Hyperspectral image classification using spectral histograms and semi-supervised learning

Abstract

Different classification methods have been applied to hyperspectral images during the last decade. Many of these methods have so far used pixel spectral signatures. Methods that include spatial information in the analysis achieve a better classification accuracy than those that only account for spectral signature of pixels. In this research, an algorithm that extracts regional texture information by computing spectral difference histograms over window extents in hyperspectral images was developed. The spectral angle distance was used as the spectral metric and different window sizes were explored for compute the histogram. The histograms were used in a semi-supervised learning framework that uses both labeled and unlabeled samples for training the Support Vector Machine classifier. Algorithm validation and comparisons are done with real and synthetic hyperspectral images. The method performs well with high spatial resolution images. The algorithm performs well under different Gaussian noise levels.

Diferentes métodos de clasificación han sido aplicados a imágenes hiperespectrales durante la década pasada. Muchos de estos métodos toman en cuenta la firma espectral de los píxeles. Métodos que incluyen información espacial en su análisis obtienen un mejor rendimiento del clasificador en comparación con aquellos métodos que solo toman en cuenta la firma espectral de los píxeles. En ésta investigación, se desarrolló un algoritmo para imágenes hiperespectrales que extrae información de textura por medio de ventanas mediante el cómputo de histogramas de diferencia espectral. Como métrica espectral se utilizo la distancia de ángulo espectral y se exploraron diferentes tamaños de ventana para el cómputo del histograma. Los histogramas fueron utilizados en un entrenamiento semi-supervisado que utiliza muestras etiquetadas y no etiquetadas para entrenar las máquinas de vectores de soporte (“Support Vector Machines”, SVMs por sus siglas en inglés). Validaciones y comparaciones del algoritmo son realizadas con imágenes hiperespectrales reales y sintéticas. El algoritmo produce buenos resultados cuando imágenes hiperespectrales de alta resolución espacial son utilizadas. El algoritmo fue a su vez validado con data hiperespectral bajo diferentes niveles de ruido Gausiano produciendo también buenos resultados.