[論文レビュー] Application of Symmetric Uncertainty and Mutual Information to Dimensionality Reduction and Classification of Hyperspectral Images

Elkebir Sarhrouni, Ahmed Hammouch+1 more|arXiv (Cornell University)|Nov 3, 2012

Remote-Sensing Image Classification参考文献 18被引用数 24

ひとこと要約

本稿では、相互情報量（MI）と対称不確実性（SU）を別々に用いて特徴量の関連性と冗長性を制御する二段階のフィルタベース特徴選択アルゴリズムを、高スペクトル画像（HSI）分類のためのものとして提案する。MIによるしきい値処理で情報量の多いバンドを選択し、SUを用いて冗長なものを除去することで、AVIRIS 92AV3C データセットからたった42バンドのみを用いて84.16%の分類精度を達成した。これは次元削減において高い効率性と有効性を示しており、特徴選択段階で分類器を必要としない点も特徴である。

ABSTRACT

Remote sensing is a technology to acquire data for disatant substances, necessary to construct a model knowledge for applications as classification. Recently Hyperspectral Images (HSI) becomes a high technical tool that the main goal is to classify the point of a region. The HIS is more than a hundred bidirectional measures, called bands (or simply images), of the same region called Ground Truth Map (GT). But some bands are not relevant because they are affected by different atmospheric effects; others contain redundant information; and high dimensionality of HSI features make the accuracy of classification lower. All these bands can be important for some applications; but for the classification a small subset of these is relevant. The problematic related to HSI is the dimensionality reduction. Many studies use mutual information (MI) to select the relevant bands. Others studies use the MI normalized forms, like Symmetric Uncertainty, in medical imagery applications. In this paper we introduce an algorithm based also on MI to select relevant bands and it apply the Symmetric Uncertainty coefficient to control redundancy and increase the accuracy of classification. This algorithm is feature selection tool and a Filter strategy. We establish this study on HSI AVIRIS 92AV3C. This is an effectiveness, and fast scheme to control redundancy.

研究の動機と目的

• 高次元性と冗長性が分類精度を低下させる高スペクトル画像（HSI）の問題に対処すること。
• 関連性と冗長性の制御を分離することで分類性能を向上させる特徴選択手法を開発すること。
• 分類器に依存しないフィルタベース戦略を用い、特徴選択段階で分類器を起動しないようにすること。
• 実際のAVIRIS 92AV3C データセットを用いて評価し、バンド数を削減しても分類精度を維持できるかを実証すること。

提案手法

• 各バンドと正解地図（GT）の間の依存関係を相互情報量（MI）で計算し、関連性しきい値を超えるバンドを選択する。
• 二段階のプロセスを適用する：まず、GTに対するMIが大きいバンドを関連性しきい値（IM）を用いて選択する。次に、選択されたバンド間の冗長性を対称不確実性（SU）で測定する。
• 対称不確実性（SU）は、バンドペア間の正規化され、対称的な冗長性の測度であり、高めの冗長性を持つバンドを削除するためのしきい値（TH）を用いる。
• アルゴリズムは、すでに選択済みのバンドに対して高いSU値を示すバンドを反復的に削除することで、最終的なバンド集合の冗長性を低く保つ。
• 最終的なバンド集合を用いて分類を実行し、AVIRIS 92AV3C データセット上で精度を評価する。
• 本手法はフィルタ戦略として設計されており、特徴選択段階で分類器を起動しないため、高速かつスケーラブルな応用が可能である。

実験結果

リサーチクエスチョン

• RQ1 関連性と冗長性の選択を分離する二段階のフィルタベース手法が、従来の手法と比較してHSI分類精度を向上させることができるか？
• RQ2 対称不確実性は、高スペクトルデータにおける冗長バンドの検出と削除にどの程度有効か？
• RQ3 分類精度を最大化し、バンド数を最小限に抑えるために最適な関連性（IM）と冗長性（TH）のしきい値の組み合わせは何か？
• RQ4 本手法は、AVIRIS 92AV3C のような実際のHSIデータにおいて、次元削減をどの程度実現しつつ分類性能を維持できるか？
• RQ5 本手法は、フィルタベースで反復処理を必要としない性質を有するため、リアルタイムシステムへの効率的応用が可能か？

主な発見

• 提案手法は、AVIRIS 92AV3C データセットからたった42バンドを用いて84.16%の分類精度を達成した。これは高い効率性を示している。
• 19バンドと最適なしきい値設定を用いることで、80%の分類精度に到達した。これは低次元でも優れた性能を示している。
• 本手法は関連性と冗長性の両方を効果的に制御しており、ゾーン4（TH=0.56、IM=0.9）が精度とバンド数のバランスにおいて最良の結果をもたらした。
• 選択されたバンドを用いて再構築した正解地図は、元の地図と非常に近い結果となり、強力な一般化能力と情報保持能力を示している。
• 視覚的および定量的比較により、本手法は冗長性を効果的に低減しながらも、情報量の多いバンドを保持していることが確認された。
• 分類器の繰り返し呼び出しを必要としない高速なフィルタベース設計のため、リアルタイム応用に適している。