專利名稱：一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法
技術(shù)領域：
本發(fā)明涉及遙感領域的高光譜圖像分類方法，具體涉及一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法。
背景技術(shù)：
高光譜遙感圖像具有高的光譜分辨率，并能為每個像元提供幾乎連續(xù)的地物光譜曲線，因此高光譜遙感能夠反演陸地細節(jié)。目前高光譜圖像在農(nóng)業(yè)、林業(yè)、地質(zhì)勘探、大氣監(jiān)控、軍事作戰(zhàn)等各個領域都有廣泛的應用。由于高光譜圖像在太陽-大氣-地物目標-大氣-傳感器的電磁輻射傳播路徑中以及在數(shù)據(jù)傳輸過程中，受到很多復雜因素的影響，引入各種噪聲，從而影響了高光譜圖像的分類精度。為了確保高光譜遙感高分辨率的優(yōu)勢，保證高光譜圖像的分類精度，高光譜圖像的濾波降噪是十分必要的。目前，高光譜圖像的去噪方法主要有三類一維光譜信息去噪方法、二維空間圖像去噪方法和三維空間光譜混合去噪方法。其中一維光譜信息去噪方法和二維空間圖像去噪方法，都是只針對單一的光譜信息或空間圖像濾波，滿足不了圖譜合一的三維高光譜圖像的去噪要求。為此，Hisham Othman和Qian Shen-en提出空間光譜混合域的小波閾值降噪方法；Atkinson和Kamalabadi等人提出在光譜域上用離散傅里葉變換、在空間域上采用二維離散小波變換。這些三維濾波方法都取得較好的濾波效果。然而由于這些三維濾波方法都是基于小波變換，因此它們適合于非平穩(wěn)的線性信號的處理，對于非線性信號的處理卻無法得到理想的效果。經(jīng)驗模態(tài)分解方法(Empirical Mode Decomposition, EMD)是由美國國家航空航天管理局(National Aeronautics and Space Administration, NASA)的黃鍔博于 1998 年提出的一種非平穩(wěn)、非線性信號的有效方法。EMD利用信號內(nèi)部時間尺度的變化做能量與頻率的解析，將信號展開成數(shù)個本征模態(tài)函數(shù)(Intrinsic Mode Function, IMF)和一個信號殘差，其中本征模態(tài)函數(shù)又稱內(nèi)固模態(tài)函數(shù)。IMF必須滿足下列條件1)在整個函數(shù)中，極值點的數(shù)目與穿越零點的數(shù)目相等或者相差1 ；2)在任何時刻，由局部極值包絡線所定義的包絡線局部均值為零。EMD相對小波變換，有更好的時頻特性，能夠自適應地提取非線性非平穩(wěn)信號的本質(zhì)特征。目前，BegUm Demir已經(jīng)將EMD方法用到高光譜圖像分類中(EMD-SVM)，提高了高光譜圖像的支持向量機分類算法(SVM)的分類精度。然而在EMD-SVM方法中高光譜圖像的大量本質(zhì)特征和高頻噪聲都集中在第一個IMF中，因此該方法沒有獲得理想的高精度分類結(jié)果。

發(fā)明內(nèi)容
本發(fā)明是為了解決傳統(tǒng)方法中小波對非線性非平穩(wěn)性的高光譜圖像的不適用和經(jīng)驗模態(tài)分解方法分解的第一個本征模態(tài)函數(shù)中噪聲較大，獲得的分類結(jié)果精度不夠大的問題，在小波濾波的基礎上引入經(jīng)驗模態(tài)分解方法，自適應地提取小波濾波之后信號的本質(zhì)特征，提出的一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法。本發(fā)明的一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法，其具體方法為步驟一、高光譜圖像的二維小波閾值降噪；步驟二、對小波降噪后的高光譜圖像進行經(jīng)驗模態(tài)分解和圖像重構(gòu)；步驟三、采用SVM分類器對高光譜重構(gòu)圖像nIMFs進行分類，獲得分類精度。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點1)本發(fā)明所提出的高光譜圖像分類方法利用小波閾值降噪和經(jīng)驗模態(tài)分解提取高光譜圖像的本征特征，與利用支持向量機分類方法(SVM)、小波降噪支持向量機分類方法 (WAV-SVM)和基于經(jīng)驗模態(tài)分解支持向量機分類方法(EMD-SVM)相比，本發(fā)明方法更能夠有效提升高光譜圖像的精度。2)本發(fā)明所提出的高光譜圖像分類方法，能充分降低了高光譜圖像的冗余信息量，與利用支持向量機分類方法(SVM)、小波降噪支持向量機分類方法(WAV-SVM)和基于經(jīng)驗模態(tài)分解支持向量機分類方法(EMD-SVM)相比，本發(fā)明方法在分類過程中所需的支持向量機數(shù)目更少。3)本發(fā)明所提出的高光譜圖像分類方法，使處理后的高光譜圖像具有更好的可分性，與利用支持向量機分類方法(SVM)、小波降噪支持向量機分類方法(WAV-SVM)和基于經(jīng)驗模態(tài)分解支持向量機分類方法(EMD-SVM)相比，本發(fā)明方法的分類速度更快。本發(fā)明的有益效果為選取高光譜數(shù)據(jù)92AV3C中9類像素數(shù)目最多的地物作為實驗樣本，總的訓練樣本和測試樣本數(shù)分別為4673和4672不同高光譜重構(gòu)圖像的分類精度如圖16和圖17所示。將本發(fā)明方法與支持向量機分類方法(SVM)、小波降噪支持向量機分類方法 (WTD-SVM)和基于經(jīng)驗模態(tài)分解支持向量機分類方法(EMD-SVM)進行對比，驗證本發(fā)明方法的有效性和優(yōu)越性，結(jié)果如圖16、圖17、圖18和圖19所示，本發(fā)明提出的方法獲得更高的分類精度；分類過程所需支持向量數(shù)少于其他幾種方法；分類過程所消耗的時間少于其他幾種方法，即分類速度高于其他幾種方法。通過上述的比較，可以驗證本發(fā)明所提出的方法具有很好的優(yōu)越性更有效地提高高光譜圖像的分類精度，更有效地減少支持向量數(shù)，更有效地提高分類速度。


圖1為本發(fā)明的高光譜圖像分類方法流程圖；圖2為二維小波閾值降噪流程圖； 圖3為對高光譜圖像進行經(jīng)驗模態(tài)分解和圖像重構(gòu)方法流程圖；圖4為經(jīng)驗模態(tài)分解流程圖；圖5為第120波段高光譜圖像的原始圖像，圖6為第120波段高光譜圖像的第一個內(nèi)固模態(tài)函數(shù)圖像，圖7為第120波段高光譜圖像的第二個內(nèi)固模態(tài)函數(shù)圖像，圖8為第 120波段高光譜圖像的第三個內(nèi)固模態(tài)函數(shù)圖像，圖9為第120波段高光譜圖像的第四個內(nèi)固模態(tài)函數(shù)圖像，圖10為第120波段高光譜圖像的殘差圖像；圖11為高光譜圖像的原始圖像，圖12為高光譜圖像的η取1時的重構(gòu)圖像，圖13為高光譜圖像的η取2時的重構(gòu)圖像，圖14為高光譜圖像的η取3時的重構(gòu)圖像，圖15為 η取4時的重構(gòu)圖像；圖16為本發(fā)明方法與其他方法的分類的平均精度比較圖；圖17為本發(fā)明與其它方法的分類的整體精度比較圖；圖18為本發(fā)明方法與其他方法的支持向量數(shù)比較圖；圖19 為本發(fā)明方法與其他方法的分類時間比較圖。
具體實施例方式具體實施方式
一、結(jié)合圖1說明本實施方式，一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法，其具體方法為步驟一、高光譜圖像的二維小波閾值降噪；步驟二、對小波降噪后的高光譜圖像進行經(jīng)驗模態(tài)分解和圖像重構(gòu)；步驟三、采用SVM分類器對高光譜重構(gòu)圖像nIMFs進行分類，獲得分類精度。
具體實施方式
二、結(jié)合圖2說明本實施方式，本實施方式與具體實施方式
一的區(qū)別在于，步驟一中高光譜圖像的二維小波閾值降噪的具體方法為步驟一 .1、輸入高光譜數(shù)據(jù)，對高光譜數(shù)據(jù)進行數(shù)據(jù)歸一化，得到灰度圖像χ ；選擇小波分解的層數(shù)i = 1，對原信號Xi進行小波分解，獲得小波系數(shù)d，即d = DffT {χ}步驟一 .2、計算Xi的小波閾值，并對小波系數(shù)進行閾值處理，即d' = η τ (d)其中，η τ 0是閾值為τ的閾值處理函數(shù)，采用軟閾值去噪，如下式所示步驟一 .3、進行小波反變換，獲得降噪后的信號χ' i，由閾值處理后的d'計算信號的小波反變換，得到濾波后的信號X'，即
權(quán)利要求
1.一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法，其特征在于其具體方法為步驟一、高光譜圖像的二維小波閾值降噪；步驟二、對小波降噪后的高光譜圖像進行經(jīng)驗模態(tài)分解和圖像重構(gòu)； 步驟三、采用SVM分類器對高光譜重構(gòu)圖像nIMFs進行分類，獲得分類精度。
2.根據(jù)權(quán)利要求1所述的一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法，其特征在于步驟一中高光譜圖像的二維小波閾值降噪的具體方法為步驟一 .1、輸入高光譜數(shù)據(jù)，對高光譜數(shù)據(jù)進行數(shù)據(jù)歸一化，得到灰度圖像χ ；選擇小波分解的層數(shù)i = 1，對原信號Xi進行小波分解，獲得小波系數(shù)d，即
3.根據(jù)權(quán)利要求1所述的一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法，其特征在于步驟二中對小波降噪后的高光譜圖像進行經(jīng)驗模態(tài)分解和圖像重構(gòu)的具體方法為步驟二 . 1、對小波降噪后的高光譜圖像進行經(jīng)驗模態(tài)分解，分解成q個內(nèi)固模態(tài)函數(shù) IMF和一個殘差假設X' k是濾波后高光譜圖像的第k波段圖像，χ' (m，n)是圖像X' k在像素點(m， η)的值(m=l，2，…，M;n = l，2，…，N) ；(m，η)是用于計算第 i (i = 1，2，…，I)個 IMF過程中，第j(j = 1,2,-,J)次迭代時的輸入值，以第k波段圖像X' k作為輸入信號， 原始信號χ' (m, η)可以表示成q個IMF分量與一個平均趨勢分量(殘差)i^m，η)的組合
4.根據(jù)權(quán)利要求3所述的一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法，其特征在于步驟二 . 1中所述對小波降噪后的高光譜圖像進行經(jīng)驗模態(tài)分解的具體方法為采用經(jīng)驗模態(tài)分解來提取降噪后高光譜圖像的本征特征，經(jīng)驗模態(tài)分解的具體方法為假設X' k是濾波后高光譜圖像的第k波段圖像，初始設置IV1Oii, n) =Iv1Oii, η)= χ' (m，n)，k = 1，1 = 1，χ' (m，n)是圖像 X' k 在像素點(m，η)的值(m = 1，2，···，M ； η= 1,2,…，N) ；rdm，η)是用于計算第i(i = 1，2，…，I)個IMF過程中，第j (j = 1， 2，…，J)次迭代時的輸入值，以第k波段圖像X' k作為輸入信號；步驟二 .1.1、計算X' Jt = IviOiun)的局部極大值和局部極小值，然后利用樣條插值算法，將局部極大值擬合成上包絡線emax(m，η)、將局部極小值擬合成下包絡線emin(m，η)； 步驟二 . 1. 2、計算上下包絡線的均值獲得均值包絡線mk(m，η)
5.根據(jù)權(quán)利要求1所述的一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法，其特征在于步驟三中采用SVM分類器對高光譜重構(gòu)圖像nIMFs進行分類，獲得分類精度的具體方法為采用SVM分類器對高光譜重構(gòu)圖像nIMFs進行分類，SVM分類器所用核函數(shù)為徑向基 01 (radial basis function)Ilx-zip 2σ其中，參數(shù)σ取0.4，懲罰因子取60。
全文摘要
一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法，涉及遙感領域的高光譜圖像分類方法，具體涉及一種基于小波閾值降噪和經(jīng)驗模態(tài)分解的高光譜圖像分類方法。為了解決傳統(tǒng)方法中小波對非線性非平穩(wěn)性的高光譜圖像的不適用和經(jīng)驗模態(tài)分解方法分解的第一個本征模態(tài)函數(shù)中噪聲較大，獲得的分類結(jié)果精度不夠大的問題。其具體方法為步驟一、高光譜圖像的二維小波閾值降噪；步驟二、對小波降噪后的高光譜圖像進行經(jīng)驗模態(tài)分解和圖像重構(gòu)；步驟三、采用SVM分類器對高光譜重構(gòu)圖像nIMFs進行分類，獲得分類精度。用于高光譜圖像的分類中。
文檔編號G06K9/62GK102436586SQ201110333888
公開日2012年5月2日 申請日期2011年10月28日 優(yōu)先權(quán)日2011年10月28日
發(fā)明者張敏, 張淼, 沈毅 申請人:哈爾濱工業(yè)大學