基于参考图互信息波段选择和EMD的高光谱图像分类方法技术

基于参考图互信息波段选择和EMD的高光谱图像分类方法，涉及遥感领域的高光谱图像分类方法。本发明专利技术基于参考图互信息波段选择和EMD的高光谱图像分类方法为：步骤一：采用基于参考图互信息波段选择算法进行高光谱图像波段选择；步骤二：对选出的高光谱图像波段子集进行经验模态分解和图像重构；步骤三：采用SVM分类器对重构高光谱图像进行分类，获得分类结果。本发明专利技术利用参考图互信息波段选择选择出高可分性的高光谱图像波段子集，解决了高光谱图像多冗余信息的影响，减少了分类过程所需的支持向量数，提高了分类速度；利用经验模态分解对高光谱图像波段子集进行特征提取和重构，解决了高光图像噪声的影响，提高了分类精度。

【技术实现步骤摘要】

本专利技术涉及遥感领域的高光谱图像分类方法，具体涉及一种基于参考图互信息波段选择和经验模态分解的高光谱图像分类方法。
技术介绍
高光谱遥感图像具有高的光谱分辨率，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。由于高光谱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。另外，高光谱传感器通过同时采样数百个高分辨率、连续光谱波段图像来观测地表，导致高光谱数据是一个富含冗余信息的高维数据。高光谱数据的这两个特点都给分类带来了重大挑战。因此，研究高光谱数据的冗余信息处理和特征提取是十分必要的。 高光谱数据冗余信息处理的常用方法是波段选择。波段选择是指在一定准则下，挑选出那些能够代表原始数据信息的波段光谱图像，约减掉那些影响分类性能和效率的冗余特征。波段选择的早期准则有Bayes误差、Bhattacharyya距离、Chernoff距离、Jeffreys-Matusita距离等。这些准则都是基于两分类问题，并且要求输入数据满足高斯分布。对于非高斯分布、多分类问题的高光谱数据，这些准则很难作为波段选择的准则。对此，Battiti等人提出了基于互信息(Mutual Information, Ml)的波段选择。互信息无需假设数据服从任何分布，因而在高光谱数据波段选择上面具有明显的潜力和优势。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)的黄傳博于 1998 年提出的一种非平稳、非线性信号的有效方法。EMD利用信号内部时间尺度的变化做能量与频率的解析，将信号展开成数个本征模态函数(Intrinsic Mode Function, IMF)和一个信号残差，其中本征模态函数又称内固模态函数。MF必须满足下列条件 1)在整个函数中，极值点的数目与穿越零点的数目相等或者相差I; 2)在任何时刻，由局部极值包络线所定义的包络线局部均值为零。EMD相对小波变换，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。对于富含冗余信息和噪声的高光谱数据的特征提取，经验模态分解(EMD)具有明显的潜力和优势。目前，沈毅、张敏等人针对高光谱图像的多冗余信息和噪声已经提出基于互信息波段选择和经验模态分解的高光谱图像分类算法(MI-EMD-SVM)。该算法中基于互信息波段选择算法是建立在真实地物信息的基础上。而在实际工程中，大部分卫星遥感、飞行器遥感所获得的高光谱数据不具备真实地物参考图，因此基于波段选择和经验模态分解的高光谱图像分类算法具有很大的局限性
技术实现思路
针对高光谱图像富含冗余信息和噪声以及基于波段选择和经验模态分解的高光谱图像分类算法的局限性，本专利技术提出一种基于参考图互信息波段选择和EMD的高光谱图像分类方法。本专利技术的目的是通过以下技术方案实现的 对高光谱图像进行参考图互信息波段选择和经验模态分解得到高光谱图像波段子集的各个MF，选取含有高频部分的MF作为特征量，进行高光谱图像重构，通过支持向量机(SVM)分类器对高光谱重构图像进行分类，获得高精度分类结果。如图I所示，具体步骤如下 步骤一高光谱图像的参考图互信息波段选择。本步骤采用基于参考图互信息波段选择方法对高光谱图像进行波段选择，如图2所示，首先进行高光谱图像参考图的生成；然后根据参考图提出基于参考图互信息波段选 择准则；最后采用该准则进行高光谱图像的波段选择，选出高可分性的波段子集。步骤二 对选出的高光谱图像波段子集进行经验模态分解和图像重构。本步骤采用经验模态分解进行高光谱图像波段子集的特征提取。经验模态分解的流程图如图3所示，具体描述如下假设是高光谱图像波段子集的第是波段图像。是图像Y在像素点的值(ra = 1,2,--、M,n= 1,2,…,-V) ；4(*3)是用于计算第1,2Γ-I)个 MF 过程中，第 j(/ = 1,2,…,J)次迭代时的输入值。以第t波段图像作为输入信号，筛选程序的流程如下I) ·找出片中的所有局部极大值以及局部极小值，接着利用样条插值算法，分别将局部极大值拟合成上包络线( , )、将局部极小值拟合成下包络线《)。2).求出上下包络线的均值，得到均值包络线, 、(m,n)^ 2 3).原始信号X加,《)与均值包络线相减,得到第一个分PilIjnf n) = x(m, η) - (mt η) 4).检查·是否符合頂F的条件。如果不符合，则回到步骤I并且将Ai(Ks)当作原始信号，进行第二次的筛选。即A2 (m,n) = h^m 7 η、一 m2(jn, η、) 重复筛选先次hk (m,n) = (m, η) - mk (m, η) 直到符合IMF的条件，即得到第一个IMF分量^(既⑷IMF1 = C1 ) = \ (m, H) 5).原始信号减去 )可得到剩余量F1 (m, n) =(m, η) 6).将^>3)当作新的信号，重新执行步骤I至步骤5，得到第二个IMF分量4如3)和新的剩余量& (取《)。如此重复g次权利要求1.基于参考图互信息波段选择和EMD的高光谱图像分类方法，其特征在于所述高光谱图像分类方法包括如下步骤 步骤一采用基于参考图互信息波段选择算法进行高光谱图像波段选择，具体步骤如下首先进行高光谱图像参考图的生成；然后根据参考图提出基于参考图互信息波段选择准则；最后采用该准则进行高光谱图像的波段选择，选出高可分性的波段子集； 步骤二 将选出的高光谱图像波段子集进行经验模态分解，获得高光谱图像的特征即内固模态函数，采用具有高频本质特征的内固模态函数进行高光谱图像重构，具体如下2.根据权利要求I所述的基于参考图互信息波段选择和EMD的高光谱图像分类方法，其特征在于所述高光谱图像参考图的生成方法为定义高光谱数据相邻波段的互信息，如下式所示3.根据权利要求I所述的基于参考图互信息波段选择和EMD的高光谱图像分类方法，其特征在于所述参考图互信息波段选择准则为根据最大相关性选出在给定高光谱图像参考图时不确定性减少最大的波段图像，如下式所示全文摘要基于参考图互信息波段选择和EMD的高光谱图像分类方法，涉及遥感领域的高光谱图像分类方法。本专利技术基于参考图互信息波段选择和EMD的高光谱图像分类方法为步骤一采用基于参考图互信息波段选择算法进行高光谱图像波段选择；步骤二对选出的高光谱图像波段子集进行经验模态分解和图像重构；步骤三采用SVM分类器对重构高光谱图像进行分类，获得分类结果。本专利技术利用参考图互信息波段选择选择出高可分性的高光谱图像波段子集，解决了高光谱图像多冗余信息的影响，减少了分类过程所需的支持向量数，提高了分类速度；利用经验模态分解对高光谱图像波段子集进行特征提取和重构，解决了高光图像噪声的影响，提高了分类精度。文档编号G06K9/62GK102831436SQ201210272000公开日2012年12月19日 申请日期2012年8月2日 优先权日20本文档来自技高网...

【技术保护点】
基于参考图互信息波段选择和EMD的高光谱图像分类方法，其特征在于所述高光谱图像分类方法包括如下步骤：步骤一：采用基于参考图互信息波段选择算法进行高光谱图像波段选择，具体步骤如下：首先进行高光谱图像参考图的生成；然后根据参考图提出基于参考图互信息波段选择准则；最后采用该准则进行高光谱图像的波段选择，选出高可分性的波段子集；步骤二：将选出的高光谱图像波段子集进行经验模态分解，获得高光谱图像的特征即内固模态函数，采用具有高频本质特征的内固模态函数进行高光谱图像重构，具体如下：？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？，其中表示采用前个内固模态函数重构的高光谱图像，表示第个内固模态函数；步骤三：采用SVM分类器对重构高光谱图像进行分类，获得分类结果。2012102720008100001dest_path_image002.jpg,dest_path_image004.jpg,dest_path_image006.jpg,dest_path_image008.jpg,dest_path_image010.jpg,dest_path_image004a.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：沈毅，张淼，张敏，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：