專利名稱：一種基于二維經(jīng)驗?zāi)B(tài)分解的多分組圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于二維經(jīng)驗?zāi)B(tài)分解的多分組圖像分類方法，屬于圖像處理領(lǐng) 域。
背景技術(shù)：
多分組圖像是一組具有較高相關(guān)性的多波段圖像，在地球觀測、醫(yī)學(xué)診斷、雷達(dá)探 測等領(lǐng)域都存在大量的物理原型，例如高光譜圖像、醫(yī)學(xué)超聲圖像、海平面波動圖像等。它 們一般是針對同一區(qū)域的連續(xù)觀測或多光譜分光觀測，往往包含成百上千個波段的圖像， 各波段圖像之間普遍具有較高的相關(guān)性，因此多分組圖像既包含觀察區(qū)域的多分辨信息， 又存在大量的冗余信息。對多分組圖像分類能獲取圖像更多的內(nèi)在規(guī)律，便于圖像的后續(xù)處理，因而多分 組圖像分類處理技術(shù)成為當(dāng)前一個熱點(diǎn)問題。傳統(tǒng)分類方法一般都是直接對原始圖像進(jìn)行 處理，對圖像本質(zhì)特征利用不充分，分類精度低，不利于對分類后的圖像進(jìn)一步研究。但在 多分組圖像進(jìn)行分類之前，若能對其進(jìn)行預(yù)處理，提取出反映圖像本質(zhì)信息的特征分量，將 期望提高分類精度。

發(fā)明內(nèi)容
本發(fā)明目的是為了解決傳統(tǒng)分類方法對圖像本質(zhì)特征利用不充分，分類精度低的 問題，提供了一種基于二維經(jīng)驗?zāi)B(tài)分解的多分組圖像分類方法。本發(fā)明包括如下步驟
步驟一對多分組圖像中各波段分別進(jìn)行二維經(jīng)驗?zāi)B(tài)分解，得到前^個頻率由高到 低依次遞減的二維本征模態(tài)函數(shù)分量IMF和1個殘差；
步驟二 對所述前^個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF求和作為 該多分組圖像的特征值；
步驟三多個多分組圖像的特征值按比例任意選取作為支持向量機(jī)的訓(xùn)練樣本和測試 樣本，
對訓(xùn)練樣本進(jìn)行支持向量機(jī)參數(shù)訓(xùn)練，再利用參數(shù)已訓(xùn)練完畢的支持向量機(jī)對測試樣 本所對應(yīng)像素的類別進(jìn)行歸屬判定，形成多個支持向量機(jī)子分類器；
步驟四利用多個支持向量機(jī)子分類器構(gòu)建基于一對一策略的多分類器，并依據(jù)決策 函數(shù)對測試樣本的歸屬類別做出決策，完成多分組圖像的分類。本發(fā)明的優(yōu)點(diǎn)
1)本發(fā)明提出的分類方法利用二維經(jīng)驗?zāi)B(tài)分解(BEMD)對多分組圖像進(jìn)行預(yù)處理， 按比例任意選取得到的前J個二維IMF的和，作為輸入空間高維數(shù)不敏感的支持向量機(jī)的 訓(xùn)練樣本和測試樣本，以此來訓(xùn)練基于一對一策略的多分類器。與僅輸入原始圖像的多分 類方法相比，剔除了大量冗余信息，可有效提升分類精度。2)本發(fā)明所提出的分類方法無需增加訓(xùn)練樣本的數(shù)量，只是將原訓(xùn)練樣本與測試樣本分別替換為由前I個二維IMF的和得到的相應(yīng)樣本，更充分地利用了多波段圖像特征 信息，因此該分類方法與傳統(tǒng)多分類方法在結(jié)構(gòu)上保持了較好的一致性，無需改變訓(xùn)練向 量的采集方法，有利于推廣應(yīng)用。


圖1為本發(fā)明方法原理圖；圖2為BEMD分解原理圖；圖3是給出具體實施例的原 始圖像，圖4至圖9是具體實例例分解出來的前6個二維IMF分量，圖10是具體實施例分 解獲得的殘差；圖11為原始多分組圖像與前6個二維IMF的和在各波段上的均值對比圖； 圖12為原始多分組圖像與前6個二維IMF的和在各波段上的標(biāo)準(zhǔn)差對比圖；圖13為傳統(tǒng) 支持向量機(jī)多分類方法的分類結(jié)果散點(diǎn)圖；圖14為由用本發(fā)明方法得到的前6個二維IMF 的和，按5折交叉驗證要求選取訓(xùn)練樣本和測試樣本時，支持向量機(jī)分類結(jié)果散點(diǎn)圖。
具體實施例方式具體實施方式
一下面結(jié)合圖1和圖2說明本實施方式，
1998 年美國國家航空航天管理局(NationalAeronauticsandSpaceAdministration， NASA)的黃鍔博士等人根據(jù)近代數(shù)學(xué)家希爾伯特的數(shù)學(xué)理論設(shè)計，提出了希爾伯特-黃 變換(Hilbert-HuangTransform，HHT)。HHT作為一種分析非線性非平穩(wěn)信號的強(qiáng)有力工 具，處理過程分為兩個步驟。首先用經(jīng)驗?zāi)B(tài)分解(EmpiricalModeDecomposition，EMD) 獲得有限數(shù)目的本征模態(tài)函數(shù)(IntrinsicModeFunction，IMF)，然后利用希爾伯特變換 (HilbertTransform，HT)和瞬時頻率法獲得IMF的瞬時頻率和振幅，最終得到信號的時-頻
■；並HHT的核心是EMD。EMD完全由數(shù)據(jù)驅(qū)動，其本質(zhì)是根據(jù)信號的特征時間尺度對信 號進(jìn)行篩分，此過程表現(xiàn)為尺度帶通濾波器對信號進(jìn)行過濾，因此在一定尺度范圍的信號 被分離出來，組成具有有限帶寬頻譜成分的IMF。IMF必須滿足下列兩個條件
1)在整個函數(shù)中，極值點(diǎn)的數(shù)目與穿越零點(diǎn)的數(shù)目相等或者相差1；
2)在任何時刻，由極值所定義的包絡(luò)線均值為零。EMD能分解一維非線性非平穩(wěn)信號的特性也能拓展到二維信號，這就是二維經(jīng)驗 模態(tài)分解(BidimensionalEmpiricalModeDecomposition, BEMD)，它是對 EMD 的進(jìn)一步發(fā) 展。最近幾年來，BEMD在圖像處理領(lǐng)域發(fā)揮了其優(yōu)良特性，廣泛應(yīng)用于圖像壓縮、紋理分析、 圖像降噪等，但鮮有發(fā)明將BEMD應(yīng)用于多分組圖像分類?？紤]到HHT從瞬時頻率的物理意義出發(fā)，定義了 BEMD方法和二維IMF的概念，通 過BEMD方法可以將任意圖像分解為頻率從高到低的二維IMF及1個殘差圖像的疊加，對二 維IMF進(jìn)行支持向量機(jī)分類，這就為提高多分組圖像分類精度提供了新思路。本實施方式方法通過以下技術(shù)方案實現(xiàn)本發(fā)明目的的對多分組圖像進(jìn)行BEMD 處理，以期得到有限個(不妨設(shè)為JT個)頻率從高到低依次遞減的二維IMF和1個殘差圖 像，選取前J個二維IMF的和作為新的輸入波段，利用支持向量機(jī)進(jìn)行分類，提高分類精 度，具體方法包括以下步驟
步驟一對多分組圖像中各波段分別進(jìn)行二維經(jīng)驗?zāi)B(tài)分解，得到前f個頻率由高到 低依次遞減的二維本征模態(tài)函數(shù)分量IMF和1個殘差；步驟二 對所述前^個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF求和作為 該多分組圖像的特征值；
步驟三多個多分組圖像的特征值按比例任意選取作為支持向量機(jī)的訓(xùn)練樣本和測試 樣本，
對訓(xùn)練樣本進(jìn)行支持向量機(jī)參數(shù)訓(xùn)練，再利用參數(shù)已訓(xùn)練完畢的支持向量機(jī)對測試樣 本所對應(yīng)像素的類別進(jìn)行歸屬判定，形成多個支持向量機(jī)子分類器；
步驟四利用多個支持向量機(jī)子分類器構(gòu)建基于一對一策略的多分類器，并依據(jù)決策 函數(shù)對測試樣本的歸屬類別做出決策，完成多分組圖像的分類。 步驟一獲得前f個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF和1個殘 差的過程為
設(shè)定多分組圖像輸入信號為x^Cm , )，其中， ，《為多分組圖像的像素橫坐標(biāo)和 縱坐標(biāo)，i=l, 2，...，K, j為估計的次數(shù)，初始化i=l，j=l，
步驟1、采用區(qū)域極值法確定多分組圖像輸入信號，《)所有的極大值和極小
值；
步驟2、利用步驟1獲取的所有的極大值構(gòu)造一個極大值Denaulay三角形網(wǎng)格，由雙三 次樣條插值求取所述極大值Denaulay三角形網(wǎng)格的上包絡(luò)面( , )，
利用步驟1獲取的所有的極小值構(gòu)造一個極小值Denaulay三角形網(wǎng)格，由雙三次樣條 插值求取所述極小值Denaulay三角形網(wǎng)格的下包絡(luò)面；
步驟3、按如下公式計算上、下包絡(luò)面的均仉
步驟4、，獲取多分組圖像第f個IMF分量的第j-次估計 \= (《，n)-emu(m,n)；
步驟5、判斷下式是否成立|es(iw,n)|<忘 V(m3n)，其中￡>(J,且充分接近
0，
判斷結(jié)果為是，執(zhí)行步驟6，
判斷結(jié)果為否，令j = j + l , xiU+1}{m,n) = hg{m,n)，并返回執(zhí)行步驟1，
步驟6、獲取第i個二維本征模態(tài)函數(shù)分從IMI:。(m,n) =,獲取第i
個殘差GO, ) ^n) - c-Xm, )；
步驟7、判斷第i個殘差是否為單調(diào)函數(shù)，
判斷結(jié)果為否，令i=i+l，j‘=l，并返回執(zhí)行步驟1，
6判斷結(jié)果為是，完成獲取前f個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF ,和 1 個殘差rk(m,n)。 多分組圖像輸入信號3^-(灞5n)被分解成下式
步驟二中，將前f個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF求和
，并作為該多分組圖像的特征值。二維IMF的極值點(diǎn)數(shù)與過零點(diǎn)數(shù)至多相差
1，且彼此近似正交，它們代表了圖像信號的各個頻率成分，對應(yīng)原始圖像信號時間尺度從 細(xì)到粗的特征信號，殘差則反映了原始圖像信號的變化趨勢。按比例任意選取前I個二維 IMF的和作為新的訓(xùn)練樣本和測試樣本，與傳統(tǒng)方法僅用原始圖像信號作為輸入樣本相比， 剔除了大量冗余信息，提高了分類精度。
步驟三中獲取多個支持向量機(jī)子分類器的過程為
支持向量機(jī)分類器的基本核函數(shù)選取具有對稱內(nèi)積的徑向基函數(shù)
Ki
其中 徑向基函數(shù)的參數(shù)，
由所構(gòu)成的多個支持向量機(jī)子分類器^
其中
為拉格朗日乘子，
為分類目標(biāo)，
力雙唯多分組圖像向(代表某一像素點(diǎn)、W各波段數(shù)據(jù))胃
樣本的數(shù)目，x是況維多分組圖像輸入向量，b是閾值。 步驟四所述決策函數(shù)采用勝者通吃的投票原則，并按下式求出測試樣本所對應(yīng)像 素的最終歸屬類別f
其中，評分函數(shù).
可表示為
W為擴(kuò)維特征測試向量區(qū)分類別總數(shù)量。由于支持向量機(jī)本質(zhì)上是兩分類器，因此需要利用一系列該兩分類器并輔以一定 策略構(gòu)造出多分類器。一對一策略是目前廣泛應(yīng)用的策略之一，它對任意兩類都構(gòu)造分類 器，并將這些分類器并行運(yùn)算，測試數(shù)據(jù)的最終類別由投票選舉來確定。該策略使得各支持 向量機(jī)判別容易，在訓(xùn)練時間上有著非常好的表現(xiàn)。在決策之前，需要計算每一類別A的評分函數(shù)朽CO ,該函數(shù)統(tǒng)計了各子分類器的 正負(fù)得分。一對一策略的最終決策采取“勝者通吃”的投票原則。
具體實施方式
二 下面結(jié)合圖3至圖14說明本實施方式，給出一個具體實施例，選 用92AV3C高光譜圖像的多分組圖像。高光譜圖像是典型的多分組圖像。選取的92AV3C高光譜圖像來自于 AVIRIS(AirborneVisible/InfraredImagingSpectrometer)傳感器所采集的美國印地安那 州西北部某農(nóng)業(yè)地區(qū)的遙感圖像。該數(shù)據(jù)集合包含224個連續(xù)波段，從0. 40 y m到2. 45 y m 大約每隔lOnm —個波段。去掉4個0值波段以及20個受地球大氣中水汽吸收影響的波段， 實驗采用的波段為200個。選取7類像素數(shù)目最多的地物(即corn-noti 11，corn-minti 11， grass/trees, soybeans-noti 11, soybean-mintill，soybean-cleantill 禾口 woods)作為實 驗樣本，這7類地物的像素總數(shù)占了所有16類地物像素總數(shù)的80. 64%。執(zhí)行步驟一對92AV3C高光譜圖像中各波段進(jìn)行二維經(jīng)驗?zāi)B(tài)分解(Bidimensi onalEmpiricalModeDecomposition, BEMD)，得到前6個頻率依次遞減的二維本征模態(tài)函數(shù) (IntrinsicModeFunction, IMF)和 1 個殘差。以第200個波段為例，其對應(yīng)的原始圖像如圖3所示(包含145x145個像素點(diǎn))，進(jìn) 行BEMD之后得到的6個二維IMF和1個殘差圖像分別如圖4至圖10所示(皆包含145x145 個像素點(diǎn))，其中二維IMF所包含原始圖像的特征信息依次遞減，而殘差反映圖像的趨勢。 圖11和圖12分別顯示了原始圖像與前6個二維IMF的和在各波段的均值和標(biāo)準(zhǔn)差對比結(jié) 執(zhí)行步驟二 利用92AV3C高光譜圖像頻率依次遞減的二維IMF對前6個二維IMF 求和Gr=6)。執(zhí)行步驟三以5折交叉驗證的原則選取支持向量機(jī)的訓(xùn)練樣本和測試樣本，利 用由步驟二產(chǎn)生的訓(xùn)練樣本及其所對應(yīng)像素的歸屬類別分別對支持向量機(jī)進(jìn)行訓(xùn)練，再利 用參數(shù)已訓(xùn)練完畢的支持向量機(jī)對測試樣本所對應(yīng)像素的類別進(jìn)行歸屬判定。本實施例選取具有對稱內(nèi)積的徑向基函數(shù)(RadialBasisFunction，RBF)作為支 持向量機(jī)的核函數(shù)
徑向基函數(shù)的參數(shù)O" =0.4，支持向量機(jī)分類器可表示為
其中，α＝(α1，α2，……αn)為拉格朗日乘子，yh {-1，1}為分類目標(biāo)，
xh=(x1,x2,^xn)為#維多分組圖像向量(代表某一像素點(diǎn)的各波段數(shù)據(jù))，M是
樣本的數(shù)目，X是W維多分組圖像輸入向量，b是閾值。執(zhí)行步驟四利用多個支持向量機(jī)子分類器構(gòu)建基于一對一策略的多分類器，并 依據(jù)決策函數(shù)對各波段的歸屬類別做出決策。本實施例采用一對一策略構(gòu)建7類地物的多分類器，共需要21個支 持向量機(jī)子分類器分別處理其中兩兩類別之間的鑒別任務(wù)，因此本步驟需要執(zhí)行21次，每 次針對兩種不同的類別。最終決策前，首先統(tǒng)計各子分類器的結(jié)果中k=7種類別的正、負(fù)得分情況，評分函 數(shù)的計算公式如下 一對一策略最終決策采取“勝者通吃”的投票原則，并根據(jù)下式求出最終類別
巧⑷}由于實驗所用92AV3C高光譜圖像包含了歸屬類別參考圖，也就知道了各個測試 樣本所屬的真實類別，于是可以方便地計算出本發(fā)明的實際分類精度。另外，選取20%原始 圖像作為一對一策略支持向量機(jī)的訓(xùn)練樣本，80%原始圖像為測試樣本，得到傳統(tǒng)方法的分 類精度，表1對比了本發(fā)明和傳統(tǒng)方法的分類精度。兩種方法的分類散點(diǎn)圖見圖13和圖 14。其中白色散點(diǎn)表示測試集合中被錯誤分類的像素，黑色區(qū)域為實驗所涉及的7類地物， 灰色區(qū)域為實驗未涉及的圖像區(qū)域。對原始圖像進(jìn)行BEMD之后，利用前6個二維IMF的和代替原始圖像時，平均分類 精度和整體分類精度均得到提高，其中平均精度定義為7類地物分類精度的均值，總體精 度則定義為所有正確分類樣本占總樣本數(shù)的百分比。表1的分類精度可以看出從前6個 二維IMF的和中選取訓(xùn)練樣本和測試樣本，平均精度較傳統(tǒng)支持向量機(jī)方法提高了 6. 05%, 整體精度則提高了 6. 55%。此外，從兩種方法的分類結(jié)果散點(diǎn)圖來看，圖14的錯誤分類波段 (白色散點(diǎn)區(qū)域)明顯低于圖13，這從直觀上說明本發(fā)明方法能夠有效提高分類精度。表1兩種分類方法的分類精度比較本發(fā)明方法的測試樣本和訓(xùn)練樣本的比例按實際需求而定，可以是如前所述的五五
對折；可以是選取20%原始圖像作為一對一策略支持向量機(jī)的訓(xùn)練樣本，80%原始圖像為測 試樣本；可以是選取10%原始圖像作為一對一策略支持向量機(jī)的訓(xùn)練樣本，90%原始圖像為 測試樣本；還可以是選取30%原始圖像作為一對一策略支持向量機(jī)的訓(xùn)練樣本，70%原始圖 像為測試樣本，等等。
權(quán)利要求
一種基于二維經(jīng)驗?zāi)B(tài)分解的多分組圖像分類方法，其特征在于，它包括如下步驟步驟一對多分組圖像中各波段分別進(jìn)行二維經(jīng)驗?zāi)B(tài)分解，得到前K個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF和1個殘差；步驟二對所述前K個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF求和作為該多分組圖像的特征值；步驟三多個多分組圖像的特征值按比例任意選取作為支持向量機(jī)的訓(xùn)練樣本和測試樣本，對訓(xùn)練樣本進(jìn)行支持向量機(jī)參數(shù)訓(xùn)練，再利用參數(shù)已訓(xùn)練完畢的支持向量機(jī)對測試樣本所對應(yīng)像素的類別進(jìn)行歸屬判定，形成多個支持向量機(jī)子分類器；步驟四利用多個支持向量機(jī)子分類器構(gòu)建基于一對一策略的多分類器，并依據(jù)決策函數(shù)對測試樣本的歸屬類別做出決策，完成多分組圖像的分類。
2.根據(jù)權(quán)利要求1所述的一種基于二維經(jīng)驗?zāi)B(tài)分解的多分組圖像分類方法，其特征 在于，步驟一獲得前f個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF和1個殘差 的過程為設(shè)定多分組圖像輸入信號為Xii-Cm , )，其中， ，《為多分組圖像的像素橫坐標(biāo)和 縱坐標(biāo)，i=l, 2，...，K, j為估計的次數(shù)，初始化i=l，J=I，步驟1、采用區(qū)域極值法確定多分組圖像輸入信號Xii-CiH， )所有的極大值和極小值；步驟2、利用步驟1獲取的所有的極大值構(gòu)造一個極大值Denaulay三角形網(wǎng)格，由雙三次樣條插值求取所述極大值Denaulay三角形網(wǎng)格的上包絡(luò)面( , )，利用步驟1獲取的所有的極小值構(gòu)造一個極小值Denaulay三角形網(wǎng)格，由雙三次樣條 插值求取所述極小值Denaulay三角形網(wǎng)格的下包絡(luò)面Ii)；步驟3、按如下公式計算上、下包絡(luò)面的均仉 步驟4、，獲取多分組圖像第IMF分量的第j-次估計 步驟5、判斷下式是否成立 V(m3n)，其中f>(J ,且充分接近0，判斷結(jié)果為是，執(zhí)行步驟6，判斷結(jié)果為否，令J = j + l,x(j+1)(m,n)=hu(m,n)，并返回執(zhí)行步驟1，步驟6、獲取第i個二維本征模態(tài)函數(shù)分量 ，獲取第/個殘差 步驟7、判斷第i個殘差rf(M，《)是否為單調(diào)函數(shù)， 判斷結(jié)果為否，令i=i+l，j‘=l，并返回執(zhí)行步驟1，判斷結(jié)果為是，完成獲取前f個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF c (m,n)，和 1 個殘差:rt( ,ii)。
3.根據(jù)權(quán)利要求1所述的一種基于二維經(jīng)驗?zāi)B(tài)分解的多分組圖像分類方法，其特征 在于，步驟三中獲取多個支持向量機(jī)子分類器的過程為支持向量機(jī)分類器的基本核函數(shù)選取具有對稱內(nèi)積的徑向基函數(shù)^(x^1)其中o■為徑向基函數(shù)的參數(shù)，所構(gòu)成的多個支持向量機(jī)子分類器‘(X)為 其中 為拉格朗日乘子，為分類目標(biāo)，薑^二^^，巧，…，^！^為雙唯多分組圖像向量(代表某一像素點(diǎn)的各波段數(shù)據(jù))財是樣本的數(shù)目，X是if維多分組圖像輸入向量，b是閾值。
4.根據(jù)權(quán)利要求1所述的一種基于二維經(jīng)驗?zāi)B(tài)分解的多分組圖像分類方法，其特征 在于，步驟四所述決策函數(shù)采用勝者通吃的投票原則，并按下式求出測試樣本所對應(yīng)像素 的最終歸屬類別fc* 其中，評分函數(shù)可表示為 U 為擴(kuò)維特征測試向量區(qū)分類別總數(shù)量。
全文摘要
一種基于二維經(jīng)驗?zāi)B(tài)分解的多分組圖像分類方法，屬于圖像處理領(lǐng)域，本發(fā)明為解決傳統(tǒng)分類方法對圖像本質(zhì)特征利用不充分，分類精度低的問題，本發(fā)明包括如下步驟一對多分組圖像中各波段分別進(jìn)行二維經(jīng)驗?zāi)B(tài)分解，得到前K個頻率由高到低依次遞減的二維本征模態(tài)函數(shù)分量IMF和1個殘差；二對前K個二維分量IMF求和作為特征值；三多個多分組圖像的特征值按比例任意選取作為支持向量機(jī)的訓(xùn)練樣本和測試樣本，對訓(xùn)練樣本進(jìn)行支持向量機(jī)參數(shù)訓(xùn)練，再進(jìn)行歸屬判定，形成多個支持向量機(jī)子分類器；四利用多個支持向量機(jī)子分類器構(gòu)建基于一對一策略的多分類器，并依據(jù)決策函數(shù)對測試樣本的歸屬類別做出決策，完成多分組圖像的分類。
文檔編號G06K9/66GK101853401SQ20101020987
公開日2010年10月6日 申請日期2010年6月25日 優(yōu)先權(quán)日2010年6月25日
發(fā)明者張淼, 沈毅, 賀智 申請人:哈爾濱工業(yè)大學(xué)