一種基於二維經驗模態分解的多分組圖像分類方法
2023-05-01 07:56:36
專利名稱：一種基於二維經驗模態分解的多分組圖像分類方法
技術領域：
本發明涉及一種基於二維經驗模態分解的多分組圖像分類方法，屬於圖像處理領 域。
背景技術：
多分組圖像是一組具有較高相關性的多波段圖像，在地球觀測、醫學診斷、雷達探 測等領域都存在大量的物理原型，例如高光譜圖像、醫學超聲圖像、海平面波動圖像等。它 們一般是針對同一區域的連續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性，因此多分組圖像既包含觀察區域的多分辨信息， 又存在大量的冗餘信息。對多分組圖像分類能獲取圖像更多的內在規律，便於圖像的後續處理，因而多分 組圖像分類處理技術成為當前一個熱點問題。傳統分類方法一般都是直接對原始圖像進行 處理，對圖像本質特徵利用不充分，分類精度低，不利於對分類後的圖像進一步研究。但在 多分組圖像進行分類之前，若能對其進行預處理，提取出反映圖像本質信息的特徵分量，將 期望提高分類精度。
發明內容
本發明目的是為了解決傳統分類方法對圖像本質特徵利用不充分，分類精度低的 問題，提供了一種基於二維經驗模態分解的多分組圖像分類方法。本發明包括如下步驟
步驟一對多分組圖像中各波段分別進行二維經驗模態分解，得到前^個頻率由高到 低依次遞減的二維本徵模態函數分量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徵模態函數分量IMF求和作為 該多分組圖像的特徵值；
步驟三多個多分組圖像的特徵值按比例任意選取作為支持向量機的訓練樣本和測試 樣本，
對訓練樣本進行支持向量機參數訓練，再利用參數已訓練完畢的支持向量機對測試樣 本所對應像素的類別進行歸屬判定，形成多個支持向量機子分類器；
步驟四利用多個支持向量機子分類器構建基於一對一策略的多分類器，並依據決策 函數對測試樣本的歸屬類別做出決策，完成多分組圖像的分類。本發明的優點
1)本發明提出的分類方法利用二維經驗模態分解(BEMD)對多分組圖像進行預處理， 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不敏感的支持向量機的 訓練樣本和測試樣本，以此來訓練基於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，剔除了大量冗餘信息，可有效提升分類精度。2)本發明所提出的分類方法無需增加訓練樣本的數量，只是將原訓練樣本與測試樣本分別替換為由前I個二維IMF的和得到的相應樣本，更充分地利用了多波段圖像特徵 信息，因此該分類方法與傳統多分類方法在結構上保持了較好的一致性，無需改變訓練向 量的採集方法，有利於推廣應用。
圖1為本發明方法原理圖；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準差對比圖；圖13為傳統 支持向量機多分類方法的分類結果散點圖；圖14為由用本發明方法得到的前6個二維IMF 的和，按5折交叉驗證要求選取訓練樣本和測試樣本時，支持向量機分類結果散點圖。
具體實施例方式具體實施方式
一下面結合圖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近代數學家希爾伯特的數學理論設計，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信號的強有力工 具，處理過程分為兩個步驟。首先用經驗模態分解(EmpiricalModeDecomposition，EMD) 獲得有限數目的本徵模態函數(IntrinsicModeFunction，IMF)，然後利用希爾伯特變換 (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完全由數據驅動，其本質是根據信號的特徵時間尺度對信 號進行篩分，此過程表現為尺度帶通濾波器對信號進行過濾，因此在一定尺度範圍的信號 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)在整個函數中，極值點的數目與穿越零點的數目相等或者相差1；
2)在任何時刻，由極值所定義的包絡線均值為零。EMD能分解一維非線性非平穩信號的特性也能拓展到二維信號，這就是二維經驗 模態分解(BidimensionalEmpiricalModeDecomposition, BEMD)，它是對 EMD 的進一步發 展。最近幾年來，BEMD在圖像處理領域發揮了其優良特性，廣泛應用於圖像壓縮、紋理分析、 圖像降噪等，但鮮有發明將BEMD應用於多分組圖像分類。考慮到HHT從瞬時頻率的物理意義出發，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進行支持向量機分類，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方案實現本發明目的的對多分組圖像進行BEMD 處理，以期得到有限個(不妨設為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，利用支持向量機進行分類，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行二維經驗模態分解，得到前f個頻率由高到 低依次遞減的二維本徵模態函數分量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徵模態函數分量IMF求和作為 該多分組圖像的特徵值；
步驟三多個多分組圖像的特徵值按比例任意選取作為支持向量機的訓練樣本和測試 樣本，
對訓練樣本進行支持向量機參數訓練，再利用參數已訓練完畢的支持向量機對測試樣 本所對應像素的類別進行歸屬判定，形成多個支持向量機子分類器；
步驟四利用多個支持向量機子分類器構建基於一對一策略的多分類器，並依據決策 函數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徵模態函數分量IMF和1個殘 差的過程為
設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和 縱坐標，i=l, 2，...，K, j為估計的次數，初始化i=l，j=l，
步驟1、採用區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造一個極大值Denaulay三角形網格，由雙三 次樣條插值求取所述極大值Denaulay三角形網格的上包絡面( , )，
利用步驟1獲取的所有的極小值構造一個極小值Denaulay三角形網格，由雙三次樣條 插值求取所述極小值Denaulay三角形網格的下包絡面；
步驟3、按如下公式計算上、下包絡面的均仉
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)|(J,且充分接近
0，
判斷結果為是，執行步驟6，
判斷結果為否，令j = j + l , xiU+1}{m,n) = hg{m,n)，並返回執行步驟1，
步驟6、獲取第i個二維本徵模態函數分從IMI:。(m,n) =,獲取第i
個殘差GO, ) ^n) - c-Xm, )；
步驟7、判斷第i個殘差是否為單調函數，
判斷結果為否，令i=i+l，j『=l，並返回執行步驟1，
6判斷結果為是，完成獲取前f個頻率由高到低依次遞減的二維本徵模態函數分量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徵模態函數分量IMF求和
，並作為該多分組圖像的特徵值。二維IMF的極值點數與過零點數至多相差
1，且彼此近似正交，它們代表了圖像信號的各個頻率成分，對應原始圖像信號時間尺度從 細到粗的特徵信號，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的和作為新的訓練樣本和測試樣本，與傳統方法僅用原始圖像信號作為輸入樣本相比， 剔除了大量冗餘信息，提高了分類精度。
步驟三中獲取多個支持向量機子分類器的過程為
支持向量機分類器的基本核函數選取具有對稱內積的徑向基函數
Ki
其中 徑向基函數的參數，
由所構成的多個支持向量機子分類器^
其中
為拉格朗日乘子，
為分類目標，
力雙唯多分組圖像向(代表某一像素點、W各波段數據)胃
樣本的數目，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採用勝者通吃的投票原則，並按下式求出測試樣本所對應像 素的最終歸屬類別f
其中，評分函數.
可表示為
W為擴維特徵測試向量區分類別總數量。由於支持向量機本質上是兩分類器，因此需要利用一系列該兩分類器並輔以一定 策略構造出多分類器。一對一策略是目前廣泛應用的策略之一，它對任意兩類都構造分類 器，並將這些分類器並行運算，測試數據的最終類別由投票選舉來確定。該策略使得各支持 向量機判別容易，在訓練時間上有著非常好的表現。在決策之前，需要計算每一類別A的評分函數朽CO ,該函數統計了各子分類器的 正負得分。一對一策略的最終決策採取「勝者通吃」的投票原則。
具體實施方式
二 下面結合圖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高光譜圖像來自於 AVIRIS(AirborneVisible/InfraredImagingSpectrometer)傳感器所採集的美國印地安那 州西北部某農業地區的遙感圖像。該數據集合包含224個連續波段，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， 實驗採用的波段為200個。選取7類像素數目最多的地物(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類地物的像素總數佔了所有16類地物像素總數的80. 64%。執行步驟一對92AV3C高光譜圖像中各波段進行二維經驗模態分解(Bidimensi onalEmpiricalModeDecomposition, BEMD)，得到前6個頻率依次遞減的二維本徵模態函數 (IntrinsicModeFunction, IMF)和 1 個殘差。以第200個波段為例，其對應的原始圖像如圖3所示(包含145x145個像素點)，進 行BEMD之後得到的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)，其中二維IMF所包含原始圖像的特徵信息依次遞減，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準差對比結 執行步驟二 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)。執行步驟三以5折交叉驗證的原則選取支持向量機的訓練樣本和測試樣本，利 用由步驟二產生的訓練樣本及其所對應像素的歸屬類別分別對支持向量機進行訓練，再利 用參數已訓練完畢的支持向量機對測試樣本所對應像素的類別進行歸屬判定。本實施例選取具有對稱內積的徑向基函數(RadialBasisFunction，RBF)作為支 持向量機的核函數
徑向基函數的參數O" =0.4，支持向量機分類器可表示為
其中，α＝(α1，α2，……αn)為拉格朗日乘子，yh {-1，1}為分類目標，
xh=(x1,x2,^xn)為#維多分組圖像向量(代表某一像素點的各波段數據)，M是
樣本的數目，X是W維多分組圖像輸入向量，b是閾值。執行步驟四利用多個支持向量機子分類器構建基於一對一策略的多分類器，並 依據決策函數對各波段的歸屬類別做出決策。本實施例採用一對一策略構建7類地物的多分類器，共需要21個支 持向量機子分類器分別處理其中兩兩類別之間的鑑別任務，因此本步驟需要執行21次，每 次針對兩種不同的類別。最終決策前，首先統計各子分類器的結果中k=7種類別的正、負得分情況，評分函 數的計算公式如下 一對一策略最終決策採取「勝者通吃」的投票原則，並根據下式求出最終類別
巧⑷}由於實驗所用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，於是可以方便地計算出本發明的實際分類精度。另外，選取20%原始 圖像作為一對一策略支持向量機的訓練樣本，80%原始圖像為測試樣本，得到傳統方法的分 類精度，表1對比了本發明和傳統方法的分類精度。兩種方法的分類散點圖見圖13和圖 14。其中白色散點表示測試集合中被錯誤分類的像素，黑色區域為實驗所涉及的7類地物， 灰色區域為實驗未涉及的圖像區域。對原始圖像進行BEMD之後，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佔總樣本數的百分比。表1的分類精度可以看出從前6個 二維IMF的和中選取訓練樣本和測試樣本，平均精度較傳統支持向量機方法提高了 6. 05%, 整體精度則提高了 6. 55%。此外，從兩種方法的分類結果散點圖來看，圖14的錯誤分類波段 (白色散點區域)明顯低於圖13，這從直觀上說明本發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明方法的測試樣本和訓練樣本的比例按實際需求而定，可以是如前所述的五五
對摺；可以是選取20%原始圖像作為一對一策略支持向量機的訓練樣本，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的訓練樣本，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的訓練樣本，70%原始圖 像為測試樣本，等等。
權利要求
一種基於二維經驗模態分解的多分組圖像分類方法，其特徵在於，它包括如下步驟步驟一對多分組圖像中各波段分別進行二維經驗模態分解，得到前K個頻率由高到低依次遞減的二維本徵模態函數分量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徵模態函數分量IMF求和作為該多分組圖像的特徵值；步驟三多個多分組圖像的特徵值按比例任意選取作為支持向量機的訓練樣本和測試樣本，對訓練樣本進行支持向量機參數訓練，再利用參數已訓練完畢的支持向量機對測試樣本所對應像素的類別進行歸屬判定，形成多個支持向量機子分類器；步驟四利用多個支持向量機子分類器構建基於一對一策略的多分類器，並依據決策函數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.根據權利要求1所述的一種基於二維經驗模態分解的多分組圖像分類方法，其特徵 在於，步驟一獲得前f個頻率由高到低依次遞減的二維本徵模態函數分量IMF和1個殘差 的過程為設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和 縱坐標，i=l, 2，...，K, j為估計的次數，初始化i=l，J=I，步驟1、採用區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造一個極大值Denaulay三角形網格，由雙三次樣條插值求取所述極大值Denaulay三角形網格的上包絡面( , )，利用步驟1獲取的所有的極小值構造一個極小值Denaulay三角形網格，由雙三次樣條 插值求取所述極小值Denaulay三角形網格的下包絡面Ii)；步驟3、按如下公式計算上、下包絡面的均仉 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，判斷結果為是，執行步驟6，判斷結果為否，令J = j + l,x(j+1)(m,n)=hu(m,n)，並返回執行步驟1，步驟6、獲取第i個二維本徵模態函數分量 ，獲取第/個殘差 步驟7、判斷第i個殘差rf(M，《)是否為單調函數， 判斷結果為否，令i=i+l，j『=l，並返回執行步驟1，判斷結果為是，完成獲取前f個頻率由高到低依次遞減的二維本徵模態函數分量IMF c (m,n)，和 1 個殘差:rt( ,ii)。
3.根據權利要求1所述的一種基於二維經驗模態分解的多分組圖像分類方法，其特徵 在於，步驟三中獲取多個支持向量機子分類器的過程為支持向量機分類器的基本核函數選取具有對稱內積的徑向基函數^(x^1)其中o■為徑向基函數的參數，所構成的多個支持向量機子分類器『(X)為 其中 為拉格朗日乘子，為分類目標，薑^二^^，巧，…，^！^為雙唯多分組圖像向量(代表某一像素點的各波段數據)財是樣本的數目，X是if維多分組圖像輸入向量，b是閾值。
4.根據權利要求1所述的一種基於二維經驗模態分解的多分組圖像分類方法，其特徵 在於，步驟四所述決策函數採用勝者通吃的投票原則，並按下式求出測試樣本所對應像素 的最終歸屬類別fc* 其中，評分函數可表示為 U 為擴維特徵測試向量區分類別總數量。
全文摘要
一種基於二維經驗模態分解的多分組圖像分類方法，屬於圖像處理領域，本發明為解決傳統分類方法對圖像本質特徵利用不充分，分類精度低的問題，本發明包括如下步驟一對多分組圖像中各波段分別進行二維經驗模態分解，得到前K個頻率由高到低依次遞減的二維本徵模態函數分量IMF和1個殘差；二對前K個二維分量IMF求和作為特徵值；三多個多分組圖像的特徵值按比例任意選取作為支持向量機的訓練樣本和測試樣本，對訓練樣本進行支持向量機參數訓練，再進行歸屬判定，形成多個支持向量機子分類器；四利用多個支持向量機子分類器構建基於一對一策略的多分類器，並依據決策函數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 優先權日2010年6月25日
發明者張淼, 沈毅, 賀智 申請人:哈爾濱工業大學