[發明專利]基于快速集合經驗模態分解的高光譜圖像分類方法

有效

• 申請號: 201210271999.4
• 申請日: 2012-08-02
• 公開（公告）號: CN102819750B
• 公開（公告）日: 2015-02-18
• 發明（設計）人: 沈毅;王艷;金晶
• 申請（專利權）人: 哈爾濱航控博創科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于快速集合經驗模態分解的高光譜圖像分類方法，其特征在于所述高光 譜圖像分類方法包括如下步驟：

步驟一：分析內固模態函數篩選次數k和加噪、分解次數n對集合經驗模態 分解結果的影響；

步驟二：通過步驟一的分析可以得出如下結論：IMF篩選次數k的增加和加 噪、分解次數n的增加對高光譜圖像集合經驗模態分解的結果影響比較小，因此， 可以通過互信息閾值選擇適當的IMF篩選次數k和加噪、分解次數n，實現EEMD 的快速運算；

假設X是高光譜圖像；Hi(k)是內固模態函數IMFi第k次篩選結果，i表示 IMF的個數；IMF_i，n(k)表示第n個從加噪、分解過程中所獲得的IMFi；IMF_i，n表 示前n次所獲得內固模態函數IMF_i，n(k)的均值；I₁表示IMF篩選結果與X的互信 息；I₂表示n從加噪、分解所獲得的IMF與X的互信息；

1).高光譜圖像X的輸入，加噪次數n＝1；

2).進行高光譜圖像X的加噪和分解初始化設置，包括IMF篩選次數k＝1， 互信息I₁和I₂初始值取0；

3).將加噪后X作為初始輸入，進行經驗模態分解，并對分解過程中IMFi 篩選次數K進行選擇，在IMFi篩選過程中，求當前篩選出的Hi(k)與輸入信號X 的互信息I₁(k)，并將該互信息與前一次篩選所得到的I₁(k-1)進行比較，如下式所 示：

ΔI₁＝1-(I₁(k-1)/I₁(k))；

當ΔI₁小于閾值時，將Hi(k-1)作為第i個IMF，保存為IMF_i，n(k)，并將輸入減去 IMF_i，n(k)獲得殘差r_ik；判斷i是否等于6，如果i等于6則分解結束，否則將殘差 r_ik作為新輸入并進入下一個IMF篩選，即k＝1，i＝i+1；當ΔI₁大于閾值時，將 Hi(k)作為輸入進行IMFi的下一次篩選，即k＝k+1；

4).在加噪、分解之后，進行EEMD參數n的選擇；求前n次所獲得內固模 態函數IMF_i，n(k)的均值IMF_i，n，i＝1，2，...，并進一步求IMF_i，n與輸入信號X的互信 息I₂(n)，將I₂(n)與上一次加噪、分解所獲得的I₂(n-1)進行比較，如下式所示：

ΔI₂＝1-(I₂(n-1)/I₂(n))；

當ΔI₂小于閾值時，則EEMD加噪、分解結束，所獲得的MF_i，n為原信號的 IMFi；當ΔI₂大于閾值時，進行下一次加噪、分解，即n＝n+1；重復步驟2)、3)、 4)，一直到ΔI₂小于閾值，則EEMD分解結束；

利用快速集合經驗模態分解算法對高光譜圖像波進行特征提取和特征選擇；

步驟三：采用SVM分類器對已選擇的高光譜圖像特征組合進行分類，獲得分 類結果。

2.根據權利要求1所述的基于快速集合經驗模態分解的高光譜圖像分類方 法，其特征在于首先從圖形上分析不同IMF篩選次數k和不同加噪、分解次數n 對高光譜圖像集合經驗模態分解結果的影響，然后采用互信息分別分析IMF篩選 次數k和EEMD加噪、分解次數n對EEMD結果的影響。

3.根據權利要求1所述的基于快速集合經驗模態分解的高光譜圖像分類方 法，其特征在于高光譜圖像特征選擇的特征組合具體如下：kIMFs＝IMF_k+trend， 其中kIMFs表示第k個內固模態函數重構的高光譜圖像，IMF_k表示第k個內固模態 函數，trend是圖像趨勢。