Выделение информативных признаков с использованием метода главных компонент и учет пространственного контекста при классификации гиперспектральных изображений

Современные технологии позволяют получать гиперспектральные изображения, содержащие сотни спектральных каналов. Высокая размерность данных существенно ограничивает использование традиционных алгоритмов классификации изображений. В первую очередь, это связано с тем, что при высокой размерности получение "чистой" репрезентативной обучающей выборки становится практически невозможным [1].
В докладе представлен метод выделения информативного набора признаков для обработки гиперспектральных изображений. Он позволяет на порядок сократить количество используемых при распознавании признаков без существенного снижения качества классификации, что дает возможность корректно применять традиционные алгоритмы классификации, предназначенные для обработки мультиспектральных изображений.
Основная идея представленного подхода заключается в группировке спектральных каналов по степени корреляции и отсеивании сильно коррелированных каналов с помощью метода главных компонент. Общая схема алгоритма выглядит следующим образом.
Шаг 1. Множество спектральных каналов изображения разделяется на блоки (группы) на основе анализа корреляционной матрицы или визуального сравнения спектральных кривых пикселей.
Шаг 2. Вычисляются собственные векторы и собственные числа матрицы ковариации для каждого блока.
Шаг 3. Для каждой группы каналов выбираются главные компоненты, обладающие достаточной информативностью. Информативность оценивается с помощью соответствующих собственных чисел матрицы ковариации. Компоненты с дисперсией меньше заданного порога отсекаются.
Для оценки эффективности алгоритма использовано гиперспектральное изображение Indian Pines, полученное с сенсора AVIRIS [2]. Классификация осуществлялась с использованием алгоритмов SVM (Support Vector Machine) и SAM (Spectral Angle Mapper). Для анализа использовались следующие наборы признаков: 1) все 188 нешумовых каналов; 2) 23 признака, полученные с помощью предлагаемого метода; 3) по одной главной компоненте для каждого блока коррелированных каналов (8 признаков); 4) по две главных компоненты для каждого блока (16 признаков); 5) по три главных компоненты для каждого блока (24 признака); 6) 23 главные компоненты, вычисленные традиционным методом по всем нешумовым каналам изображения. Показано, что набор из 23 признаков, полученный предлагаемым методом, обеспечивает самое высокое качество классификации среди последних пяти наборов. Использование всех 188 каналов дает лишь незначительное улучшение.
В докладе представлен метод повышения качества картосхем путем их последующей обработки с использованием информации о локальном контексте пикселей. Метод основан на построении минимального остовного дерева изображения, представленного в виде графа. Показано, что для изображения Indian Pines привлечение пространственной информации позволяет существенно повысить качество классификации.
Работа выполнена при финансовой поддержке РФФИ (гранты №№ 13-07-12202-офи_м, 14-07-31320-мол_а).
Литература
1. Mukherjee K., Bhattacharya A., Ghosh J.K., Arora M.K. Comparative performance of fractal based and conventional methods for dimensionality reduction of hyperspectral data // Optics and Lasers in Engineering. 2014. Vol. 55. P. 267-274.
2. Hyperspectral Remote Sensing Scenes [Электронный ресурс]. URL: http://www.ehu.es/ccwintco/index.php/Hyperspectral_Remote_Sensing_Scenes (дата обращения: 22.06.2014).