Detecção de Subespaço Usando uma Medida de Informação Mútua para Classificação de Imagens Hiperespectrais

Encontrar um subespaço que consiste nas características mais informativas para uma classificação confiável de imagens hiperespectrais é uma tarefa desafiadora. A redução de características é frequentemente alcançada por meio de técnicas de seleção e extração de características. Nesta carta, é proposta uma abordagem híbrida que combina ambos os tratamentos. A Análise de Componentes Principais (PCA) é aplicada como uma etapa de pré-processamento, de modo que cada uma das novas características seja gerada a partir do conjunto completo das bandas espectrais originais. A seleção de características é então realizada de forma eficaz usando uma medida de Informação Mútua Normalizada (nMI) com duas restrições para maximizar a relevância geral e minimizar a redundância no subespaço selecionado. O algoritmo proposto (PCA-nMI) é testado em imagens hiperespectrais e os resultados experimentais mostram que as modificações proporcionam uma melhoria significativa em termos de precisão de classificação.