Overlap-based feature weighting: The feature extraction of Hyperspectral remote sensing imagery

سنجنده‌هاي ابرطيفي، داده را به طور همزمان در صدها باند طيفي مجاور و باريك دريافت مي‌كنند. به دليل مسيله نفرين ابعاد، استفاده از همه‌ي باندهاي طيفي، ضرورتا منجر به بهبود نتايج نمي‌شود. استخراج ويژگي براي تحليل تصاويرابرطيفي به يك موضوع مهم در طبقه بندي اين داده‌ها تبديل شده است. ما در اين مقاله پيشنهاد داده‌ايم تا از وزن‌دهي ويژگي بر مبناي هم‌پوشاني براي استخراج ويژگي نظارت شده‌ي تصاوير ابرطيفي استفاده كنيم. در روش پيشنهادي، بردار ويژگي هر پيكسل از تصوير به چند بخش تقسيم بندي مي‌شود و ميانگين وزن‌دار باندهاي طيفي مجاور در هر بخش به عنوان يك ويژگي استخراج شده در نظر گرفته مي‌شود. در هر باند طيفي كه هم‌پوشاني ميان كلاس‌ها كمتر باشد، توانايي تفكيك كلاس‌ها در آن باند بيشتر خواهد بود. بنابراين، معكوس مقدار هم پوشاني در هر باند، به عنوان وزني براي آن باند طيفي در نظر گرفته مي‌شود. برتري روش پيشنهادي از نظر دقت و سرعت نسبت به ساير روش‌هاي استخراج ويژگي نظارت شده در شرايطي كه از مجموعه نمونه‌ي آموزشي كوچكي استفاده مي‌شود براي سه داده‌ي ابرطيفي واقعي در آزمايش‌ها نشان داده شده است.

Hyperspectral sensors provide a large number of spectral bands. This massive and complex data structure of hyperspectral images presents a challenge to traditional data processing techniques. Therefore, reducing the dimensionality of hyperspectral images without losing important information is a very important issue for the remote sensing community. We propose to use overlap-based feature weighting (OFW) for supervised feature extraction of hyperspectral data. In the OFW method, the feature vector of each pixel of hyperspectral image is divided to some segments. The weighted mean of adjacent spectral bands in each segment is calculated as an extracted feature. The less the overlap between classes is, the more the class discrimination ability will be. Therefore, the inverse of overlap between classes in each band (feature) is considered as a weight for that band. The superiority of OFW, in terms of classification accuracy and computation time, over other supervised feature extraction methods is established on three real hyperspectral images in the small sample size situation.