一种面向超光谱数据库的小波去噪算法制造技术

本发明专利技术公开了一种面向超光谱数据库的小波去噪算法，属于超光谱数据的处理方法，用于对带有噪声的超光谱曲线进行降噪。本发明专利技术顺序包括小波降噪参数选择、小波降噪。本发明专利技术在小波降噪参数学习过程中充分考虑了超光谱数据库中各种物质超光谱曲线的特性，快速的选择适合超光谱数据库绝大多数光谱曲线的小波降噪参数，然后使用选择得到的参数对测量到的超光谱曲线进行降噪。该方法能快速的针对各种不同应用场景的超光谱数据库选择与之适应小波降噪参数，提高了降噪的效果，提高光谱匹配的准确率。

【技术实现步骤摘要】
一种面向超光谱数据库的小波去噪算法
本专利技术属于超光谱数据处理
，涉及一种超光谱数据的处理方法，具体涉及一种面向超光谱数据库的小波去噪算法，用于对带有噪声的超光谱曲线进行降噪。
技术介绍
高光谱遥感是一门新兴的对地观测技术，它是在电磁波谱的紫外、可见光、近红外、中红外和热红外波段范围内，获取许多精细的、连续的狭窄谱段上光谱数据的技术。运用机载或者星载的具有高光谱分辨率的仪器，对地球表面进行遥感可以得到很多地面观测很难得到的信息。为了实现物质的识别，通常需要对测量得到的超光谱数据与已知的超光谱数据库中的各物质的超光谱数据进行匹配。但是测量得到的超光谱数据难免会受到各种噪声的干扰，如信号从信号源到接收器的过程当中会引入大气反射、太阳光等接收前噪声，信号被接收后，系统内部电路也会产生噪声。为了提高匹配的准确率，对测量得到的超光谱数据进行降噪是非常必要的。小波变换具有良好的时频局部化性质，在信号去噪中得到了广泛应用。小波变换可以利用多尺度小波变换下噪声和信号在各尺度下的小波系数不同，从而较好的去除噪声，达到恢复原始信号的目的，而且小波信号具有的快速算法，可以满足计算时间的要求。小波变换具有很强的去数据相关性能，使光谱信号的能量集中在小波域一些幅值较大的小波系数中，而噪声的小波系数则均匀的分布于整个小波域内。因此，含噪信号经小波分解后，可以认为幅值较大的小波系数以信号为主，幅值较小的系数很大程度上是噪声。将属于噪声的小波系数进行抑制后，就可以还原得到去除了噪声的信号。然而，小波分解算法需要通过设定不同的基函数、分解层数和阈值等参数对含噪信号进行分解，以实现原始信号与噪声信号的分离。这些参数的选择将直接影响去噪效果的优劣。这些参数有多达数千种的组合。针对不同的应用，即不同的超光谱数据库，都需要寻找一种与之相适应的参数组合，使得通过小波去噪能对该数据库内的超光谱数据实现较好的降噪效果。通常的做法是遍历所有组合，选择最佳的参数组合，这将耗费数个小时。同时，在选取最佳参数组合时，采用的评判标准不是很合理，只考虑了降噪的绝对效果。由于数据库中从会存在一些物质的光谱本身具有更多类似噪声的特征，无论采用何种降噪参数这些光谱的降噪效果比其它光谱都较差，因此采用绝对的降噪效果去评判会才选择过程中更多的考虑这类少部分特殊光谱的降噪效果，并没有选择到适合大部分光谱的降噪参数。因此，需要寻找一种根据不同超光谱数据库特性，能够快速寻找到一个适合于该数据库的小波去噪参数的方法。
技术实现思路
为了解决上述的技术问题，本专利技术提供了一种面向超光谱数据库的小波去噪算法，目的是快速的选择合适的小波降噪参数对带有噪声的超光谱数据进行降噪。本专利技术所采用的技术方案是：一种面向超光谱数据库的小波去噪算法，其特征在于，包括以下步骤：步骤1：选择小波降噪参数，所述的小波降噪参数包括阈值选择函数、阈值函数、阈值调整方案、分解层数、小波基函数；对各种小波降噪参数组合进行快速搜索，选择适用于当前应用背景对应超光谱数据库的小波降噪参数组合；步骤2：用所选小波降噪参数组合对测量到的超光谱数据进行小波降噪。作为优选，步骤1中所述的对各种小波降噪参数组合进行快速搜索，其快速搜索方法的实现过程包括以下子步骤：步骤1.1：设超光谱数据库中共有k种物质的光谱，记为集合S＝{S1,S2,…,Sk}，在这k条光谱中添加高斯白噪声，记带噪声的光谱集合为T＝{T1,T2,…,Tk}；设待选择的小波参数组各个共有m种，记这m种参数组形成的集合为G＝{G1,G2,…,Gm}；步骤1.2：从T中随机选取一条光谱曲线Tx，采用G中所有参数组合对Tx进行小波降噪，并分别计算降噪后光谱与Sx的光谱距离，按照光谱距离由小到大排序，选取前C％个最小的光谱距离，同时得到与之对应的前C％个的参数组合，记为集合B，其中C为预定的参数；步骤1.3：判断，集合B中参数组合数是否等于1；若集合B中参数组合数为1，则选取这个参数组合为优选后的小波降噪参数，本流程结束；若集合B中的参数组合大于1个，则执行下述步骤1.4；步骤1.4：更新集合G，将集合B作为新的集合G，将Tx从集合T中剔除；步骤1.5：判断，剔除Tx后，若集合T中是否仍有元素；若集合T中仍有元素，则回转执行所述的步骤1.2；若集合T为空集合，则执行下述步骤1.6；步骤1.6：计算采用集合B中各参数组合对k条带噪声光谱降噪后与Sx的光谱距离平均光谱距离ANSA，选取最小平均光谱距离ANSK对应的参数组合为优选后的小波降噪参数，本流程结束。作为优选，步骤1.6中所述的平均光谱距离ANSA计算方法如下：其中，NSAn为使用当前参数组合对第n条带噪光谱降噪后与Sn的光谱距离，其计算公式如下：其中，|Dn||Sn|]]>SAmin＝min(SA1,SA2,...,SAk)SAmax＝max(SA1,SA2,...,SAk)其中，Dn为使用当前参数组合对第n条带噪光谱降噪后得到的降噪光谱，<Dn,Sn>为Dn与Sn的内积，||表示取二范数。本专利技术包括小波降噪参数选择、小波降噪步骤，由于在小波降噪参数学习过程中充分考虑了超光谱数据库中各种物质超光谱曲线的特性，引入了快速学习的思想，从而可以快速的选择适合超光谱数据库绝大多数光谱曲线的小波降噪参数，然后使用选择得到的参数对测量到的超光谱曲线进行降噪。本方法能快速的应用到各种的超光谱数据库中，降噪效果好，提高了光谱匹配的准确率。附图说明图1：为本专利技术实施例的流程图。图2：为本专利技术实施例的快速搜索方法流程图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。请见图1，本专利技术所采用的技术方案是：一种面向超光谱数据库的小波去噪算法，包括以下步骤：步骤1：选择小波降噪参数，所述的小波降噪参数包括阈值选择函数、阈值函数、阈值调整方案、分解层数、小波基函数；对各种小波降噪参数组合进行快速搜索，选择适用于当前应用背景对应超光谱数据库的小波降噪参数组合；请见图2，快速搜索方法的实现过程包括以下子步骤：步骤1.1：设超光谱数据库中共有k种物质的光谱，记为集合S＝{S1,S2,…,Sk}，在这k条光谱中添加高斯白噪声，记带噪声的光谱集合为T＝{T1,T2,…,Tk}；设待选择的小波参数组各个共有m种，记这m种参数组形成的集合为G＝{G1,G2,…,Gm}；步骤1.2：从T中随机选取一条光谱曲线Tx，采用G中所有参数组合对Tx进行小波降噪，并分别计算降噪后光谱与Sx的光谱距离，按照光谱距离由小到大排序，选取前10％个最小的光谱距离，同时得到与之对应的前10％个的参数组合，记为集合B；步骤1.3：判断，集合B中参数组合数是否等于1；若集合B中参数组合数为1，则选取这个参数组合为优选后的小波降噪参数，本流程结束；若集合B中的参数组合大于1个，则执行下述步骤1.4；步骤1.4：更新集合G，将集合B作为新的本文档来自技高网...

【技术保护点】
一种面向超光谱数据库的小波去噪算法，其特征在于，包括以下步骤：步骤1：选择小波降噪参数，所述的小波降噪参数包括小波基函数、阈值选择函数、分解层数、阈值调整方案、阈值函数；对各种小波降噪参数组合进行快速搜索，选择适用于当前应用背景对应超光谱数据库的小波降噪参数组合；步骤2：用所选小波降噪参数组合对测量到的超光谱数据进行小波降噪。

【技术特征摘要】
1.一种面向超光谱数据库的小波去噪算法，其特征在于，包括以下步骤：步骤1：选择小波降噪参数，所述的小波降噪参数包括小波基函数、阈值选择函数、分解层数、阈值调整方案、阈值函数；对各种小波降噪参数组合进行快速搜索，选择适用于当前应用背景对应超光谱数据库的小波降噪参数组合；所述的对各种小波降噪参数组合进行快速搜索，其快速搜索方法的实现过程包括以下子步骤：步骤1.1：设超光谱数据库中共有k种物质的光谱，记为集合S＝{S1,S2,…,Sk}，在这k条光谱中添加高斯白噪声，记带噪声的光谱集合为T＝{T1,T2,…,Tk}；设待选择的小波降噪参数组合共有m种，记这m种参数组形成的集合为G＝{G1,G2,…,Gm}；步骤1.2：从T中随机选取一条光谱曲线Tx，采用G中所有参数组合对Tx进行小波降噪，并分别计算降噪后光谱与Sx的光谱距离，按照光谱距离由小到大排序，选取前C％个最小的光谱距离，同时得到与之对应的前C％个的参数组合，记为集合B，其中C为预定的参数，x取1～k；步骤1.3：判断，集合B中参数组合数是否等于1；若集合B中参数组合数为1，则选取这个参数组合为优选后的小波降噪参数，本流程结束；若集合B中的参数组合大于1个，则执行下述步骤1.4；步骤1.4：更新集合G，将集合B作为新的集合G，将Tx从...

【专利技术属性】
技术研发人员：黄珺，马佳义，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42