改進的經(jīng)驗?zāi)B(tài)分解算法及其在高光譜圖像分類中的應(yīng)用.pdf

1、源于20世紀80年代的高光譜，是遙感技術(shù)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(lǐng)域具有很大潛力，因而受到國內(nèi)外學(xué)者的極大關(guān)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(zhì)，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(shù)推廣和應(yīng)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?zāi)B(tài)分解算法（Empirical M

2、ode Decomposition，EMD）對處理復(fù)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(chǔ)。因此，如何從理論上對EMD進行改進，尤其是端點效應(yīng)的抑制和包絡(luò)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(yīng)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(yīng)抑制和包絡(luò)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(jié)合的高光譜圖像分類方法。本文的主要研究內(nèi)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(yīng)抑制方法。端點效應(yīng)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(chǎn)生的。本文先證明極值點和包絡(luò)對一維EMD至關(guān)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(yù)測、計算量小和短期預(yù)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(yīng)。
　　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(luò)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(gòu)建上、下包絡(luò)應(yīng)滿足的嚴格數(shù)學(xué)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(jié)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(yīng)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(yīng)問題。于是，提出GM-BEMD方法，該方法由基于復(fù)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(yīng)的分解結(jié)果，從而抑制BEMD端點效應(yīng)。

7、
　　研究基于核稀疏多任務(wù)學(xué)習(xí)（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