基于HHT的超光谱图像高精度分类算法研究

利用超光谱图像(Hyperspectral image)具有极高的空间分辨率和光谱分辨率的特性,研究快速高效的分类与识别算法是遥感应用领域提出的热点研究问题。本项目提出利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)能够自适应地提取非线性非平稳信号的本质特征的优点，开展超光谱图像的高精度分类算法研究。利用1D-HHT充分提取超光谱图像谱间信息变化的本质特征，利用2D-HHT充分提取超光谱图像空间分布特征，并与传统的统计信息等分类特征相结合，研究超光谱图像的可分性度量方法，构建基于改进的支持向量机的高精度分类方法。同时针对2D-HHT应用于超光谱图像时所产生的边缘效应,研究利用极值信息整体预测的方法对其进行有效抑制，推动HHT在图像处理应用领域中的研究。

本课题针对基于HHT的超光谱图像高精度分类算法，紧紧围绕申请书中的四大部分进行了深入研究，发表相关论文19篇，申请专利8项，其中已授权3项。所取得的创新性成果主要可归纳为：（1）结合一维EMD和支持向量机算法构建了高效的超光谱图像高精度分类算法，在此基础上，我们进一步结合超光谱图像本身特点，提出了三种对不同波段加权的改进超光谱图像分类算法；（2）针对二维EMD算法如何有效提取超光谱图像的可分信息进行了深入的理论研究，提出了基于二维EMD算法的超光谱图像高精度分类算法；（3）对二维EMD算法进一步研究，提出了基于小波阈值去噪的二维EMD超光谱图像高精度分类算法，及基于特征扩展结合模糊支持向量机的高精度分类算法；（4）对于一维EMD及二维EMD在生成各IMF时的边缘所存在的缺陷，提出了基于灰色模型的处理方法，该方法可充分发挥灰色模型所需输入数据量少、短期预测精度高、计算速度快的优势。大量的实验结果表明了所研究理论及算法的有效性和可行性，同时由于考虑到空间和时间的效率，算法有利于推广应用。