BEMD与SVM结合的高光谱图像分类方法

"这篇研究论文探讨了一种基于二维经验模态分解（BEMD）和支持向量机（SVM）的高光谱图像分类方法。通过BEMD对选定的高光谱带进行分解，得到反映图像本质属性的二维内在模态函数（BIMFs），然后利用广泛接受的监督分类工具SVM对这些BIMFs的适当组合进行分类。实验结果表明，尽管该方法在计算时间上没有优势，但其分类准确性和稳定性均优于传统的SVM方法。关键词包括：高光谱图像、二维经验模态分解、支持向量机。" 本文主要关注的是高光谱图像的分类问题，这是一种在遥感、环境监测和军事应用等领域具有重要价值的技术。高光谱图像包含了丰富的光谱信息，能够提供每个像素的连续光谱曲线，使得对地物进行精细识别成为可能。 首先，文章介绍了二维经验模态分解（BEMD），这是一种非线性信号处理技术，用于将复杂信号分解为一系列简化的分量，即内在模态函数（IMF）。在高光谱图像处理中，BEMD可以用于提取图像的关键特征，去除噪声，并突出显示与特定地物相关的光谱特性。BEMD的优势在于其自适应性和无需预先设定参数，这使得它在处理非线性、非平稳信号时表现出色。 接着，论文提出将BEMD与支持向量机（SVM）相结合的分类策略。SVM是一种强大的监督学习算法，尤其适用于小样本分类问题。它通过构造最大间隔超平面来划分数据，能有效地处理高维空间中的数据。在本研究中，SVM被用来对BEMD分解后的BIMFs进行分类，选择那些包含最有区分力信息的BIMFs组合。 实验部分对比了传统SVM与结合BEMD的SVM方法在分类性能上的差异。尽管采用BEMD增加了计算复杂性，但结果显示，这种方法在分类准确性和稳定性方面有所提升，表明BEMD可以帮助提取更有用的特征，从而提高分类效果。 总结来说，该研究论文提出了一种新的高光谱图像分类方法，通过结合BEMD的特征提取能力和SVM的高效分类能力，提高了图像分类的精度和稳定性。这种方法对于改善高光谱图像分析的性能，特别是在资源有限和环境复杂的场景下，具有重要的理论和实际意义。