Supervised classification methods applied to airborne hyperspectral images: Comparative study using mutual information

要約

今日では、ハイパースペクトル リモート センシング画像 HSI は、地球の表面を観察し、気候変動を検出し、他の多くの用途に使用するための重要なツールになっています。
HSI の分類は、大量のスペクトル情報と、冗長で無関係なバンドが存在するため、最も困難なタスクの 1 つです。
分類技術は大きく進歩しましたが、HSI の適切な分類子を決定するための実用的なガイドラインを提供するための研究はほとんど行われていません。
この論文では、4 つの教師あり学習アルゴリズム、つまりサポート ベクター マシン SVM、ランダム フォレスト RF、K 最近傍 KNN、および分類精度の観点から異なるカーネルを使用した線形判別分析 LDA のパフォーマンスを調査します。
実験は、NASA の空中可視/赤外線画像分光計センサー AVIRIS および反射光学システム画像分光計 ROSIS センサーから取得した 3 つの実際のハイパースペクトル データセットに対して実行されました。
相互情報量を使用して、使用されるデータセットの次元を削減し、分類効率を向上させました。
広範な実験は、RBF カーネルと RF を使用した SVM 分類器が統計的に優れた結果を生成し、ハイパースペクトル リモート センシング画像の教師あり分類器としてそれぞれより適しているように思われることを示しています。
キーワード: ハイパースペクトル画像、相互情報量、次元削減、サポート ベクター マシン、K 最近傍、ランダム フォレスト、線形判別分析。

要約(オリジナル)

Nowadays, the hyperspectral remote sensing imagery HSI becomes an important tool to observe the Earth’s surface, detect the climatic changes and many other applications. The classification of HSI is one of the most challenging tasks due to the large amount of spectral information and the presence of redundant and irrelevant bands. Although great progresses have been made on classification techniques, few studies have been done to provide practical guidelines to determine the appropriate classifier for HSI. In this paper, we investigate the performance of four supervised learning algorithms, namely, Support Vector Machines SVM, Random Forest RF, K-Nearest Neighbors KNN and Linear Discriminant Analysis LDA with different kernels in terms of classification accuracies. The experiments have been performed on three real hyperspectral datasets taken from the NASA’s Airborne Visible/Infrared Imaging Spectrometer Sensor AVIRIS and the Reflective Optics System Imaging Spectrometer ROSIS sensors. The mutual information had been used to reduce the dimensionality of the used datasets for better classification efficiency. The extensive experiments demonstrate that the SVM classifier with RBF kernel and RF produced statistically better results and seems to be respectively the more suitable as supervised classifiers for the hyperspectral remote sensing images. Keywords: hyperspectral images, mutual information, dimension reduction, Support Vector Machines, K-Nearest Neighbors, Random Forest, Linear Discriminant Analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google