划（编号：2019YFE0123300）；国防科工局民用航天技术预先研究项目（编号：D020103）；北京市科技计划课题资助项目（编号：Z191100004319001） Supported by National Key Research and Development Program of China (No.2019YFE0123300); Civil Aerospace Technology Advance Research Project of National Defense Science and Engineering (No.D020103); Beijing Science and Technology Project (No.Z191100004319001) 2021-02-07 2021-07-07 2021-09-18 2021-06-01 遥感学报 7 25