[논문 리뷰] Dimensionality Reduction and Classification feature using Mutual Information applied to Hyperspectral Images : A Filter strategy based algorithm

Elkebir Sarhrouni, Ahmed Hammouch외 1명|arXiv (Cornell University)|2012. 09. 28.

Remote-Sensing Image Classification참고 문헌 9인용 수 16

한 줄 요약

이 논문은 상호정보량(MI)을 사용하여 정보가 풍부한 밴드를 선택하면서도 보완 임계값을 통해 유용한 부재를 명시적으로 允허하는 필터 기반 특성 선택 알고리즘을 제안한다. 밴드 평균을 통해 진짜 지도 지ap을 추정하고 음수 임계값을 적용함으로써, 계산 비용이 높은 워퍼 방법에 의존하지 않고도 분류 정확도를 향상시킨다. 83개의 밴드로 88.14%의 정확도를 달성한다.

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.

연구 동기 및 목표

• 노이즈, 중복성 및 Hughes 현상으로 인해 고차원적 고분광 이미지 데이터의 분류 정확도가 떨어지는 문제를 해결한다.
• 차원 감소 과정에서 고분광 이미지의 높은 스펙트럼 해상도와 분류 능력을 유지한다.
• 정보가 풍부한 밴드를 선택하면서도 유익한 중복성을 허용하는 계산 효율성이 높은 필터 기반 방법을 개발한다.
• 선택된 밴드가 더 정확한 추정 지도 지도 지도를 구성하는 데 기여하도록 분류 성능을 향상시킨다.
• 유용한 중복성을 제어하기 위해 보완 임계값을 도입한다.

제안 방법

• 각 고분광 밴드와 지도 지도(GT) 간의 상호정보량(MI)을 계산하여 밴드의 관련성을 순위화한다.
• 밴드 170–210을 평균하여 진짜 GT와 밀접하게 관련되어 있음을 입증한 바에 따라 지도 지도를 추정한다.
• 각 후보 밴드의 MI 값에 음수 임계값을 적용하여, 해당 밴드가 추정 지도 지도를 최소한 그 임계값 이상 향상시켜야 한다고 요구한다.
• MI 값의 내림차순으로 밴드를 선택하지만, 임계값을 초월해 추정 지도 지도에 의미 있는 기여를 하는 밴드만 포함한다.
• 선택된 특성 수에 기반한 정지 기준을 사용하여 모델 복잡도를 제어한다.
• 성능 평가를 위해 선택된 밴드에 대해 서포트 벡터 머신(SVM) 분류기를 적용한다.

실험 결과

연구 질문

• RQ1 상호정보량 기반 특성 선택은 분류 정확도를 유지하면서 고분광 이미지 차원을 효과적으로 줄일 수 있는가?
• RQ2 고분광 밴드의 중복성을 유용한 정보를 폐기하지 않고 어떻게 제어할 수 있는가?
• RQ3 보완 임계값을 통해 유용한 중복성을 허용할 경우 분류 성능에 어떤 영향을 미치는가?
• RQ4 필터 기반 방법이 더 높은 비용이 드는 워퍼 전략과 비교해도 높은 분류 정확도를 달성할 수 있는가?
• RQ5 임계값의 선택이 밴드 선택 수와 분류 정확도 사이의 트레이드오프에 어떤 영향을 미치는가?

주요 결과

• 제안된 알고리즘은 임계값 -0.02를 사용할 때 83개의 밴드를 선택하여 최대 88.14%의 분류 정확도를 달성한다.
• 음수 임계값(예: -0.02)이 충분한 중복성을 허용하고 정확도를 향상시키기 위해 필요함을 시사하며, 일부 중복성은 유익함을 나타낸다.
• -0.0035의 임계값을 사용할 경우 18개의 밴드로도 정확도 63.00%에 도달하여, 낮은 밴드 선택에서도 의미 있는 결과를 도출할 수 있음을 보여준다.
• 임계값이 더 음수가 되면(예: -0.02) 정확도는 증가하고 선택된 밴드 수도 증가함으로써 중복성에 의한 성능 향상이 확인된다.
• 매우 음수 임계값(예: -4.0)에서는 알고리즘이 단순한 MI 순위 매기기 방법처럼 행동하여 모든 밴드를 선택하고 성능이 낮아지며, 이는 임계값 제어의 필요성을 확인한다.
• 알고리즘은 각 밴드가 추정 지도 지도에 기여하는 방식을 명시적으로 모델링함으로써 표준 MI 기반 선택보다 높은 정확도를 달성하며, 기준 MI 선택보다 적은 수의 밴드로도 더 높은 정확도를 달성한다.