A new filter for dimensionality reduction and classification of hyperspectral images using GLCM features and mutual information

要約

次元削減は、ハイパースペクトル画像分類 (HSI) の重要な前処理ステップであり、避けられない作業です。
一部の方法では、スペクトル情報と空間情報に基づく特徴選択または抽出アルゴリズムを使用します。
この論文では、相互情報に基づくスペクトル情報と空間情報の両方を考慮して、HSIの次元削減と分類のための新しい方法論を紹介します。
グレーレベル共起マトリックス（GLCM）から抽出されたテクスチャ機能によって空間情報を特徴付けます。
均一性、コントラスト、相関、エネルギーを使用します。
分類には、サポート ベクター マシン (SVM) を使用します。
実験は、3 つのよく知られたハイパースペクトル ベンチマーク データセットで実行されます。
提案されたアルゴリズムは、最先端の方法と比較されます。
この融合によって得られた結果は、私たちの方法が適切なタイミングで分類精度を高めることにより、他のアプローチよりも優れていることを示しています。
この方法は、パフォーマンスを向上させるために改善される可能性があります。 キーワード: ハイパースペクトル イメージ。
分類;
スペクトルおよび空間的特徴;
グレーレベル共起行列;
GLCM;
相互情報;
サポート ベクター マシン;
SVM。

要約(オリジナル)

Dimensionality reduction is an important preprocessing step of the hyperspectral images classification (HSI), it is inevitable task. Some methods use feature selection or extraction algorithms based on spectral and spatial information. In this paper, we introduce a new methodology for dimensionality reduction and classification of HSI taking into account both spectral and spatial information based on mutual information. We characterise the spatial information by the texture features extracted from the grey level cooccurrence matrix (GLCM); we use Homogeneity, Contrast, Correlation and Energy. For classification, we use support vector machine (SVM). The experiments are performed on three well-known hyperspectral benchmark datasets. The proposed algorithm is compared with the state of the art methods. The obtained results of this fusion show that our method outperforms the other approaches by increasing the classification accuracy in a good timing. This method may be improved for more performance Keywords: hyperspectral images; classification; spectral and spatial features; grey level cooccurrence matrix; GLCM; mutual information; support vector machine; SVM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google