[論文レビュー] Dimensionality Reduction and Classification feature using Mutual Information applied to Hyperspectral Images : A Filter strategy based algorithm

Elkebir Sarhrouni, Ahmed Hammouch+1 more|arXiv (Cornell University)|Sep 28, 2012

Remote-Sensing Image Classification参考文献 9被引用数 16

ひとこと要約

本論文は、相互情報量（MI）を用いて情報量の多いバンドを選択するとともに、補完的閾値を明示的に用いることで有用な冗長性を許容するフィルタベースの特徴選択アルゴリズムを提案する。バンド平均を用いて真値マップを推定し、負の閾値を適用することで、計算コストの高いラッパー手法に依存せずに分類精度を向上させ、83バンドで88.14%の精度に到達した。

ABSTRACT

Hyperspectral images (HIS) classification is a high technical remote sensing tool. The goal is to reproduce a thematic map that will be compared with a reference ground truth map (GT), constructed by expecting the region. The HIS contains more than a hundred bidirectional measures, called bands (or simply images), of the same region. They are taken at juxtaposed frequencies. Unfortunately, some bands contain redundant information, others are affected by the noise, and the high dimensionality of features made the accuracy of classification lower. The problematic is how to find the good bands to classify the pixels of regions. Some methods use Mutual Information (MI) and threshold, to select relevant bands, without treatment of redundancy. Others control and eliminate redundancy by selecting the band top ranking the MI, and if its neighbors have sensibly the same MI with the GT, they will be considered redundant and so discarded. This is the most inconvenient of this method, because this avoids the advantage of hyperspectral images: some precious information can be discarded. In this paper we'll accept the useful redundancy. A band contains useful redundancy if it contributes to produce an estimated reference map that has higher MI with the GT.nTo control redundancy, we introduce a complementary threshold added to last value of MI. This process is a Filter strategy; it gets a better performance of classification accuracy and not expensive, but less preferment than Wrapper strategy.

研究の動機と目的

• ノイズ、冗長性、およびハーグス現象による高次元のハイパースペクトルデータが分類精度を低下させるという課題に対処する。
• 次元削減の過程でハイパースペクトル画像の高スペクトル分解能と識別能を保持する。
• 情報量の多いバンドを選択しつつ有益な冗長性を許容する、計算効率の良いフィルタベースの手法を開発する。
• 選択されたバンドが推定真値マップの正確性を高めることで分類性能を向上させる。
• 冗長性を制御しつつ、無駄に情報を破棄しない補完的閾値を導入する。

提案手法

• 各ハイパースペクトルバンドと真値（GT）マップとの間の相互情報量（MI）を計算し、バンドの関連性を順位付けする。
• バンド170～210の平均を用いて真値マップを推定し、実際のGTと密接に相関することが示された。
• 各候補バンドのMI値に負の閾値を適用し、バンドが推定GTを少なくともその閾値分以上改善する必要があることを要件とする。
• MIの値が降順に並べ替えられるが、推定GTへの寄与が閾値を満たすもののみを選択する。
• 選択された特徴数に基づく停止基準を用いてモデルの複雑さを制御する。
• 選択されたバンドに対してサポートベクターマシン（SVM）分類器を適用し、性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 相互情報量に基づく特徴選択は、次元削減を実現しつつ分類精度を保持できるか？
• RQ2 ハイパースペクトルバンドの冗長性は、有用な情報を破棄せずにどのように制御できるか？
• RQ3 補完的閾値を用いて有用な冗長性を許容することで、分類性能にどのような影響を与えるか？
• RQ4 フィルタベースの手法は、より高コストなラッパー戦略と同等の高い分類精度を達成できるか？
• RQ5 閾値の値の選択が、バンド選択数と分類精度のトレードオフにどのように影響するか？

主な発見

• 提案手法は、閾値を-0.02に設定した場合、83バンドを選択することで最大88.14%の分類精度を達成した。
• 負の閾値（例：-0.02）が、十分な冗長性を許容し、精度を向上させるために不可欠であることが示され、一部の冗長性が有益であることが明らかになった。
• 閾値を-0.0035に設定した場合、18バンドで63.00%の精度に達し、低バンド数選択でも有意義な結果が得られることを示した。
• 閾値がより負（例：-0.02）になるにつれて、精度が向上し、選択バンド数も増加する傾向が見られ、冗長性による性能向上が裏付けられた。
• 非常に負の閾値（例：-4.0）では、アルゴリズムは単純なMI順位付け手法と同様に動作し、すべてのバンドが選択され、性能が低下する結果となった。これは、閾値の制御の必要性を確認した。
• 推定真値マップへの各バンドの寄与を明示的にモデル化することで、ベースラインのMI選択法よりも高い精度を達成し、より少ないバンド数で優れた性能を発揮した。