[논문 리뷰] Application of Symmetric Uncertainty and Mutual Information to Dimensionality Reduction and Classification of Hyperspectral Images

Elkebir Sarhrouni, Ahmed Hammouch외 1명|arXiv (Cornell University)|2012. 11. 03.

Remote-Sensing Image Classification참고 문헌 18인용 수 24

한 줄 요약

이 논문은 고분광 영상(HSI) 분류를 위한 이단계 필터 기반 특징 선택 알고리즘을 제안한다. 이 방법은 상호정보량(MI)과 대칭 불확실성(SU)을 사용하여 특징의 관련성과 상호중복성을 별도로 제어한다. 상호정보량(MI)을 통한 임계값 설정을 통해 정보성 있는 밴드를 선택하고, 대칭 불확실성(SU)을 통해 중복성을 제거함으로써 AVIRIS 92AV3C 데이터셋에서 총 42개의 밴드만을 사용하여 84.16%의 분류 정확도를 달성한다. 이는 분류기의 도움 없이도 차원 감소 과정에서 높은 효율성과 효과성을 보여준다.

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.

연구 동기 및 목표

• 고분광 영상(HSI)의 높은 차원성과 중복성으로 인한 분류 정확도 저하 문제를 해결하기 위해.
• 관련성과 중복성 제어를 분리함으로써 분류 성능 향상을 도모하는 특징 선택 방법을 개발하기 위해.
• 분류기 의존도를 피하기 위해 상호정보량과 대칭 불확실성을 활용한 필터 기반 전략을 적용하기 위해.
• 실제 AVIRIS 92AV3C 데이터셋을 대상으로 방법을 평가하고, 밴드 수를 줄이면서도 분류 정확도를 유지하는 효과를 입증하기 위해.

제안 방법

• 각 밴드와 지상참조(GT) 지ap 사이의 종속성을 계산하기 위해 상호정보량(MI)을 사용하며, 관련성 임계값을 초과하는 밴드를 선택한다.
• 이중 단계 과정을 적용한다: 첫째, GT에 대해 높은 MI를 가지는 밴드를 관련성 임계값(IM)을 통해 선별한다; 둘째, 선별된 밴드 간의 중복성을 대칭 불확실성(SU)으로 측정한다.
• 대칭 불확실성(SU)은 밴드 쌍 간의 정규화된 대칭적 중복성 측도이며, 높은 중복성을 가지는 밴드를 제거하기 위해 임계값(TH)을 설정한다.
• 알고리즘은 이미 선별된 밴드에 비해 높은 SU 값을 가지는 밴드를 반복적으로 제거함으로써 최종 서브셋의 중복성을 최소화한다.
• 최종 선별된 밴드 서브셋은 분류에 사용되며, AVIRIS 92AV3C 데이터셋에서 정확도를 통해 성능을 평가한다.
• 이 방법은 필터 전략으로 설계되어 특징 선택 과정에서 분류기를 호출하지 않으며, 이로 인해 빠르고 확장 가능한 응용이 가능하다.

실험 결과

연구 질문

• RQ1 관련성과 중복성 선택을 분리하는 이단계 필터 기반 방법이 기존 방법 대비 고분광 영상(HSI) 분류 정확도 향상에 기여하는가?
• RQ2 대칭 불확실성(SU)이 고분광 데이터에서 중복 밴드를 탐지하고 제거하는 데 얼마나 효과적인가?
• RQ3 분류 정확도를 극대화하면서도 밴드 수를 최소화하기 위한 관련성(IM)과 중복성(TH) 임계값의 최적 조합은 무엇인가?
• RQ4 실제 고분광 영상 데이터인 AVIRIS 92AV3C에서 이 방법을 통해 얼마나 높은 수준의 차원 감소를 달성하면서도 분류 성능 유지를 유지할 수 있는가?
• RQ5 이 방법은 필터 기반 및 반복적이지 않은 성격 덕분에 실시간 시스템에 효율적으로 적용될 수 있는가?

주요 결과

• 제안된 방법은 AVIRIS 92AV3C 데이터셋에서 총 42개의 밴드만을 사용하여 84.16%의 분류 정확도를 달성하여 높은 효율성을 입증하였다.
• 19개의 밴드와 최적의 임계값 설정 조건에서 80%의 분류 정확도를 달성하여 저차원 환경에서도 뛰어난 성능을 보였다.
• 관련성과 중복성 양측을 효과적으로 제어하였으며, Zone 4(TH=0.56, IM=0.9)에서 정확도와 밴드 수의 최적 균형을 확보하였다.
• 선택된 밴드를 사용해 복원한 지상참조(GT) 지도는 원본과 유사하게 복원되었으며, 강한 일반화 능력과 정보 유지 능력을 보여주었다.
• 시각적 및 정량적 비교를 통해 원본 및 합성 데이터와 비교했을 때, 이 알고리즘이 중복성을 효과적으로 줄이고 정보성 있는 밴드를 유지함을 확인하였다.
• 분류기 반복 호출이 필요 없고, 빠른 필터 기반 설계 덕분에 실시간 응용에 적합하다.