基于NCC的高光谱图像分类：EMD与SVM的优化策略

本文主要探讨了基于经验模态分解（EMD）和非线性相关系数（NCC）的高光谱图像分类算法。高光谱图像因其包含丰富的光谱信息，是遥感领域中的关键数据源，对于环境监测、地理信息分析等方面具有重要意义。研究者张敏和沈毅针对当前在利用EMD提升支持向量机（SVM）分类性能的过程中，缺乏对经验模态分解后特征选择的深入研究这一问题，提出了一种创新的方法。 首先，他们利用经验模态分解（EMD）来分解高光谱图像，这是一种时间序列信号处理技术，能将复杂的信号分解为一组离散的内在模态函数，这些函数反映了信号的固有频率成分。这种方法有助于揭示数据的多尺度结构，增强特征表达的鲁棒性和有效性。 接着，引入非线性相关系数（NCC）作为特征选择的指标。NCC是一种衡量两个信号之间线性关系强度的统计量，它考虑了信号之间的全局相关性，相比于传统的线性方法，更适合处理非线性特征之间的关系。在EMD分解后的内模态函数和图像趋势中，通过计算它们与真实地物信息的NCC值，能够筛选出那些与地物类别高度相关的特征。 基于此，张敏和沈毅构建了2D-EMD-NCC-SVM分类算法，该算法综合了经验模态分解和非线性相关系数的选择策略，旨在提高高光谱图像的分类精度和速度。通过将NCC应用到特征选择过程中，算法能够有效地剔除冗余和噪声信息，只保留那些对分类决策最具影响力的特征，从而优化了分类过程。 这项工作得到了国家自然科学基金和高等学校博士学科点专项科研基金的支持，显示出其理论价值和实际应用前景。作者张敏专注于图像处理和高光谱图像目标探测、分类的研究，而沈毅则在控制系统故障诊断、飞行器控制以及超声成像等领域有所建树，他们的合作为高光谱图像分类提供了一个有力的理论基础和实践指导。 该论文的研究成果对于遥感图像处理领域的学者和工程师具有很高的参考价值，特别是在提高高光谱图像处理效率和准确性的方面。未来的研究可以进一步探索其他特征选择方法与EMD的结合，或者在更大规模的数据集上验证算法的稳健性。