基于图像特征的集合经验模态分解的高光谱图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108985357A(43)申请公布日2018.12.11(21)申请号201810694287.0(22)申请日2018.06.29(71)申请人湖南理工学院地址421005湖南省岳阳市学院路申请人湖南大学北京建筑大学(72)发明人涂兵王锦萍费洪燕方乐缘赵光哲周承乐何丹冰(74)专利代理机构北京华仲龙腾专利代理事务所(普通合伙)11548代理人李静(51)Int.Cl.G06K9/62(2006.01)G06K9/00(2006.01)权利要求书2页说明书6页附图10页(54)发明名称基于图像特征的集合经验模态分解的高光谱图像分类方法(57)摘要本发明涉及基于图像特征的集合经验模态分解的高光谱图像分类方法，其步骤包括：S1、利用主成分分析算法对原始高光谱图像进行降维处理；S2、对得到的二十维主成分进行自适应全变分滤波，降低噪声的敏感度并获得粗轮廓特征；S3、利用集合经验模态分解将每个谱带分解为串行分量，在转换域中对于高光谱图像的特征进行进一步融合；S4、利用支持向量机分类器对处理后的图像进行最终分类。本发明能有效增强图像的轮廓特征、并具有较好的分类性能。CN108985357ACN108985357A权利要求书1/2页1.基于图像特征的集合经验模态分解的高光谱图像分类方法，其特征在于，包括以下步骤：S1、利用主成分分析算法提取原始高维高光谱数据的前K个主要成分，运算公式如下：OK＝PCA(I)；其中I表示原始高维高光谱数据，OK表示高光谱数据的前K个主要成分、即主成分分析算法提取后的高光谱图像；S2、利用自适应全变分算法去除OK中的噪声、并提升高光谱图像的轮廓特征，运算公式如下：KKN＝ATVFμ,λ,In(O)；其中μ,λ,In分别表示自适应全变分滤波参数，NK表示自适应全变分算法滤波后的高光谱图像；S3、通过集合经验模态分解算法，将NK的每维数据进行空间域内的转换，从而得到高光谱图像中空间结构明显的固有模态分量IMF；并在提取到的分量上进行降维处理，将其映射到一个最能代表所有分量的线性空间，具体步骤包括：1)、判断NK是否满足以下两个固有模态函数条件：①函数的局部极点值之和过零点数在整个时间范围内必须相等，或最多相差为一；②在任意时刻，由局部最大值确定的上包络和由极小值确定的下包络的平均必须为零；2)、对于满足固有模态函数条件的NK进行IMF筛选，包括以下步骤：①找到当前波段上全部局部极大值点和局部极小值点，使用差值算法把局部极大值点拟合成上包络面Emax(i,j)和下包络面Emin(i,j)，并求得均值包络面②给定带有含白噪声P的输入信号将输入信号与均值包络面相减得到差值其中n表示迭代次数，l,m表示第l频带的第m个数值；③检查是否符合迭代结束条件SD<τ,其中SD表示为：其中Rm(i,j)表示残差余量，以原始波段为首次输入，τ为结束条件；如果第n次迭代不满足结束条件，将以为初始信号从步骤①开始重新迭代，直到满足终止条件，此时获得第1个IMF；3)更新残差余量Rm(i,j)：Rm(i,j)＝Rm(i,j)-IMFl,m(i,j)；如果此残余量不含极值，则集合经验模态分解算法终止；如果残余量包含极值，将此残余量Rm(i,j)作为初始输入从步骤①继续求解；对于每维高光谱所包含的IMF，对其求第一主成分，作为最终的IMF输入；4)最终原始每波段高光谱图像Xl(i,j)被IMF和残差余量重构，得到集合经验模态分解2CN108985357A权利要求书2/2页后的高光谱特征图像，其表达式如下：S4、将步骤S3中通过集合经验模态分解后的高光谱特征图像，利用支持向量机算法对其进行预测，获得最终的场景分类结果。2.如权利要求1所述的基于图像特征的集合经验模态分解的高光谱图像分类方法，其特征在于：所述步骤S1中利用主成分分析算法提取原始高维高光谱数据的前二十维主成分。3CN108985357A说明书1/6页基于图像特征的集合经验模态分解的高光谱图像分类方法技术领域[0001]本发明是涉及一种高光谱图像分类方法，尤其涉及一种基于图像特征的集合经验模态分解的高光谱图像分类方法。背景技术[0002]高光谱成像极大地提高了人类对高光谱图像的高光谱分辨率和宽光谱覆盖的土地覆盖物的认知能力。高光谱图像包含数百个光谱带，这有助于发现隐藏在窄光谱内的详细光谱特征。高光谱图像特征提取是高光谱图像处理领域的热点之一：如主成分分析，核局部Fisher判别分析法，混沌理论分析法。然而，针对图像噪声和光谱混合下分类难度大的问题，仅仅依靠光谱信息难以获取满意的分类精度。近年来，基于空谱特征提取的分类方法称为该领域的研究热点。其中，基于稀疏的分类方法是研究的热点，如联合稀疏分类方法。但是该方