NCC-EMD特征选择提升高光谱图像分类效率

“基于经验模态分解NCC特征选择的高光谱图像分类算法” 这篇研究论文探讨了一种针对高光谱图像分类的新方法，该方法结合了经验模态分解（Empirical Mode Decomposition, EMD）和非线性相关系数（Nonlinear Correlation Coefficient, NCC）特征选择技术。高光谱图像数据由于其丰富的光谱信息，被广泛应用于遥感、环境监测等领域。然而，由于数据维度高，处理和分析时往往面临“维数灾难”问题，因此特征选择成为提高分类效率和精度的关键。 经验模态分解是一种自适应信号处理技术，能够将复杂信号分解为一系列简单的固有模态函数（Intrinsic Mode Function, IMF）和残余趋势。在高光谱图像中，这种方法有助于识别和提取具有物理意义的特征，减少噪声干扰，改善支持向量机（Support Vector Machine, SVM）等分类器的性能。 本文提出的方法首先利用EMD对高光谱图像进行分解，得到多个IMF成分和一个趋势项。接着，通过计算这些IMF和趋势项与原始图像之间的非线性相关系数（NCC），来评估它们的分类能力。NCC是一种衡量两个变量之间非线性关系强度的指标，能有效捕获高光谱图像中复杂的关联模式。 NCC特征选择步骤是选择那些与原图像非线性相关性最强的IMF和趋势项，作为最有代表性的特征。这一过程可以剔除不相关或冗余的特征，降低特征维度，从而提高分类的效率。最后，采用支持向量机进行分类，SVM因其优秀的泛化能力和处理小样本的能力，是高光谱图像分类的常用工具。 实验结果显示，2D-EMD-NCC-SVM算法在保持高分类精度的同时，也能显著提升分类速度。该方法对于处理高光谱图像中的复杂信息，尤其是非线性关系，展现出良好的效果。关键词包括：高光谱图像、经验模态分解、支持向量机、非线性相关系数、特征选择和分类。 该论文提供了一种创新的特征选择策略，通过结合EMD和NCC，能够有效地处理高光谱图像的特征选择问题，为高光谱图像的分析和应用提供了新的思路。这种方法对于解决遥感领域的数据处理挑战具有重要的理论和实践价值。