改進的經(jīng)驗模態(tài)分解算法及其在高光譜圖像分類中的應用.pdf

1、源于20世紀80年代的高光譜，是遙感技術的一大飛躍。與傳統(tǒng)可見光或多光譜圖像相比，高光譜圖像能提供更為豐富的地表覆蓋信息和地物光譜信息，在航天和軍事等領域具有很大潛力，因而受到國內外學者的極大關注，成為目前的一個研究熱點。然而，如何遵循高光譜數(shù)據(jù)“非線性”、“非平穩(wěn)”的本質，充分利用采集到的圖像信息，以此提高地物分類識別的能力，成為高光譜遙感技術推廣和應用道路上亟待解決的難題。雖然近年來發(fā)展起來的經(jīng)驗模態(tài)分解算法（Empirical M

2、ode Decomposition，EMD）對處理復雜的“非線性”、“非平穩(wěn)”高光譜數(shù)據(jù)具有先天優(yōu)勢，但迄今為止尚無一套完整的、公認的理論基礎。因此，如何從理論上對EMD進行改進，尤其是端點效應的抑制和包絡求取時的“上沖”或“下沖”現(xiàn)象的消除等，仍然是擺在研究者們面前的重大挑戰(zhàn)。本文圍繞EMD算法的理論改進及其在高光譜圖像分類中的應用展開深入細致的研究。一方面，基于灰色模型和最優(yōu)化理論，從端點效應抑制和包絡求取等方面對EMD進行改進，并

3、將改進的EMD用于高光譜地物譜線和空間特征提??；另一方面，基于稀疏表示分類器（Sparse Representation Classifier，SRC）和超像素圖像分割算法，研究譜-空間特征相結合的高光譜圖像分類方法。本文的主要研究內容和創(chuàng)新成果如下：
　　研究基于單變量灰色模型的一維EMD（Gray Mode-based EMD，GM-EMD）端點效應抑制方法。端點效應是EMD算法中的公開理論問題，它是由于信號兩端附近極值點無法

4、被準確確定而產生的。本文先證明極值點和包絡對一維EMD至關重要，然后在微分方程離散化過程中對現(xiàn)有單變量灰色模型進行了改進，提出GM-EMD方法，在不改變原始信號特性的前提下，充分發(fā)揮單變量灰色模型適合少量數(shù)據(jù)預測、計算量小和短期預測精度高等優(yōu)勢，對一維EMD迭代過程中的信號向外延拓2個點，有效抑制一維EMD的端點效應。
　　研究基于交替方向乘子法（Alternating Direction Method of Multiplier

5、s，ADMM）的一維EMD包絡求取方法。由于樣條插值過程中未對非極值點位置上的信號進行約束，容易造成“上沖”或“下沖”現(xiàn)象。于是，構建上、下包絡應滿足的嚴格數(shù)學不等式，用ADMM來求解這些最優(yōu)化問題，與樣條插值相比，能有效消除“上沖”或“下沖”現(xiàn)象，得到更準確的分解結果。
　　研究基于多變量灰色模型的二維 EMD（Gray Mode-based Bi-dimensional EMD，GM-BEMD）端點效應抑制算法。由于圖像邊界處

6、極值點無法被準確求取，造成了二維EMD（Bi-dimensional EMD，BEMD）的端點效應問題。于是，提出GM-BEMD方法，該方法由基于復化Simpson公式的多變量灰色模型將圖像向四周延拓，再用傳統(tǒng)的BEMD方法對延拓后的圖像進行分解，得到延拓的二維本征模態(tài)函數(shù)（Bi-dimensional Intrinsic Mode Function，BIMF）和殘差，然后截取出與原始圖像區(qū)域相對應的分解結果，從而抑制BEMD端點效應。

7、
　　研究基于核稀疏多任務學習（Kernel-based Sparse Multitask Learning Classi-fier，KSMTLC）的譜-空間特征分類方法。在SRC的框架下，提出用KSMTLC來綜合利用高光譜譜-空間特征，所涉及的最優(yōu)化問題由加速近端梯度法（Accelerated Proximal Gradient，APG）求解。與單一的光譜或空間特征相比，KSMTLC的分類效果更好。
　　研究基于支持向量機