Propagação de Afinidade Baseada na Classe para redução de dimensionalidade em imagens hiperespectrais e melhoramento da acurácia na classificação por Máxima Verossimilhança

Resumo

Este artigo investiga um método de classificação alternativo que integra o algoritmo de clusterização propagação de afinidade baseado nas classes (PAC) e o Classificador Máxima Verossimilhança (MAXVER) com a finalidade de superar as limitações do MAXVER na classificação de dados de alta dimensionalidade e, assim, melhorar a sua acurácia. O novo classificador foi designado PAC-MAXVER, e compreende duas abordagens, seleção de características espectrais e classificação de imagem. O algoritmo de clusterização PAC foi usado para realizar a redução de dimensionalidade da imagem e seleção de características enquanto o MAXVER foi utilizado para a classificação da imagem. O desempenho do MAXVER em termos de acurácia da classificação e tempo de processamento é determinado em função da taxa de seleção realizada na fase de clusterização PAC. O desempenho de PAC-MAXVER foi avaliado e validado usando duas cenas hiperespectrais do AVIRIS (Airborne Visible Infrared Imaging Spectrometer) e HYDICE (Hyperspectral Digital Imagery Collection Experiment). Os resultados da classificação mostram que PAC-MAXVER observou uma enorme melhoria na acurácia, atingindo 94.15% e 96.47%, respectivamente, para AVIRIS e HYDICE se comparado com o MAXVER, que obteve 85.42% e 81.50%. Esses valores obtidos pelo PAC-MAXVER melhoraram a acurácia da classificação MAXVER em 8.73% e 14.97% para essas imagens. Os resultados também mostraram que o PAC-MAXVER teve um bom desempenho, mesmo para as classes com número limitado de amostras de treinamento, superando as limitações do MAXVER.

Palavras-chave:
Propagação de Afinidade; Seleção de bandas; Classificador Máxima Verossimilhança; Classificação; Imagem hiperespectral