改進(jìn)的經(jīng)驗(yàn)?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(jì)80年代的高光譜，是遙感技術(shù)的一大飛躍。與傳統(tǒng)可見(jiàn)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(guó)內(nèi)外學(xué)者的極大關(guān)注，成為目前的一個(gè)研究熱點(diǎn)。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(shí)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(lái)發(fā)展起來(lái)的經(jīng)驗(yàn)?zāi)B(tài)分解算法（Empirical M

2、ode Decomposition，EMD）對(duì)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(shì)，但迄今為止尚無(wú)一套完整的、公認(rèn)的理論基礎(chǔ)。因此，如何從理論上對(duì)EMD進(jìn)行改進(jìn)，尤其是端點(diǎn)效應(yīng)的抑制和包絡(luò)求取時(shí)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(jìn)及其在高光譜圖像分類中的應(yīng)用展開(kāi)深入細(xì)致的研究。一方面，基于灰色模型和最優(yōu)化理論，從端點(diǎn)效應(yīng)抑制和包絡(luò)求取等方面對(duì)EMD進(jìn)行改進(jìn)，并

3、將改進(jìn)的EMD用于高光譜地物譜線和空間特征提取；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?jī)?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(diǎn)效應(yīng)抑制方法。端點(diǎn)效應(yīng)是EMD算法中的公開(kāi)理論問(wèn)題，它是由于信號(hào)兩端附近極值點(diǎn)無(wú)法

4、被準(zhǔn)確確定而產(chǎn)生的。本文先證明極值點(diǎn)和包絡(luò)對(duì)一維EMD至關(guān)重要，然后在微分方程離散化過(guò)程中對(duì)現(xiàn)有單變量灰色模型進(jìn)行了改進(jìn)，提出GM-EMD方法，在不改變?cè)夹盘?hào)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(cè)、計(jì)算量小和短期預(yù)測(cè)精度高等優(yōu)勢(shì)，對(duì)一維EMD迭代過(guò)程中的信號(hào)向外延拓2個(gè)點(diǎn)，有效抑制一維EMD的端點(diǎn)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(guò)程中未對(duì)非極值點(diǎn)位置上的信號(hào)進(jìn)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(yán)格數(shù)學(xué)不等式，用ADMM來(lái)求解這些最優(yōu)化問(wèn)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(zhǔn)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(diǎn)效應(yīng)抑制算法。由于圖像邊界處

6、極值點(diǎn)無(wú)法被準(zhǔn)確求取，造成了二維EMD（Bi-dimensional EMD，BEMD）的端點(diǎn)效應(yīng)問(wèn)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(duì)延拓后的圖像進(jìn)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(duì)應(yīng)的分解結(jié)果，從而抑制BEMD端點(diǎn)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(lái)綜合利用高光譜譜-空間特征，所涉及的最優(yōu)化問(wèn)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(jī)