基于EMD-SVM的高光譜圖像分類相關(guān)算法研究.pdf

1、高光譜遙感是20世紀(jì)80年代發(fā)展起來的一個(gè)重要遙感方法,可以在連續(xù)的幾百個(gè)波段上獲得目標(biāo)圖像。與傳統(tǒng)遙感相比,高光譜遙感具有很高的空間分辨率和光譜分辨率。目前,高光譜遙感已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域,并成為國際研究熱點(diǎn)。然而高光譜圖像的優(yōu)點(diǎn)也帶來了相應(yīng)的問題,比如高光譜圖像的多譜段、大數(shù)據(jù)量、多冗余信息等。這些問題都給高光譜圖像實(shí)際研究、應(yīng)用帶來新的挑戰(zhàn),包括高光譜圖像濾波、高光譜圖像降維、高光譜圖像特征提取、高光譜圖像分類識(shí)別和混合像元分解

2、。本學(xué)位論文針對(duì)高光譜圖像本身的特點(diǎn)和挑戰(zhàn),從特征提取、圖像去噪、圖像降維等方面入手,提出了多種高光譜圖像高精度分類算法。本學(xué)位論文的主要研究內(nèi)容如下:
　　(1)提出基于小波閾值降噪和經(jīng)驗(yàn)?zāi)B(tài)分解的高光譜圖像分類算法。本學(xué)位論文結(jié)合高光譜圖像小波濾波和經(jīng)驗(yàn)?zāi)B(tài)分解特征提取的優(yōu)點(diǎn),提出基于小波閾值降噪和經(jīng)驗(yàn)?zāi)B(tài)分解的高光譜圖像分類算法(WTD-EMD-SVM)。仿真試驗(yàn)表明,該方法有效地提高了高光譜圖像的分類精度,減少了支持向量器

3、分類過程所需的支持向量數(shù)和分類時(shí)間。
　　(2)提出基于集合經(jīng)驗(yàn)?zāi)B(tài)分解的高光譜圖像分類算法。針對(duì)高光譜圖像經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)存在的模態(tài)混合效應(yīng),本學(xué)位論文采用集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)提出基于集合經(jīng)驗(yàn)?zāi)B(tài)分解的模態(tài)混合解決算法。在模態(tài)混合解決的基礎(chǔ)上，進(jìn)一步提出了基于二維集合經(jīng)驗(yàn)?zāi)B(tài)分解的高光譜圖像分類算法(2D-EEMD-SVM)。仿真實(shí)驗(yàn)表明,該方法的性能優(yōu)于2D-EMD-SVM算法,具有更高的分類精度。針對(duì)2D-EE

4、MD-SVM方法中高光譜圖像EEMD處理時(shí)間長這一問題,分析了EEMD大運(yùn)算量的根源,并提出了快速EEMD算法(F-EEMD),通過互信息閾值方法選擇合適的IMF篩選次數(shù)K和加速、分解次數(shù)N,實(shí)現(xiàn)了EEMD的快速運(yùn)算。在F-EEMD的基礎(chǔ)上進(jìn)一步提出基于快速集合經(jīng)驗(yàn)?zāi)B(tài)分解的高光譜圖像分類算法(F-EEMD-SVM)。仿真實(shí)驗(yàn)表明,該方法有效地減少了高光譜圖像EEMD處理時(shí)間,并且保留了2D-EMD-SVM算法的性能。
　　(3)

5、提出三種基于波段選擇和經(jīng)驗(yàn)?zāi)B(tài)分解的高光譜圖像分類算法。針對(duì)高光譜圖像的多冗余信息、高維數(shù)和噪聲的影響,提出基于互信息波段選擇和經(jīng)驗(yàn)?zāi)B(tài)分解的高光譜圖像分類算法(MI-EMD-SVM)。該方法通過互信息波段選擇,實(shí)現(xiàn)高光譜圖像降維,減少高光譜圖像波段間的冗余信息;通過經(jīng)驗(yàn)?zāi)B(tài)分解,實(shí)現(xiàn)對(duì)高光譜波段子集的特征提取,提高高光譜數(shù)據(jù)的可分性。針對(duì)MI-EMD-SVM算法對(duì)真實(shí)地物信息的依賴性,提出基于參考圖互信息波段選擇和經(jīng)驗(yàn)?zāi)B(tài)分解的高光譜

6、圖像分類算法(RMI-EMD-SVM)。該方法根據(jù)高光譜圖像的關(guān)鍵譜帶生成了高光譜數(shù)據(jù)的參考圖,并在參考圖的基礎(chǔ)上進(jìn)行互信息波段選擇。仿真實(shí)驗(yàn)表明,該方法很好地解決了MI-EMD-SVM對(duì)真實(shí)地物信息的依賴問題,具有廣泛應(yīng)用前景。針對(duì)MI-EMD-SVM和RMI-EMD-SVM缺乏考慮波段間冗余信息的影響,本學(xué)位論文分析和計(jì)算高光譜波段間的冗余互信息,根據(jù)冗余互信息最小化原則提出基于冗余互信息波段選擇和經(jīng)驗(yàn)?zāi)B(tài)分解的高光譜圖像分類算法(

7、ERI-EMD-SVM)。仿真實(shí)驗(yàn)表明,該方法很好選擇出了互信息最大的波段組合,獲得了高精度分類結(jié)果。
　　(4)提出基于經(jīng)驗(yàn)?zāi)B(tài)分解特征選擇的高光譜圖像分類算法。Demir等人提出的基于經(jīng)驗(yàn)?zāi)B(tài)分解高光譜圖像分類算法(2D-EMD-SVM)中特征選擇方法缺乏科學(xué)性。針對(duì)這一問題,本學(xué)位論文分別采用互信息和非線性相關(guān)系數(shù)對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解后的圖像特征進(jìn)行分析、選擇,提出基于經(jīng)驗(yàn)?zāi)B(tài)分解互信息特征選擇的高光譜圖像分類算法(2D-EMD-