基于参考图互信息波段选择和EMD的高光谱图像分类方法

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。本发明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。

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：(1)定义高光谱数据相邻波段的互信息，如下式MI MI所示：I (i)＝I(Ci-1,Ci)+I(Ci,Ci+1)，其中I (i)表示第i波段和它相邻波段i-1和i+1的互信息，I(Ci-1,Ci)表示第i波段和第i-1波段的互信息，I(Ci,Ci+1)表示第i波段和第i+1波段的互信息；(2)根据相邻波段互信息和参考太阳能光谱信息进行高光谱图像关键谱带的选择，即：(a)根据高光谱图像相邻波段互信息，获得5个高于阈值的谱带，(b)根据参考太阳能光谱信息进行高光谱关键谱带的判断，从步骤a中所获得的谱带中获得两个区域变化比较缓慢的谱带，(c)从所述两个区域变化比较缓慢的谱带中采用其中变化更缓慢、幅值更小、更能显现地物的吸收带来变化的谱带生成高光谱图像参考图R，如下式所示：其中R表示参考图；T表示关键谱带；Ti表示关键谱带中第i波段；

length(T)表示关键谱带的波段数量；

然后根据生成的参考图提出基于参考图互信息波段选择准则：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：其中I(xi；R)是高光谱图像X波段xi与高光谱图像参考图R的

互信息；X′是已选波段组合；

最后根据基于参考图互信息波段选择准则，寻找出高光谱图像的一个波段子集X'，使得X'与高光谱图像参考图R的互信息指标J(X)达到最大；

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波段子集的重构，具体如下： 其中nIMFs表示采用前n个内固模态函数重构的高光谱图像，IMFk表示第k个内固模态函数；

步骤三：采用SVM分类器对重构的高光谱图像nIMFs进行分类，获得分类结果。

说明书

基于参考图互信息波段选择和EMD的高光谱图像分类方法

技术领域

[0001] 本发明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。

背景技术

[0002] 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。

[0003] 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, MI）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。

[0004] 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）的黄锷博于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。IMF必须满足下列条件：

[0005] 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1；

[0006] 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。

[0007] 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。

[0008] 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。

发明内容

[0009] 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，本发明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。

[0010] 本发明的目的是通过以下技术方案实现的：

[0011] 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IMF，选取含有高频部分的IMF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1所示，具体步骤如下：

[0012] 步骤一：高光谱图像的参考图互信息波段选择。

[0013] 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。

[0014] 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。

[0015] 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：

[0016] 假设 是高光谱图像波段子集的第 波段图像。 是图像 在像素点的值 ； 是用于计算第 个IMF过程中，第次迭代时的输入值。以第 波段图像 作为输入信号，筛选程序的流程如下：

[0017] 1). 找出 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 。

[0018] 2). 求出上下包络线的均值，得到均值包络线

[0019]

[0020] 3). 原始信号 与均值包络线 相减，得到第一个分量

[0021]

[0022] 4). 检查 是否符合IMF的条件。如果不符合，则回到步骤1并且将当作原始信号，进行第二次的筛选。即

[0023]

[0024] 重复筛选 次

[0025]

[0026] 直到 符合IMF的条件，即得到第一个IMF分量

[0027]

[0028] 5). 原始信号 减去 可得到剩余量

[0029]

[0030] 6). 将 当作新的信号，重新执行步骤1至步骤5，得到第二个IMF分量和新的剩余量 。如此重复 次

[0031]

[0032] 当第 个剩余量 已成为单调函数，将无法再分解IMF时，整个EMD的分解过程完成。原始信号 可以表示成 个IMF分量与一个平均趋势分量（残差） 的组合，即

[0033]

[0034] 原始信号便分解成 个从高频到低频的IMF和一个残差。

[0035] 根据从高频到低频的IMF，本发明采用高频部分的IMF作为特征量，进行高光谱图像波段子集的重构，如下式所示：

[0036]

[0037] 其中 表示采用前 个内固模态函数重构的高光谱图像波段子集， 表示第个内固模态函数。

[0038] 步骤三：采用SVM分类器对重构的高光谱图像波段子集进行分类，获得分类精度。

[0039] SVM分类器选取一对一(one-against-one)策略来实现SVM的多分类应用，所用核函数为径向基函数(radial basis function)：

[0040] (1)

[0041] 将得到的分类结果与测试集所包含的真实类别相比较，我们可以得出各类别的分类精度：将各类别的分类精度进行平均，得到平均精度(AA，Average Accuracy)；将所有正确分类的像素数除以总像素数则得到总体精度(OA，Overall Average)。

[0042] 本发明与现有技术相比具有如下优点：

[0043] 1）本发明所提出的高光谱图像分类方法利用参考图互信息波段选择获得高可分性的高光谱图像波段子集，利用经验模态分解提取高光谱图像波段子集的本征特征，与支持向量机分类方法(SVM)和基于经验模态分解支持向量机分类方法(2D-EMD-SVM)相比，本方法更能够有效提升高光谱图像的精度。

[0044] 2）本发明所提出的高光谱图像分类方法，能充分降低了高光谱图像的冗余信息量，与支持向量机分类方法(SVM)和基于经验模态分解支持向量机分类方法(2D-EMD-SVM)相比，本方法分类过程所需的支持向量机数目更少、分类速度更快。

[0045] 3）本发明所提出的高光谱图像分类方法，采用高光谱图像的参考图进行波段选择，与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)相比，本方法保留了MI-EMD-SVM算法的优越性能，同时很好地解决了MI-EMD-SVM离不开真实地物信息的局限性，具有广泛的应用价值。

附图说明

[0046] 图1为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流程图；

[0047] 图2为基于参考图互信息波段选择流程图；

[0048] 图3为经验模态分解流程图；

[0049] 图4为高光谱图像相邻波段互信息及阈值谱带选择；

[0050] 图5为参考太阳能光谱信息及高光谱图像的关键谱带；

[0051] 图6为高光谱图像的参考图；

[0052] 图7为被选出的第120波段高光谱图像；

[0053] 图8为第120波段高光谱图像经验模态分解所获得的IMF1；

[0054] 图9为第120波段高光谱图像经验模态分解所获得的IMF2；

[0055] 图10为第120波段高光谱图像经验模态分解所获得的IMF3；

[0056] 图11为第120波段高光谱图像经验模态分解所获得的IMF4；

[0057] 图12为第120波段高光谱图像经验模态分解所获得的残差；

[0058] 图13为第120波段高光谱图像；

[0059] 图14为采用IMF1进行图像重构；

[0060] 图15为采用IMF1和IMF2进行图像重构；

[0061] 图16为采用IMF1、IMF2和IMF3进行图像重构；

[0062] 图17为采用IMF1、IMF2、IMF3和IMF4进行图像重构；

[0063] 图18为本发明方法与其他方法的分类平均精度；

[0064] 图19为本发明方法与其他方法的分类整体精度；

[0065] 图20为本发明方法波选择数量为45与其他方法的支持向量数；

[0066] 图21为本发明方法与其他方法的分类时间。

具体实施方式

[0067] 下面通过对AVIRIS传感器在美国印地安那州西北部所采集的高光谱数据92AV3C的分类实例阐述本发明的具体实施方式：

[0068] 执行步骤一：高光谱图像的参考图互信息波段选择。

[0069] 对高光谱图像的参考图互信息波段选择具体过程如下：

[0070] 1). 参考图生成：定义高光谱数据相邻波段的互信息，如下式所示：

[0071]

[0072] 其中 表示第波段和它相邻波段 和 的互信息； 表示第波段和第 波段的互信息； 表示第波段和第 波段的互信息。

[0073] 根据相邻波段互信息和参考太阳能光谱信息进行高光谱图像关键谱带的选择。首先，根据高光谱图像相邻波段互信息，可以获得5个高于阈值的谱带，如图4所示。然后，根据参考太阳能光谱信息进行高光谱关键谱带的判断，获得两个区域变化比较缓慢的谱带119-144和171-210，如图5所示。最后，采用变化更缓慢、幅值更小、更能显现地物的吸收带来变化的谱带171-210来生成参考图 ，如下式所示，获得高光谱图像参考图，如图6所示。

[0074]

[0075] 其中 表示参考图；表示关键谱带；表示关键谱带中第波段； 表示关键谱带的波段数量。

[0076] 2). 基于参考图互信息波段选择：首先，根据生成的参考图 提出基于参考图互信息波段选择准则，即根据最大相关性(Max-Relevance)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：

[0077]

[0078] 其中 是高光谱图像 波段 与高光谱图像参考图 的互信息；是已选波段组合。

[0079] 然后，根据基于参考图互信息波段选择准则，寻找出高光谱图像的一个波段子集，数量为 ( )，使得 与高光谱图像参考图 的互信息指标 达到最大。波段选择数量 分别取5,10,15，…，215,220，对高光谱图像进行44次的波段选择。

[0080] 执行步骤二：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。

[0081] 经验模态分解的IMF数量取4，IMF的判断条件如下式所示：

[0082] ；

[0083] 其中 表示第 IMF的第 次筛选结果； 表示第 IMF的第 次筛选结果。

[0084] 所获得的IMF和残差图像如图7所示。采用高频部分的IMF作为特征量，进行高光谱图像波段子集的重构，重构结果如图8所示。

[0085] 执行步骤三：采用SVM分类器对重构的高光谱图像波段子集进行分类，获得分类精度。

[0086] 采用SVM分类器对已选的44个高光谱波段子集重构图像进行分类，不同高光谱图像波段子集的分类精度如图9所示。

[0087] 将本方法与支持向量机分类方法(SVM)、基于经验模态分解支持向量机分类方法(2D-EMD-SVM)以及基于互信息波段选择和经验模态分解支持向量机分类方法(MI-EMD-SVM)进行对比，验证本方法的有效性和优越性。结果如图10、图11和图12所示。

[0088] 通过与其他方法的比较，可以验证本发明所提出的方法相对于SVM算法和2D-EMD-SVM算法具有很好的优越性：更有效地提高高光谱图像的分类精度，更有效地减少支持向量数，更有效地提高分类速度。另外，本发明所提出的方法相对于MI-EMD-SVM在保留MI-EMD-SVM算法优越性能的同时，解决了MI-EMD-SVM算法对真实地物信息的依赖，具有广泛应用价值。