專利名稱：基于小波包變換和灰色預測模型的高光譜圖像分類方法
技術領域：
本發明涉及一種基于小波包變換和灰色預測模型的新型高光譜圖像分類方法，屬于高光譜圖像處理領域。
背景技術：
高光譜遙感(Hyperspectral Remote Sensing)技術是近三十年來快速發展的對地遙感技術，無論是在商業、軍事還是民用領域，它都具有重要的理論價值和廣闊的應用前景。高光譜遙感技術利用成像光譜儀從待測目標中獲取具有狹窄間隔的光譜響應，能夠捕捉到常規遙感技術難以發現的特征，從而為定量分析物質成分奠定了堅實的物理基礎。我國是世界上少數幾個獨立開發出成套高光譜遙感技術的國家之一，近年來我國科研工作者在礦物勘探、醫學診斷、敵后偵察、戰場監控、植被量測、城市規劃等范疇開展全方位、多層次、寬領域的高光譜遙感技術應用研究，均取得豐碩的成果。與常規遙感圖像處理相比，高光譜遙感圖像的主要特點有以下幾個方面I)數據量大。對同一地面即時觀測域數據量呈指數級增長，這對處理算法的效率有較高要求。2)相關性強。高光譜圖像相鄰波段之間存在著較強的相關性，而且這種波段之間的相關性比空間相關性要強得多，這種相關的產生原因包括由物質光譜反射屬性產生的自然的譜間相關、由地形坡度產生的地形陰影和傳感器相鄰波段間的光譜靈敏度的重疊。3)加性噪聲。分光計記錄的輻射特性疊加了由大氣、傳感儀器、量化處理以及數據傳輸等產生的噪聲，它可以看作信號消噪這一經典問題，可以依據信號處理理論來解決。4)混合像素點。由于分辨率有限，單像素點處得到的光譜反映的不一定只是一種物質的特性，而可能是地面即時觀測域(Ground Instantaneous Field of View)處幾種不同物質光譜的混合，混合情況的復雜程度依賴于具體的地面特性。5)從地物目標到圖像光譜響應的機理和作用過程非常復雜。即使是同一種材料，其光譜表現通常也有很大的差異，即存在所謂同物異譜和同譜異物的現象。綜上所述，高光譜遙感圖像的優越性是以其較大的數據量以及較高的數據維數為代價的，因此常規遙感圖像處理技術將很難適用于高光譜遙感圖像處理領域，一些針對傳統遙感數據的圖像處理方法和技術面臨挑戰。小波包變換和灰色預測模型是一種動態數據處理的經典方法。小波包變換是當前應用數學和工程學科中得到廣泛應用的工具之一。與傅立葉變換相比，小波變換是空間和頻率的局部變換，因而能有效的從信號中提取信息。信號分析的主要目的是尋找一種簡單有效的信號變換方法，使信號所包含的重要信息能顯現出來。從物理意義上講，小波包變換通過伸縮和平移等運算功能可對函數或信號進行多尺度的細化分析，繼承和發展了短時傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，提供了一個隨頻率改變的時頻窗口，解決了傅立葉變換不能解決的許多困難問題。如果一個系統具有結構關系的模糊性、動態變化的隨機性和指標數據的不完備或不確定性，則稱該系統具有灰色性，具有灰色性的系統稱為灰色系統。灰色系統是既含有已知信息，又含有未知信息或非確知信息的系統。在灰色系統理論中，利用較少的或不確切的表示灰色系統行為特征的原始數據序列作生成變換后建立的，用以描述灰色系統內部事物連續變化過程的模型，稱為灰色模型。研究灰色系統的重要內容之一是如何從一個不甚明確的、整體信息不足的系統中抽象并建立起一個模型，該模型能使灰色系統的因素由不明確到明確，由知之甚少發展到知之較多提供研究基礎。灰色系統理論是控制論的觀點和方法延伸到社會、經濟領域的產物，也是自動控制科學與運籌學數學方法相結合的結果。在高光譜數據處理系統中，出于計算復雜度要求，分類算法的計算量越少越好，而達到此要求的傳統算法分類精度差。另一方面，出于分類精度的要求，分類算法要具有對不同分類場景良好的健壯性，而達到此要求的算法計算復雜度高。因此，需要尋找一種綜合考慮計算復雜度與分類精度這兩方面平衡的算法，使其時間復雜度低、魯棒性好。
發明內容
針對上述問題，本發明的目的在于提供一種基于小波包變換和灰色預測模型的新型高光譜圖像分類方法，提出一種運用小波包變換和灰色預測模型處理高光譜響應曲線、 從而對高光譜圖像中不同像元進行特征構造、進而依據構造的特征完成分類的方法。本技術發明計算量小，同時又保持了分類的準確性，應用到高光譜數據處理系統中具有良好的
魯棒性。本發明所涉及的方法流程包括以下步驟(I)獲得待處理的高光譜數據；(2)應用小波包變換分解每個像元的高光譜響應曲線；(3)應用灰色預測模型處理分解結果；(4)使用特征構造結果對高光譜數據進行監督分類；(5)輸出高光譜圖像地物分類結果。下面對該方法流程各步驟進行詳細說明。(I)獲得待處理的高光譜數據，對任一高光譜像元X,記為X = (X1,…，Xi, Xk)，其中K是高光譜數據的波段總數，Xi，i = 1，…，K代表第i個波段的光譜響應數值。(2)應用小波包變換分解每個像元的高光譜響應曲線給定小波母函數V及最大分解深度j，應用V對X= (X1, ---,Xi, ---,Xk)進行j層小波包變換,一共得到2]個分量，其中包括I個近似分量A和2[1個細節分量，它們對應的能量系數分別是a和4，…，Am，并且滿足關系式⑴d\ ^= ^~a(I)其中，j是最大分解深度。(3)應用灰色預測模型處理分解結果計算細節分量的能量系數序列4，…，七^的
I階累積和序列<…，:
_ k^ =ZO I,…，2J-1(2)
i=\其中，j是最大分解深度。
權利要求
1.基于小波包變換和灰色預測模型的高光譜圖像分類方法，其特征在于該方法包括如下步驟 (1)獲得待處理的高光譜數據，對任一高光譜像元X，記為X= (X1,…，Xi,…，χκ)，其中K是高光譜數據的波段總數，xi；i = I,…，K代表第i個波段的光譜響應數值； (2)應用小波包變換分解每個像元的高光譜響應曲線給定小波母函數Ψ及最大分解深度j，應用Ψ對X = (X1,…，Xi,…，χκ)進行j層小波包變換，一共得到2·1個分量，其中包括I個近似分量A和2[1個細節分量，它們對應的能量系數分別是a和，并且滿足關系式⑴ dx H-----= I-Ct(I) 其中，j是最大分解深度； (3)應用灰色預測模型處理分解結果計算細節分量的能量系數序列<，_··，義,_,的I階累積和序列^…，乙^ : i 其中，j是最大分解深度；
全文摘要
一種基于小波包變換和灰色預測模型的新型高光譜圖像分類方法，屬于高光譜圖像處理領域，其步驟如下第一，獲得待處理的高光譜數據；第二，應用小波包變換分解每個像元的高光譜響應曲線；第三，應用灰色預測模型處理分解結果；第四，使用特征構造結果對高光譜數據進行監督分類；第五，輸出高光譜圖像地物分類結果。該方法是一種自動的高光譜圖像分類方法，能夠有效的去除波段相關性，降低數據冗余度，避免維數災難對分類精度的負面影響，適用范圍廣。
文檔編號G06K9/62GK102663420SQ20121007864
公開日2012年9月12日 申請日期2012年3月22日 優先權日2012年3月22日
發明者孫建穎, 尹繼豪, 徐胤, 李輝, 顧則通, 高超 申請人:北京航空航天大學