武 进

（四川工商学院云计算与智能信息处理重点实验室，四川 成都 611745)

1 前言

在客观条件下采集的光谱数据会含有噪声，因此需要在数据分析之前对数据采取滤波处理。而由于高光谱数据的特性，一般实用方法如小波变换等滤波法都存在着一定的不足之处。EMD 算法本质上是以时间特征尺度为度量，以信号为极值的时空滤波器，能够清晰地反映数据信号的波动和趋势，所以在理论上可以将EMD 应用于信号数据去噪［4，9］。

2003年，Huang 等人对白噪声进行EMD 分解试验，研究了白噪声的IMF 特性，认为其能量密度和平均周期是一个常数，该研究成果为以后人们将EMD 应用于信号去噪领域打下了基础。法国学者Flandrin 将EMD 看作是类似小波分解的二进滤波器组，并建立了信号被白噪声污染时的去噪方法。Rilling 将EMD 方法应用于研究分形高斯噪声的赫斯特指数与分解分量序数之间旳关系，认为可以根据分解分量序数估计出分形高斯噪声的赫斯特指数［2，8］。

经EMD 分解后，原始信号的局部特征在各分量中都得到了反映，从相关文献中可知信号噪声主要处于高频部分，而能量主要处于低频，由此可以通过将高频和低频进行分离从而达到对噪声和能量进行区分的目的。据此原理，考虑高光谱数据的光谱特征，本文运用EMD 分解对高光谱数据进行去噪处理。

2 EMD 简介

经验模态分解（Empirical Mode Decomposition，EMD）法是黄锷（N.E.Huang）于1998年提出的一种新型自适应信号时频处理方法，特别适用于非线性非平稳信号的分析处理。

EMD 方……