[发明专利]基于二维经验模态分解和小波降噪的多分组图像分类方法

说明书

技术领域

本发明涉及基于二维经验模态分解和小波降噪的多分组图像分类方法，属于图像处理领域。

背景技术

多分组图像是一组具有较高相关性的多波段图像，在地球观测、医学诊断、雷达探测等领域都存在大量的物理原型，例如高光谱图像、医学超声图像、海平面波动图像等。它们一般是针对同一区域的连续观测或多光谱分光观测，往往包含成百上千个波段的图像，各波段图像之间普遍具有较高的相关性，因此多分组图像既包含观察区域的多分辨信息，又存在大量的冗余信息。

对多分组图像分类能获取图像更多的内在规律，便于图像的后续处理，因而多分组图像分类处理技术成为当前一个热点问题。传统分类方法一般都是直接对原始图像进行处理，对图像本质特征利用不充分，分类精度低，不利于对分类后的图像进一步研究。但在多分组图像进行分类之前，若能对其进行预处理，提取出反映图像本质信息的特征分量，将期望提高分类精度。

发明内容

本发明目的是为了解决传统分类方法对图像本质特征利用不充分，分类精度低的问题，提供了基于二维经验模态分解和小波降噪的多分组图像分类方法。

本发明包括如下步骤：

步骤一：对多分组图像中各波段分别进行二维经验模态分解，得到前K个频率由高到低依次递减的二维本征模态函数分量IMF和1个残差；

步骤二：对所述前K个频率由高到低依次递减的二维本征模态函数分量IMF求和作为该多分组图像的特征值，并对所述特征值选取小波函数降噪，获取降噪后特征值；

步骤三：多个多分组图像的降噪后特征值按比例任意选取作为支持向量机的训练样本和测试样本，

对训练样本进行支持向量机参数训练，再利用参数已训练完毕的支持向量机对测试样本所对应像素的类别进行归属判定，形成多个支持向量机子分类器；

步骤四：利用多个支持向量机子分类器构建基于一对一策略的多分类器，并依据决策函数对测试样本的归属类别做出决策，完成多分组图像的分类。

本发明的优点：

1)本发明把BEMD这种适合处理非平稳信号的新方法应用到多分组图像，得到反应图像不同尺度特征的二维IMF，并依据越靠前的二维IMF反应图像本质特性越多的原理，求取前个二维IMF的和，它们能更有效的反应图像本质特性。

2)本发明考虑了任何多分组图像都不可避免地被噪声所污染的事实，引入了小波降噪处理环节，将结果作为对输入空间高维数不敏感的支持向量机的训练样本和测试样本，以此来训练基于一对一策略的多分类器。与仅输入原始图像的多分类方法相比，可去除噪声干扰，有效提升分类精度。

3)本发明所提出的分类方法无需增加训练样本的数量，只是将原训练样本与测试样本相应地替换为步骤二得到的训练样本和测试样本，更充分地利用了多波段图像信息，因此该分类方法与传统多分类方法在结构上保持了较好的一致性，无需改变训练向量的采集方法，有利于算法的推广应用。

附图说明

图1为本发明方法原理图；图2为BEMD分解原理图；图3为对第200个波段的原始多分组图像，图4至图7是对第200个波段的原始多分组图像进行二维经验模态分解后得到的前4个二维IMF，图8是对第200个波段的原始多分组图像进行二维经验模态分解后得到的残差；图9为原始多分组图像与降噪后的前4个二维IMF的和各波段均值对比图；图10为原始多分组图像与降噪后的前4个二维IMF的和各波段标准差对比图；图11为对第200个波段的前4个二维IMF之和小波降噪后三维图；图12为对第200个波段的前4个二维IMF之和所去除的噪声三维图；图13基于原始支持向量机方法的分类结果散点图；图14采用本发明方法对降噪后的前4个二维IMF的和选取训练样本和测试样本，进行支持向量机分类结果散点图。

具体实施方式

具体实施方式一：下面结合图1和图2说明本实施方式，