Uma abordagem de priorização conjunta de bandas e desconcorrelação de bandas para seleção de bandas na classificação de imagens hiperespectrais

A seleção de bandas para dados de imagem obtidos por sensoriamento remoto é um meio eficaz para mitigar a maldição da dimensionalidade. Muitos critérios foram sugeridos no passado para seleção ótima de bandas. Neste artigo, uma abordagem conjunta de priorização de bandas e desconcorrelação de bandas para seleção de bandas é considerada para a classificação de imagens hiperespectrais. A priorização de bandas proposta é um método baseado na decomposição espectral de uma matriz, a partir da qual uma matriz de fatores de carga pode ser construída para priorização de bandas através dos autovalores e autovetores correspondentes. Duas abordagens são apresentadas: critérios baseados em análise de componentes principais (PCA) e critérios baseados em classificação. O primeiro inclui o PCA de variância máxima e PCA de SNR máximo, enquanto o último deriva a análise canônica de mínima má classificação (MMCA) (ou seja, a análise discriminante de Fisher) e critérios baseados em projeção de subespaço. Como a priorização das bandas não leva em conta a correlação espectral, um critério teórico da informação chamado divergência é utilizado para a desconcorrelação das bandas. Finalmente, a seleção de bandas pode ser feita através de uma priorização de bandas baseada em análise espectral em conjunto com uma desconcorrelação de bandas baseada em divergência. É demonstrado que o método de seleção de bandas proposto elimina efetivamente um grande número de bandas insignificantes. Surpreendentemente, os experimentos mostram que com uma seleção adequada de bandas, menos de 0,1 do número total de bandas pode alcançar desempenho comparável ao utilizar o número total de bandas completas. Isso demonstra ainda mais que a seleção de bandas pode reduzir significativamente o volume de dados para alcançar compressão de dados.