[论文解读] Hyperspectral Band Selection for Multispectral Image Classification with Convolutional Networks

Giorgio Morales, John W. Sheppard+2 more|arXiv (Cornell University)|Jun 1, 2021

Remote-Sensing Image Classification参考文献 28被引用 15

一句话总结

本文提出了一种用于高光谱图像分类的两阶段波段选择方法，首先利用带间冗余分析（IBRA）减少光谱冗余，然后基于信息熵应用贪心光谱选择（GSS）以选取信息量丰富的波段。该方法在两个基准数据集上实现了最先进（SOTA）的分类准确率，同时通过识别最优滤波器中心，实现了高效多光谱传感器的设计。

ABSTRACT

In recent years, Hyperspectral Imaging (HSI) has become a powerful source for reliable data in applications such as remote sensing, agriculture, and biomedicine. However, hyperspectral images are highly data-dense and often benefit from methods to reduce the number of spectral bands while retaining the most useful information for a specific application. We propose a novel band selection method to select a reduced set of wavelengths, obtained from an HSI system in the context of image classification. Our approach consists of two main steps: the first utilizes a filter-based approach to find relevant spectral bands based on a collinearity analysis between a band and its neighbors. This analysis helps to remove redundant bands and dramatically reduces the search space. The second step applies a wrapper-based approach to select bands from the reduced set based on their information entropy values, and trains a compact Convolutional Neural Network (CNN) to evaluate the performance of the current selection. We present classification results obtained from our method and compare them to other feature selection methods on two hyperspectral image datasets. Additionally, we use the original hyperspectral data cube to simulate the process of using actual filters in a multispectral imager. We show that our method produces more suitable results for a multispectral sensor design.

研究动机与目标

• 为解决高光谱成像（HSI）中数据密度高和计算复杂度大的挑战，通过选择最少数量的信息性光谱波段来应对。
• 开发一种特征选择方法，在降低光谱维数的同时保持分类性能。
• 识别适用于设计紧凑、任务特定的多光谱成像仪的最优光谱波段。
• 在高光谱数据集上，分类准确率超越现有特征选择方法。
• 通过波段选择，弥合高光谱数据与实际多光谱传感器应用之间的差距。

提出的方法

• 该方法首先进行带间冗余分析（IBRA），基于每条波段与其邻近波段之间的共线性关系计算距离度量，以识别冗余最小的光谱区域。
• IBRA将距离-共线性曲线中的局部极小值识别为候选中心波段，有效缩小相关波段的搜索空间。
• 通过信息熵对预选波段进行贪心光谱选择（GSS）排序，优先选择信息含量高的波段。
• GSS过程迭代移除表现出强多重共线性的波段，并重新评估分类性能，以优化最终波段集合。
• 在选定波段上训练一个紧凑的卷积神经网络（CNN）以评估分类性能。
• 通过在选定波段上建模高斯形滤波器，模拟多光谱滤波器响应，实现与真实多光谱系统直接比较。

实验结果

研究问题

• RQ1 结合冗余分析与基于熵的排序的两阶段特征选择方法，是否能在高光谱图像分类中超越现有波段选择技术？
• RQ2 所提出的IBRA方法是否能有效缩小相关光谱波段的搜索空间，同时保留与分类相关的信息？
• RQ3 从高光谱立方体中选择的波段能否直接映射到实际多光谱滤波器设计，并实现相近的分类性能？
• RQ4 当选择的波段数量变化时（例如5个 vs. 10个），所提方法的性能如何变化？
• RQ5 通过GSS去除多重共线性波段，与简单熵排序相比，是否能显著提升分类准确率？

主要发现

• 在Indian Pines数据集上，该方法使用5个波段实现了98.08%的整体准确率，优于所有对比方法，包括FNGBS（97.49%）和HAGRID（96.74%）。
• 在Indian Pines数据集上使用10个波段时，该方法达到98.48%的F1分数，显著超过FNGBS（97.82%）和HAGRID（96.91%）。
• 在Kochia数据集上，使用10个波段时，该方法实现了96.45%的F1分数，优于PLS-DA（94.76%）、OCF（95.16%）和HAGRID（95.33%）。
• 原始波段选择方法与模拟多光谱滤波器方法的分类性能几乎完全一致，证实了该方法在传感器设计中的适用性。
• 在选择较少波段（如5–10个）时，该方法与其他方法之间的性能差距进一步扩大，表明其在低带宽场景下具有更高的效率。
• 该方法成功识别出代表性强且非冗余的滤波器中心（例如391.2、463.3、518.4、616.0、658.4、675.3 nm），支持实际多光谱成像仪的设计。