[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

技術領域

本發明涉及遙感領域的高光譜圖像分類方法，具體涉及一種基于快速集合經驗模態分解的高光譜圖像分類方法。

背景技術

高光譜遙感圖像具有高的光譜分辨率，并能為每個像元提供幾乎連續的地物光譜曲線，因此高光譜遙感能夠反演陸地細節。目前，高光譜圖像已有廣泛的應用。由于成像光譜儀在輻射能量傳輸過程中，容易受大氣分子散射和吸收、氣溶膠的散射和吸收、地表散射、地形等影響，導致高光譜數據的光譜形狀會發生扭曲，從而引入各種噪聲。因此，研究高光譜數據的特征提取方法是十分必要的。

經驗模態分解方法（Empirical?Mode?Decomposition，EMD）是由美國國家航空航天管理局（National?Aeronautics?and?Space?Administration，NASA）的黃鍔博于1998年提出的一種非平穩、非線性信號的有效方法。相對小波變換，EMD具有更好的時頻特性，能夠自適應地提取非線性非平穩信號的本質特征。然而，當信號在時間尺度上存在跳躍變化時，EMD將發生模態混疊效應，從而使最后獲得的內固模態函數(IMF)失去真實的物理意義。

針對EMD的模態混疊效應，Huang等人提出了集合經驗模態分解。2004年，法國學者Flandrin等人對白噪聲進行經驗模態分解，實驗結果發現白噪聲中的各頻率成分被規律地分離。借鑒Flandrin等人的研究成果，Huang等人利用白噪聲彌補現實信號時間尺度的跳躍變化，使得加入白噪聲的信號在時間尺度方面是連續的，從而從根本上避免了模態混疊效應的產生。同時，Huang等人利用白噪聲的零性，通過多次加噪、分解，最終求得每次加噪、分解所獲得的內固模態函數的均值，從而消除了IMF中白噪聲成分，獲得了具有真實物理意義的內固模態函數。這個方法就是集合經驗模態分解(EEMD)。

沈毅、張敏等人利用了集合經驗模態分解對高光譜圖像進行特征提取，并進一步提出基于集合經驗模態分解的高光譜圖像分類算法(2D-EEMD-SVM)。然而，由于IMF篩選次數K和集合經驗模態分解的加噪、分解次數N都比較大，這導致了集合經驗模態分解具有很大的運算量，從而導致高光譜圖像的預處理時間過長。

發明內容

針對高光譜圖像集合經驗模態分解的大運算量，本發明提出一種基于快速集合經驗模態分解的高光譜圖像分類算法方法。

本發明的目的是通過以下技術方案實現的：

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：在分析結果基礎上提出基于互信息閾值的快速集合經驗模態分解算法(F-EEMD)，利用F-EEMD對高光譜圖像波進行特征提取和特征選擇；

步驟三：采用支持向量機(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。

本發明與現有技術相比具有如下優點：

1）本發明所提出的高光譜圖像分類方法利用快速集合經驗模態分解獲得信號成份更加純正、可分性更高的圖像特征，與利用支持向量機分類方法(SVM)和基于經驗模態分解支持向量機分類方法(2D-EMD-SVM)相比，本方法更能夠有效提升高光譜圖像的精度和分類速度，有效地減少分類過程所需的支持向量數。

2）本發明所提出的高光譜圖像分類方法，通過互信息閾值進行IMF篩選次數K和加噪、分解次數N的選擇，與利用集合經驗模態分解的高光譜圖像分類算法相比(2D-EEMD-SVM)，本方法在高光譜圖像各個波段預處理的時間要明顯小于2D-EEMD-SVM算法，同時并很好地保持了2D-EEMD-SVM算法的優越性能。

附圖說明

圖1為基于快速集合經驗模態分解的高光譜圖像分類方法流程圖；

圖2為基于互信息閾值快速集合經驗模態分解算法；

圖3為不同篩選次數K=1所獲得的H3(1)；

圖4為篩選次數K=2所獲得的H3(2)；

圖5為篩選次數K=3所獲得的H3(3)；

圖6為篩選次數K=4所獲得的H3(4)；

圖7為篩選次數K=5所獲得的H3(5)；

圖8為篩選次數K=6所獲得的H3(6)；

圖9為篩選次數K=7所獲得的H3(7)；

圖10為篩選次數K=8所獲得的H3(8)；

圖11為H3(2)與空間信息的互信息；

圖12為H3(4)與空間信息的互信息；

圖13為H3(8)與空間信息的互信息；