矿产遥感图像的信息提取是遥感技术在地质勘探中的一个重要应用。研究基于矿产遥感图像的信息提取方法,可为区域成矿预测提供依据,加快矿产资源勘查评价的速度,有利于促进当地矿业经济健康稳定的发展。本文在前人工作的基础上,深入研究了基于矿产遥感图像的信息提取所涉及的若干关键技术,包括矿产遥感图像增强、边缘检测、匹配、聚类和矿化蚀变信息提取,主要工作如下:首先,提出了一种基于分阶段进化粒子群优化(Multi-stages Particle Swarm Optimization,MSPSO)的非下采样Shearlet变换(Non-subsampled Shearlet Tansform,NSST)域矿产遥感图像增强方法。对待增强图像进行NSST分解,得到一个低频子带和多个高频子带;依据自适应贝叶斯阈值法和非线性变换对高频子带系数进行处理;利用模糊集增强方法增强低频子带系数,并引入MSPSO算法对模糊参数进行优化。实验结果表明,与双向直方图均衡方法、平稳小波变换方法、非下采样Contourlet变换(Non-subsampled Contourlet Transform,NSCT)自适应阈值方法、NSCT人工蜂群优化方法等4种增强方法相比,该方法能有效提高图像的对比度和清晰度,视觉效果最佳。然后,研究了一种基于L0梯度最小化模型和NSST的矿产遥感图像边缘检测方法。利用具有边缘保持能力的L0梯度最小化模型对图像进行滤波平滑,突出图像的边缘信息,进而运用Canny算子初步检测图像的边缘;采用NSST获得图像的高频子带,运用模极大值法检测高频子带丰富的边缘细节信息;将初步检测的结果与高频子带检测的结果融合,获得最终的图像边缘。实验结果表明,与Canny方法、NSCT模极大值方法、NSST尺度积方法相比,该方法能够获得定位准确且更为清晰、连续的图像边缘。其次,讨论了一种基于改进加速分割特征检测(Features from Accelerated Segment Test,FAST)和加速鲁棒特征(Speed Up Robust Features,SURF)的矿产遥感图像匹配方法。首先,分别对参考图像与待匹配图像创建图像高斯金字塔,接着在金字塔的每一层采用FAST算法初步提取特征点,再运用Harris角点检测算法进行筛选获得待匹配特征点集;然后求得所有特征点的SURF描述子;依据最近邻匹配搜索策略进行粗匹配;利用随机抽样一致(Random Sample Consensus,RANSAC)算法剔除错误匹配点对,得到最终的匹配结果。实验结果表明,与SURF方法以及近来提出的基于Harris和SURF的方法、基于FAST和SURF的方法相比,该方法能够获得更高的匹配正确率和匹配精度,且对亮度、尺度变化和噪声等具有更强的适应能力。再次,给出了一种基于改进迭代自组织数据分析(Iterative Self-organizing Data Analysis,ISODATA)和快速密度峰值搜索的矿产遥感图像聚类方法。利用快速密度峰值搜索算法确定待聚类图像的初始聚类中心;然后将待聚类图像从RGB色彩空间转换到Lab色彩空间;并引入像元的邻域信息改进ISODATA方法的聚类准则;在Lab色彩空间运用改进的ISODATA聚类准则进行聚类,得到最终的聚类结果。实验结果表明,与ISODATA方法、改进模糊ISODATA方法及基于ISODATA和粒子群优化(Particle Swarm Optimization,PSO)的方法等3种聚类方法相比,该方法能够快速准确地对遥感图像进行聚类,并具有更好的抗噪声能力。最后,提出了一种基于主成分分析(Principal Component Analysis,PCA)和布谷鸟算法优化支持向量机(Support Vector Machine,SVM)的遥感矿化蚀变信息提取方法。利用波段比值法增强研究区遥感图像中的矿化蚀变信息,并获得比值图像;然后对比值图像进行主成分分析,选取羟基和铁染主成分,进而提取训练样本;利用SVM对训练样本进行训练,同时采用布谷鸟算法求取SVM的最优核参数及惩罚因子,确定最优SVM模型;运用最优SVM模型完成遥感矿化蚀变信息提取。选择青海省五龙沟地区为研究区,提取羟基蚀变信息和铁染蚀变信息。实验结果表明,与近年来提出的3种方法相比,该方法提取的遥感矿化蚀变信息与已知矿点的吻合度最高,提取效果最好。