Uso de algoritmos genéticos como redutor de dimensionalidade na classificaçao de imagens hiperespectrais

Abstract

Resumo: A análise de imagens hiperespectrais possibilita um estudo mais detalhado sobre os objetos na superfície da terra. Devido sua alta resoluçao espectral, a tarefa de análise desses dados defronta-se com o fenômeno de Hughes. Esse fenômeno ocorre devido ao número geralmente limitado de amostras frente a alta dimensionalidade dos dados hiperespectrais. Uma das possíveis soluçoes para esse problema é a reduçao da dimensionalidade. Essa técnica de reduçao de dimensao é dividida em duas abordagens: seleçao de feiçoes e extraçao de feiçoes. A proposta desse trabalho foi o uso dos Algoritmos Genéticos como redutores de dimensionalidade de dados hiperespectrais, para fins de classificaçao. Foi realizado um estudo comparativo entre os algoritmos propostos e os tradicionais algoritmos seqüenciais: Sequential Forward Selection (SFS) e Sequential Backward Selection (SBS). Esses dois últimos algoritmos sao conhecidos pela simplicidade tanto conceitual como computacional. Uma segunda comparaçao foi realizada entre algoritmos de seleçao de feiçoes e um algoritmo do tipo extraçao de feiçoes (Análise por Componentes Principais). Nesse estudo foi analisado tanto a acurácia no processo de classificaçao como o tempo de processamento demandado por esses algoritmos. Após a reduçao da dimensionalidade, uma classificaçao foi executada. O classificador utilizado foi de máxima verossimilhança. Para julgamento da acurácia foram utilizados os índices kappa, acurácia global e a acurácia do ponto de vista do usuário. A metodologia proposta mostrou-se promissora, pois apresentou resultados, em termos de acurácia, superiores aos gerados pelos demais algoritmos estudados.

Abstract: The detailed study of the objects in the earth surface makes possible by the images hyperspectral analisys. Due to high spectral resolution of data, the task of the analysis confronts with the well known Hougle's phenomenon. That phenomenon usually happens when the limited number of samples is compared to the dimensionality of the hyperspectral data. One of the possible solutions, for that problem, is the reduction of the dimensionality. This technique is divided in two approaches: feature selection and feature extraction. The proposal of that work was the use of the Genetic Algorithms as reducers of dimensionality of data hyperspectral, for classification ends. A comparative study was accomplished between the proposed algorithms and the traditional algorithms sequential: Sequential Forward Selection (SFS) and Sequential Backward Selection (SBS). Those last two algorithms are known by the simplicity so much conceptual as computational. A second comparison was accomplished between algorithms of selection of features and an algorithm of the type extraction of features (Principal Components Analysis). In that study it was analyzed the accuracy as much as in the classification process as the time of processing disputed by those algorithms. After the reduction of the dimensionality, a classification was executed. The maximum likelihood classifier was used and also the kappa index, the global accuracy and the user's point of view accuracy were used for quality judgment. The proposed methodology was shown promising, because its results, in accuracy terms, was superior to the generated by the other studied algorithms.