Applying class-based feature extraction approaches for supervised classification of hyperspectral imagery

Global band selection or feature extraction methods have been applied to hyperspectral image classification to overcome the “curse of dimension”. We applied class-based feature extraction approaches and compressed the class data into different lower dimensional subspaces. Land cover classes in hyperspectral imagery could be roughly modelled as lowdimensional Gaussian clusters (i.e., “Gaussian pancakes”) floating in sparse hyperspace. Each pixel was labelled accordingly based on conventional classifiers. We evaluated and compared the class-based version of principal components analysis (PCA), probabilistic principal components analysis (PPCA), and probabilistic factor analysis (PFA) algorithms to find the lower dimensional class subspaces in the training stage, projected each pixel, and then assigned the class label according to the maximum likelihood decision rule. Results from simulations and the classification of a compact airborne spectrographic imager 2 (CASI 2) hyperspectral dataset were presented. The proposed class-based PCA (CPCA) algorithm provided a reasonable trade-off between classification accuracy and computational efficiency for hyperspectral image classification. It proved more efficient and provided the highest classification kappa coefficient (0.946) among all band selection and feature extraction classifiers in our study. CPCA is recommended as a useful class-based feature extraction method for classification of hyperspectral imagery. Résumé. Les méthodes de sélection de bandes ou d’extraction des caractéristiques ont été appliquées à la classification d’images hyperspectrales pour remédier au problème du fléau de la dimension. Nous avons appliqué des approches d’extraction des caractéristiques basées sur la classe et compressé les données de classes en différents sous-espaces de dimension plus faible. Les classes de couvert dans les images hyperspectrales peuvent être modélisées en gros comme des regroupements gaussiens de faible dimension (c.-à-d. « Gaussian pancakes ») flottant dans l’hyperespace. Chaque pixel a été étiqueté ainsi basé sur des classifieurs conventionnels. Nous avons évalué et comparé la version basée sur la classe des algorithmes d’analyse en composantes principales (ACP), d’analyse en composantes principales probabiliste (ACPP) et d’analyse factorielle probabiliste (AFP) pour trouver les sous-espaces de classes de plus petite dimension dans la phase d’entraînement, puis projeté chaque pixel et ensuite assigné l’étiquette de classe selon la règle de décision basée sur le maximum de vraisemblance. Les résultats des simulations et de la classification d’un ensemble de données hyperspectrales du capteur CASI 2 (« compact airborne spectrographic imager 2 ») sont présentés. L’algorithme ACP basé sur la classe (CPCA) constitue un compromis raisonnable entre la précision de classification et l’efficacité de calcul pour la classification d’images hyperspectrales. Il s’est avéré plus efficace et a donné le coefficient de classification kappa le plus élevé (0,946) parmi tous les classifieurs par sélection de bandes et d’extraction des caractéristiques dans notre étude. L’algorithme CPCA est recommandé comme méthode d’extraction des caractéristiques basée sur la classe pour la classification des images hyperspectrales. [Traduit par la Rédaction]