[论文解读] 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 16

一句话总结

该论文提出了一种基于滤波的高光谱图像分类特征选择算法，利用互信息（MI）选择信息丰富的波段，同时通过互补阈值显式允许有用的冗余。通过平均波段170–210估计真实标签图，并应用负阈值，该方法在不依赖计算成本高昂的包装方法的情况下，提升了分类准确率——在使用83个波段时达到88.14%。

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.

研究动机与目标

• 解决高维高光谱数据因噪声、冗余及休斯现象导致分类准确率下降的挑战。
• 在降维过程中保留高光谱图像的高光谱分辨率和区分能力。
• 开发一种计算高效的基于滤波的方法，选择信息丰富的波段，同时允许有益的冗余。
• 通过确保所选波段有助于生成更准确的估计真实标签图，提升分类性能。
• 引入互补阈值以控制冗余，同时不丢弃潜在有用的信息

提出的方法

• 计算每个高光谱波段与真实标签（GT）图之间的互信息（MI），以对波段的相关性进行排序。
• 通过平均波段170–210估计真实标签图，这些波段被证明与真实GT密切相关。
• 对每个候选波段的MI值应用负阈值，要求该波段必须使估计的真实标签图提升至少该阈值。
• 按MI值降序选择波段，但仅包含那些在阈值之上对估计真实标签图有显著贡献的波段。
• 基于所选特征数量设置停止准则，以控制模型复杂度。
• 在所选波段上应用支持向量机（SVM）分类器进行性能评估。

实验结果

研究问题

• RQ1 基于互信息的特征选择能否有效降低高光谱图像的维度，同时保持分类准确率？
• RQ2 如何在不丢弃潜在有用信息的前提下控制高光谱波段中的冗余？
• RQ3 通过互补阈值允许有用冗余对分类性能有何影响？
• RQ4 基于滤波的方法能否实现与计算成本更高的包装策略相当的高分类准确率？
• RQ5 阈值选择如何影响波段选择数量与分类准确率之间的权衡？

主要发现

• 当使用-0.02的阈值选择83个波段时，所提算法达到最高分类准确率88.14%。
• 负阈值（如-0.02）是必要的，以允许足够的冗余并提升准确率，表明一定程度的冗余是有益的。
• 当阈值为-0.0035时，准确率达到63.00%（使用18个波段），表明即使在低波段选择下也能获得有意义的结果。
• 随着阈值变得更负（如-0.02），准确率上升，同时所选波段数量增加，表明通过冗余可提升性能。
• 在极负的阈值下（如-4.0），算法表现类似于简单的MI排序方法，选择所有波段且性能下降，证实了阈值控制的必要性。
• 该方法通过显式建模每个波段对估计真实标签图的贡献，优于标准MI选择方法，在更少波段下实现更高准确率。