[發明專利]基于圖像特征的集合經驗模態分解的高光譜圖像分類方法

有效

• 申請號: 201810694287.0
• 申請日: 2018-06-29
• 公開（公告）號: CN108985357B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 涂兵;王錦萍;費洪燕;方樂緣;趙光哲;周承樂;何丹冰
• 申請（專利權）人: 湖南理工學院;湖南大學;北京建筑大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06F18/10;G06F18/213
• 代理公司: 常州市瀚宇專利代理事務所(普通合伙) 32551
• 代理人: 潘磊

1.基于圖像特征的集合經驗模態分解的高光譜圖像分類方法，其特征在于，包括以下步驟：

S1、利用主成分分析算法提取原始高維高光譜數據的前K個主要成分，運算公式如下：

O^K＝PCA(I)；

其中I表示原始高維高光譜數據，O^K表示高光譜數據的前K個主要成分、即主成分分析算法提取后的高光譜圖像；

S2、利用自適應全變分算法去除O^K中的噪聲、并提升高光譜圖像的輪廓特征，運算公式如下：

N^K＝ATVF_μ,λ,In(O^K)；

其中μ,λ,In分別表示自適應全變分濾波參數，N^K表示自適應全變分算法濾波后的高光譜圖像；

S3、通過集合經驗模態分解算法，將N^K的每維數據進行空間域內的轉換，從而得到高光譜圖像中空間結構明顯的固有模態分量IMF；并在提取到的分量上進行降維處理，將其映射到一個最能代表所有分量的線性空間，具體步驟包括：

1)、判斷N^K是否滿足以下兩個固有模態函數條件：

①函數的局部極點值之和過零點數在整個時間范圍內必須相等，或最多相差為一；

②在任意時刻，由局部最大值確定的上包絡和由極小值確定的下包絡的平均必須為零；

2)、對于滿足固有模態函數條件的N^K進行IMF篩選，包括以下步驟：

①找到當前波段上全部局部極大值點和局部極小值點，使用差值算法把局部極大值點擬合成上包絡面E_max(i,j)和下包絡面E_min(i,j)，并求得均值包絡面

②給定帶有含白噪聲P的輸入信號將輸入信號與均值包絡面相減得到差值

其中n表示迭代次數，l,m表示第l頻帶的第m個數值；

③檢查是否符合迭代結束條件SD<τ,其中SD表示為：

其中R_m(i,j)表示殘差余量，以原始波段為首次輸入，τ為結束條件；如果第n次迭代不滿足結束條件，將以為初始信號從步驟①開始重新迭代，直到滿足終止條件，此時獲得第1個IMF；

3)更新殘差余量R_m(i,j)：

R_m(i,j)＝R_m(i,j)-IMF_l,m(i,j)；

如果此殘余量不含極值，則集合經驗模態分解算法終止；如果殘余量包含極值，將此殘余量R_m(i,j)作為初始輸入從步驟①繼續求解；對于每維高光譜所包含的IMF，對其求第一主成分，作為最終的IMF輸入；

4)最終原始每波段高光譜圖像X_l(i,j)被IMF和殘差余量重構，得到集合經驗模態分解后的高光譜特征圖像，其表達式如下：

S4、將步驟S3中通過集合經驗模態分解后的高光譜特征圖像，利用支持向量機算法對其進行預測，獲得最終的場景分類結果。

2.如權利要求1所述的基于圖像特征的集合經驗模態分解的高光譜圖像分類方法，其特征在于：所述步驟S1中利用主成分分析算法提取原始高維高光譜數據的前二十維主成分。