Los puntos clave no están disponibles para este artículo en este momento.
La selección de características es uno de los problemas fundamentales en casi todas las aplicaciones de modelado estadístico, y el análisis de datos hiperespectrales no es una excepción. Proponemos una nueva metodología para combinar métodos no supervisados y supervisados bajo restricciones de precisión de clasificación y requisitos computacionales. Está diseñada para realizar no solo la selección de bandas hiperespectrales (rango de longitudes de onda) sino también la selección de métodos de clasificación. El procedimiento implica clasificar bandas basadas en el contenido de información y la redundancia, y evaluar un número variable de las bandas mejor clasificadas. Llamamos a esta técnica Selección Ordenada por Precisión (ROWAS). Proporciona un buen equilibrio entre la exploración del espacio de características y la eficiencia computacional. Para verificar nuestra metodología, llevamos a cabo experimentos con una imagen hiperespectral georreferenciada (adquirida por un sensor AVIRIS) y mediciones terrestres categóricas.
Groves et al. (Fri,) estudiaron esta cuestión.