Loading...
Comparison of dimensionality reduction methods to improve hyperspectral image classification
Sánchez Encinales, Yisel N.
Sánchez Encinales, Yisel N.
Citations
Altmetric:
Abstract
This research applied different dimensionality reduction methods to improve the classification of hyperspectral image datasets, including Principal Component Analysis (PCA), Kernel Principal Component Analysis (KPCA), and the one-dimensional Convolutional Autoencoder (1D-CAE), combined with classification algorithms such as Support Vector Machines (SVM), K-Nearest Neighbors (KNN), and Convolutional Neural Networks (CNN). These approaches were evaluated and compared in the classification of benchmark hyperspectral image datasets. The results showed that dimensionality reduction methods improved the classification performance for the Indian Pines and Houston datasets. Specifically, the 1D-CAE+CNN combination stood out, achieving an 5.66% increase in accuracy for Indian Pines and 2.54% for Houston. Although the differences were minimal compared to other methods, this combination proved to be the most effective overall for both datasets.
Esta investigación aplicó diferentes métodos de reducción de dimensionalidad para mejorar la clasificación de conjuntos datos de imágenes hiperespectrales como el análisis de componentes principales (PCA), el kernel análisis de componentes principales (KPCA) y el codificador convolucional unidimensional (1D-CAE), junto con los algoritmos de clasificación como la máquina de vectores de soporte (SVM), k-vecino más cercano (KNN) y las redes neuronales convolucionales (CNN). Estos enfoques fueron evaluados y comparados en la clasificación de conjuntos de datos de imágenes hiperespectrales de referencia. Los resultados mostraron que los métodos de reducción de dimensionalidad mejoraron la clasificación de los conjuntos de datos Indian Pines y Houston. En particular, la combinación 1D-CAE+CNN sobresalió, logrando un incremento del 5.66% en la precisión para Indian Pines y del 2.54% para Houston. Aunque las diferencias fueron mínimas respecto a los otros métodos evaluados, esta combinación demostró ser más eficaz a nivel general para ambos conjuntos de datos.
Esta investigación aplicó diferentes métodos de reducción de dimensionalidad para mejorar la clasificación de conjuntos datos de imágenes hiperespectrales como el análisis de componentes principales (PCA), el kernel análisis de componentes principales (KPCA) y el codificador convolucional unidimensional (1D-CAE), junto con los algoritmos de clasificación como la máquina de vectores de soporte (SVM), k-vecino más cercano (KNN) y las redes neuronales convolucionales (CNN). Estos enfoques fueron evaluados y comparados en la clasificación de conjuntos de datos de imágenes hiperespectrales de referencia. Los resultados mostraron que los métodos de reducción de dimensionalidad mejoraron la clasificación de los conjuntos de datos Indian Pines y Houston. En particular, la combinación 1D-CAE+CNN sobresalió, logrando un incremento del 5.66% en la precisión para Indian Pines y del 2.54% para Houston. Aunque las diferencias fueron mínimas respecto a los otros métodos evaluados, esta combinación demostró ser más eficaz a nivel general para ambos conjuntos de datos.
Description
Date
2024-12-13