[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

本發明涉及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，其步驟包括：S1、利用主成分分析算法對原始高光譜圖像進行降維處理；S2、對得到的二十維主成分進行自適應全變分濾波，降低噪聲的敏感度并獲得粗輪廓特征；S3、利用集合經驗模態分解將每個譜帶分解為串行分量，在轉換域中對于高光譜圖像的特征進行進一步融合；S4、利用支持向量機分類器對處理后的圖像進行最終分類。本發明能有效增強圖像的輪廓特征、并具有較好的分類性能。

技術領域

本發明是涉及一種高光譜圖像分類方法，尤其涉及一種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。

背景技術

高光譜成像極大地提高了人類對高光譜圖像的高光譜分辨率和寬光譜覆蓋的土地覆蓋物的認知能力。高光譜圖像包含數百個光譜帶，這有助于發現隱藏在窄光譜內的詳細光譜特征。高光譜圖像特征提取是高光譜圖像處理領域的熱點之一：如主成分分析，核局部Fisher判別分析法，混沌理論分析法。然而，針對圖像噪聲和光譜混合下分類難度大的問題，僅僅依靠光譜信息難以獲取滿意的分類精度。近年來，基于空譜特征提取的分類方法稱為該領域的研究熱點。其中，基于稀疏的分類方法是研究的熱點，如聯合稀疏分類方法。但是該方法只聯合了周圍矩陣區域內的相鄰像素，對于地物不規則區域和圖像邊緣而言是不夠合理的；基于支持向量機和馬爾可夫隨機場的光譜空間分類算法能對類概率進行優化，但是需要有較好的先驗知識和較多的約束條件，存在參數冗余的情況；基于擴展形態屬性輪廓和擴展形態的形態屬性濾波器，能夠充分利用局部相似性空間和光譜信息提升高光譜圖像分類結果，然而針對空間復雜性區域和圖像邊緣區域容易存在較為明顯的誤分類。

發明內容

針對高光譜圖像的光譜和空間結構性復雜，容易出現“同物異譜，同譜異物”的現象，從而造成對于同種物體分類難度大，特征提取困難的問題，為了解決上述問題，本發明提供以下技術方案，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