[发明专利]基于快速集合经验模态分解的高光谱图像分类方法

说明书

技术领域

本发明涉及遥感领域的高光谱图像分类方法，具体涉及一种基于快速集合经验模态分解的高光谱图像分类方法。

背景技术

高光谱遥感图像具有高的光谱分辨率，并能为每个像元提供几乎连续的地物光谱曲线，因此高光谱遥感能够反演陆地细节。目前，高光谱图像已有广泛的应用。由于成像光谱仪在辐射能量传输过程中，容易受大气分子散射和吸收、气溶胶的散射和吸收、地表散射、地形等影响，导致高光谱数据的光谱形状会发生扭曲，从而引入各种噪声。因此，研究高光谱数据的特征提取方法是十分必要的。

经验模态分解方法（Empirical Mode Decomposition，EMD）是由美国国家航空航天管理局（National Aeronautics and Space Administration，NASA）的黄锷博于1998年提出的一种非平稳、非线性信号的有效方法。相对小波变换，EMD具有更好的时频特性，能够自适应地提取非线性非平稳信号的本质特征。然而，当信号在时间尺度上存在跳跃变化时，EMD将发生模态混叠效应，从而使最后获得的内固模态函数(IMF)失去真实的物理意义。

针对EMD的模态混叠效应，Huang等人提出了集合经验模态分解。2004年，法国学者Flandrin等人对白噪声进行经验模态分解，实验结果发现白噪声中的各频率成分被规律地分离。借鉴Flandrin等人的研究成果，Huang等人利用白噪声弥补现实信号时间尺度的跳跃变化，使得加入白噪声的信号在时间尺度方面是连续的，从而从根本上避免了模态混叠效应的产生。同时，Huang等人利用白噪声的零性，通过多次加噪、分解，最终求得每次加噪、分解所获得的内固模态函数的均值，从而消除了IMF中白噪声成分，获得了具有真实物理意义的内固模态函数。这个方法就是集合经验模态分解(EEMD)。

沈毅、张敏等人利用了集合经验模态分解对高光谱图像进行特征提取，并进一步提出基于集合经验模态分解的高光谱图像分类算法(2D-EEMD-SVM)。然而，由于IMF筛选次数K和集合经验模态分解的加噪、分解次数N都比较大，这导致了集合经验模态分解具有很大的运算量，从而导致高光谱图像的预处理时间过长。

发明内容

针对高光谱图像集合经验模态分解的大运算量，本发明提出一种基于快速集合经验模态分解的高光谱图像分类算法方法。

本发明的目的是通过以下技术方案实现的：

步骤一：分析内固模态函数筛选次数K和加噪、分解次数N对集合经验模态分解结果的影响；

步骤二：在分析结果基础上提出基于互信息阈值的快速集合经验模态分解算法(F-EEMD)，利用F-EEMD对高光谱图像波进行特征提取和特征选择；

步骤三：采用支持向量机(SVM)分类器对已选择的高光谱图像特征组合进行分类，获得分类结果。

本发明与现有技术相比具有如下优点：

1）本发明所提出的高光谱图像分类方法利用快速集合经验模态分解获得信号成份更加纯正、可分性更高的图像特征，与利用支持向量机分类方法(SVM)和基于经验模态分解支持向量机分类方法(2D-EMD-SVM)相比，本方法更能够有效提升高光谱图像的精度和分类速度，有效地减少分类过程所需的支持向量数。

2）本发明所提出的高光谱图像分类方法，通过互信息阈值进行IMF筛选次数K和加噪、分解次数N的选择，与利用集合经验模态分解的高光谱图像分类算法相比(2D-EEMD-SVM)，本方法在高光谱图像各个波段预处理的时间要明显小于2D-EEMD-SVM算法，同时并很好地保持了2D-EEMD-SVM算法的优越性能。

附图说明

图1为基于快速集合经验模态分解的高光谱图像分类方法流程图；

图2为基于互信息阈值快速集合经验模态分解算法；

图3为不同筛选次数K=1所获得的H3(1)；

图4为筛选次数K=2所获得的H3(2)；

图5为筛选次数K=3所获得的H3(3)；

图6为筛选次数K=4所获得的H3(4)；

图7为筛选次数K=5所获得的H3(5)；

图8为筛选次数K=6所获得的H3(6)；

图9为筛选次数K=7所获得的H3(7)；

图10为筛选次数K=8所获得的H3(8)；

图11为H3(2)与空间信息的互信息；

图12为H3(4)与空间信息的互信息；

图13为H3(8)与空间信息的互信息；