Hyperspectral Image Classification Based on the Gabor Feature with Correlation Information

Abstract

Gabor filter is widely used to extract spatial texture features of hyperspectral images (HSI) for HSI classification; however, a single Gabor filter cannot obtain the complete image features. In the paper, we propose an HSI classification method that combines the Gabor filter (GF) and domain-transformation standard convolution (DTNC) filter. First, we use the Gabor filter to extract spatial texture features from the first two principal components of the dimensionality-reduction HSI with PCA. Second, we use the DTNC filter to extract spatial correlation features from HSI in all bands. Finally, the Large Margin Distribution Machine (LDM) uses the linear fusion of the two kinds of spatial features to classify HSI. The experimental results show that the classification accuracy of Indian Pines, Pavia University, and Kennedy Space Center data sets is 96.64, 98.23, and 98.95% with only 4, 3, and 6% training samples, respectively; and these accuracies are 2–20% higher than the other tested methods. Compared with the hyperspectral information based on SVM, EPF, IFRF, PCA-EPFs, LDM-FL, and GFDN method, the proposed method, GFDTNCLDM, significantly improves the accuracy of HSI classification.

RÉSUMÉ

Le filtre Gabor est largement utilisé pour extraire la texture spatiale des images hyperspectrales (HSI) lors d’une classification HSI; toutefois, un seul filtre Gabor ne peut pas obtenir les caractéristiques texturales de toute une image. Dans cet article, nous proposons une méthode de classification HSI qui combine le filtre de Gabor (GF) et le filtre de convolution standard de transformation de domaine (DTNC). Tout d’abord, nous utilisons le filtre Gabor pour extraire la texture spatiale des deux premières composantes principales (PCA) afin de réduire la dimensionnalité des HSI. Deuxièmement, nous utilisons le filtre DTNC pour extraire les caractéristiques de la corrélation spatiale entre toutes les bandes spectrales. Enfin, l’algorithme Large Margin Distribution Machine (LDM) utilise la fusion linéaire des deux types de caractéristiques spatiales des images HSI pour la classification. Les résultats expérimentaux montrent que la précision de classification de trois ensembles de données, Indian Pines, Pavia University et Kennedy Space Center, est respectivement de 96,64, 98,23 et 98,95% avec seulement 4, 3 et 6% d’échantillons d’entraînement. Ces précisions sont de 2 à 20% plus élevées que celle des autres méthodes testées. Par rapport à l’information hyperspectrale extraite des méthodes SVM, EPF, IFRF, PCA-EPF, LDM-F et GFDN, la méthode proposée, GFDTNCLDM, améliore considérablement la précision de la classification HSI.

Additional information

Funding

This work was supported by Natural Science Foundation of Guangdong (Grant No 2021A1515011701), Special Projects in Key Areas of Guangdong Province (Grant No 2020ZDZX3084), and National Natural Science Foundation of China (Grant No 62071084).