Redução de dimensionalidade baseado na codificação binária para dados hiperespectrais aviris

Abstract

Resumo: Os sensores hiperespectrais fornecem informações em centenas de bandas espectrais que permitem distinguir diferentes classes ou objetos com mais detalhes. Na classificação supervisionada das imagens, obtidas a partir dessas informações, o número de amostras de treinamento disponíveis é limitado frente ao número de bandas espectrais disponíveis. Assim, a redução de dimensionalidade é um passo importante antes da classificação deste tipo de dados. A abordagem desenvolvida neste trabalho para reduzir a dimensionalidade de dados hiperespectrais AVIRIS é a codificação binária. Esta codificação cria uma representação de bandas espectrais que facilita a identificação de classes mediante o estabelecimento de regiões espectrais vizinhas que armazenam uma quantidade de respostas espectrais referidas às classes de cobertura da terra. Para tanto, foram realizados vários experimentos que permitiram a avaliação desta abordagem com fins da classificação da cobertura da terra. As alternativas usadas na codificação binária foram aplicadas para um determinado número de regiões espectrais. Cada alternativa foi testada para um código binário, utilizando-se tanto um limiar, como três limiares. Após a redução de dimensionalidade realizou-se a análise da separabilidade das classes mediante a divergência transformada. Em seguida, realizou-se a classificação temática dos dados hiperespectrais com dimensão reduzida. A técnica utilizada para a classificação foi de máxima verossimilhança. Para a avaliação da acurácia da classificação foram utilizadas as matrizes de confusão, coeficiente kappa e estimativa global para as amostras de verificação. Os resultados mostraram que a utilização da codificação binária baseada em três limiares, por regiões espectrais, com porcentual do limiar de um sexto e modificado, permitem o mapeamento temático dos dados hiperespectrais com dimensão reduzida, de modo mais eficiente que a utilização de um limiar. Neste contexto, a metodologia proposta para a redução de dimensionalidade em dados hiperespectrais mostrou-se promissora, pois este método de extração de atributos é uma abordagem que reduz a complexidade computacional e melhora o desempenho da análise de dados.

Abstract: Hyperspectral sensors provide information in hundreds of spectral bands that allows to discriminate classes or objects with more details. In the supervised classification of images, obtained from this information, the number of training samples available is limited in comparison to the number of available spectral bands. Thus, the dimensionality reduction is very important step before the classification of this type of data. The approach developed in this work to reduce the dimensionality of hyperspectral AVIRIS data is binary coding. This encoding creates a representation of spectral bands that facilitates the identification of classes by establishing neighboring spectral regions that store a quantity of spectral signatures referred to the classes of land cover. Therefore, several experiments that allowed the evaluation of this approach for the purpose of land cover classifications were tested. The alternatives used in binary encoding were applied for a number of spectral regions. Each alternative has been tested to a binary code through one to various thresholds. After the dimensionality reduction, the separation of the spectral classes was analyzed by the transformed divergence. Next, the thematic classification of reduced hyperspectral data was performed. The technique used for the classification was of maximum likelihood. For the evaluation of the accuracy of the classification the confusion matrices, kappa coefficient and global estimate for the verification samples were used. The results showed that the use of binary encoding based on three thresholds by spectral regions, with a percentage of threshold for the one-sixth and modified, allows the thematic mapping of the hyperspectral data with reduced dimension, more efficiently than the use of a threshold. In this context, the methodology proposed for the reduction of dimensionality in hyperspectral data has shown to be promising, since this attribute extraction method is an approach that reduces the computational complexity and improves the performance of the data analysis.