Manolakis (2003) cree que la detección de objetivos consiste en distinguir el objetivo del objeto de fondo y determinar la existencia del objetivo en cada píxel. En el campo de la teledetección hiperespectral, en los últimos años se han desarrollado muchos algoritmos de detección de objetivos. Según el modelo del algoritmo, se puede dividir en modelo espacial original, modelo subespacial y modelo espacial blanqueado (Zhang Bing et al., 2011). Robey et al. (1992) propusieron un filtro adaptado adaptativo (AMF), que utiliza un modelo de distribución normal multidimensional para simular el fondo, pero no puede expresar bien los cambios en el fondo. Liu Xiang (2008) analizó la distribución de contorno elíptico (ECD) y creía que este modelo puede predecir de manera sensible los cambios de señal con el medio ambiente. Cuando se conocen los espectros objetivo y de fondo, Harsanyi (1993) propuso un algoritmo de proyección subespacial ortogonal (OSP), que considera el espectro de fondo y la señal residual máxima bajo varios ruidos. Además, Harsanyi también propuso un algoritmo de minimización de energía restringida (CEM). Este algoritmo amplifica las señales en una dirección específica y reduce otras señales de fondo según el espectro del objetivo, logrando así la detección del objetivo y es adecuado para la detección de objetivos pequeños. Sin embargo, al detector CEM le resulta difícil separar la señal del extremo objetivo de la señal de ruido (Dubo, 2010). Ling Lina et al. (2007) primero dedujeron la información de fondo de la imagen a través de la tecnología PCA, luego seleccionaron los miembros finales mediante el método IEA (análisis de error iterativo) y sustituyeron el espectro del miembro final en CEM como un espectro conocido, extrayendo así objetivos pequeños. Para ampliar la aplicación de CEM en la detección de objetivos grandes, Geng Xiurui (2005) también mejoró el operador original diseñando una matriz de autocorrelación ponderada y propuso el operador CEM de matriz de autocorrelación ponderada (WCM-CEM). Reed et al. (1990) desarrollaron el operador de detección de anomalías RXD. Su algoritmo se basa en el supuesto de que los objetos anormales a menudo salen del hiperplano de la "nube" de datos construido a partir de datos de imágenes, es decir, cuando la imagen se encuentra entre el píxel anormal y el vector medio de la imagen Cuando hay una gran variación en la proyección en la dirección de conexión, este operador fallará (Zhang Bing et al., 2011. Geng Xiurui (2007) diseñó un algoritmo de detección de anomalías de distancia de blanqueamiento (WAAD) basado en el blanqueamiento de datos. distancia El algoritmo blanquea los datos hiperespectrales (WP) para que la "nube" de datos sea esférica en el espacio de características, mientras que los píxeles anormales todavía están fuera de la nube esférica, lo que resuelve el problema de la falla de detección de RXD. aplicación de CEM en la detección de objetivos grandes, Geng Xiurui también mejoró el operador original al diseñar una matriz de autocorrelación ponderada y propuso la matriz de correlación ponderada CEM (WCM-CEM) estudió datos hiperespectrales del subespacio ortogonal y del objetivo. Proyecciones subespaciales. Método de supresión de ruido y fondo. Lu Wei et al. (2006) propusieron un método de proyección de características no supervisado, utilizando el método de búsqueda de proyección de optimización genética codificada real para extraer objetivos pequeños desde la perspectiva de una distribución anormal. p> En los últimos años, los círculos científicos y tecnológicos y los departamentos industriales nacionales y extranjeros han realizado investigaciones en profundidad sobre la detección de recursos minerales y el monitoreo de contaminantes de metales pesados en áreas mineras desde diferentes aspectos en términos de detección de recursos minerales por teledetección hiperespectral. , los espectrómetros de imágenes se utilizan para medir las características espectrales de rocas y minerales y llevar a cabo investigaciones sobre minerales y entornos de detección, obtener información cartográfica integrada, formar procesos y métodos técnicos para la identificación y mapeo de rocas y minerales hiperespectrales y lograr avances en rocas. e identificación de minerales, extracción de información y mapeo temático (Boardman et al., 1994; Du Peijun et al., 2003; Cruz et al., 2006; Zhang Jie, 2006; Zhang Bing et al., 2008; Wang Runsheng et al. , 2007, 2010). En los últimos diez años, se han llevado a cabo investigaciones sobre métodos de seguimiento, análisis y evaluación de la contaminación por metales pesados en las minas. El número de artículos e informes ha aumentado gradualmente.
Por ejemplo, se utilizan datos hiperespectrales y pedigríes de identificación de minerales para identificar eficazmente los tipos de contaminación en áreas mineras de cobre (Gan Fuping, 2004); se analizaron en el laboratorio las características espectrales del suelo alrededor de las montañas de ganga de carbón con diversos grados de contaminación por cobre y metales pesados ( Gao et al., 2005); basado en espectrómetros A partir de los datos espectrales medidos, considerando de manera integral las características espectrales de los contaminantes, se llevó a cabo una investigación de extracción de información sobre la contaminación causada por contaminantes de minas y minerales residuales, la contaminación del agua y la contaminación de la vegetación causada por aguas residuales metalúrgicas. y contaminación por metales pesados en suelos mineros causada por actividades mineras a largo plazo (Kemper et al. al., 2002; Yan Shouxun et al., 2003; Zhong Changkai, 2004; Gan Fuping, 2004; Cui Longpeng et al., 2004 ; Zhang Jie, 2006; Choe et al., 2008; Ren et al., 2009; Rashid, 2010). Además, hay académicos que han realizado muchas investigaciones sobre los parámetros bioquímicos de la vegetación, el índice de vegetación, los espectros derivados y el borde rojo. análisis de cambios, análisis de regresión, efectos del estrés, monitoreo de enfermedades, detección de residuos de pesticidas, contaminación por metales pesados, etc. (Mutanga et al., 2004; Liu et al., 2004; Chen et al., 2009; Singh et al., 2010 ; Liu et al., 2011); con una investigación en profundidad sobre las características de cambio espectral de los objetos terrestres en diferentes entornos, también han surgido tecnologías prácticas para la detección cuantitativa por teledetección del entorno ecológico de las minas basadas en cambios sutiles en los cambios espectrales de los objetos terrestres. ( Ferrier, 1999; Gao et al., 2005; Choe et al., 2008; Ren Hongyan et al., 2008; Jin Qinghua et al., 2009; Bech et al., 2012).
En resumen, los resultados existentes se basan principalmente en la extracción de puntos característicos de la curva espectral y parámetros característicos, procesamiento diferencial espectral, adquisición de características de absorción espectral, cálculo del índice espectral, análisis estadístico, descomposición de píxeles mixtos, coincidencia espectral, etc., para analizar. el espectro de píxeles del espectrómetro o el espectro medido. Sin embargo, existe una falta de transformación profunda de las curvas espectrales utilizando máquinas de vectores de soporte y otras teorías matemáticas modernas como SVM, transformada de paquetes wavelet (WPT), análisis armónico (HA) y redes neuronales adaptativas (ANN). , mismo espectro Existen grandes deficiencias en el procesamiento de materia extraña y materia extraña con el mismo espectro, y en la identificación de información de traza (débil). Por lo tanto, es necesario llevar a cabo investigaciones aplicadas sobre la conversión y el procesamiento de datos de teledetección hiperespectrales, la extracción y el análisis de información basados en la teoría matemática moderna.