Evaluación de técnicas de reducción de la dimensionalidad en imágenes hiperespectrales y su aplicación para la clasificación de ecosistemas terrestres

Abstract

Las imágenes hiperespectrales tienen una resolución espectral extremadamente alta lo que supone una mayor complejidad y un elevado tiempo de cómputo. En este contexto, la reducción de la dimensionalidad es necesaria para permitir la aplicación eficiente de algoritmos de clasificación, así como la obtención de mapas temáticos más precisos donde la información utilizada para el proceso de clasificación depende del método de reducción. Por ello, tras una revisión del estado del arte, se ha observado la carencia de un estudio comparativo sobre las técnicas más usadas en la reducción de la dimensionalidad de las imágenes hiperespectrales. En este sentido, se han comparado las estrategias más comunes de reducción de la dimensionalidad, Principal Component Analysis (PCA), Minimum Noise Factor (MNF) e Independent Component Analysis (ICA), y evaluado su influencia en la clasificación de una imagen hiperespectral de alta resolución espacial del sensor CASI (Compact Airborne Spectrographic Imager), a través del algoritmo Support Vector Machine (SVM). Además, se han evaluado distintos métodos para determinar el número de componentes adecuado con información suficiente para una posterior clasificación.

Hyperspectral imagery has an extremely high spectral resolution, which implies a greater complexity and high computation time. In this context, the dimensionality reduction is necessary to allow the efficient application of classification algorithms, as well as obtaining more precise thematic maps where the information used for the classification process depends on the reduction method. Therefore, after a review of the state of art, it has been observed the lack of a comparative study on the most used techniques in the dimensionality reduction process of hyperspectral imagery. In this context, it was compared the most common dimensional reduction strategies, Principal Component Analysis (PCA), Minimum Noise Factor (MNF) and Independent Component Analysis (ICA), and to evaluate its influence on the classification of a hyperspectral high-resolution image of CASI sensor (Compact Airborne Spectrographic Imager), through the Support Vector Machine (SVM) algorithm. In addition, different methods have been evaluated to determine the appropriate number of components with enough information for further classification.