Spectral–Spatial Features Exploitation Using Lightweight HResNeXt Model for Hyperspectral Image Classification

Abstract

Hyperspectral image classification is vital for various remote sensing applications; however, it remains challenging due to the complex and high-dimensional nature of hyperspectral data. This paper introduces a novel approach to address this challenge by leveraging spectral and spatial features through a lightweight HResNeXt model. The proposed model is designed to overcome the limitations of traditional methods by combining residual connections and cardinality to enable efficient and effective feature extraction from hyperspectral images, capturing both spectral and spatial information simultaneously. Furthermore, the paper includes an in-depth analysis of the learned spectral–spatial features, providing valuable insights into the discriminative power of the proposed approach. The extracted features exhibit strong discriminative capabilities, enabling accurate classification even in challenging scenarios with limited training samples and complex spectral variations. Extensive experimental evaluations are conducted on four benchmark hyperspectral data sets, the Pavia university (PU), Kennedy Space Center (KSC), Salinas scene (SA), and Indian Pines (IP). The performance of the proposed method is compared with the state-of-the-art methods. The quantitative and visual results demonstrate the proposed approach’s high classification accuracy, noise robustness, and computational efficiency superiority. The HResNeXt obtained an overall accuracy on PU, KSC, SA, and IP, 99.46%, 81.46%, 99.75%, and 98.64%, respectively. Notably, the lightweight HResNeXt model achieves competitive results while requiring fewer computational resources, making it well-suited for real-time applications.

RÉSUMÉ

La classification d’images hyperspectrales est vitale pour diverses applications de télédétection. Cependant, cela reste difficile en raison de la nature complexe et de la haute dimensionnalité des données hyperspectrales. Cet article présente une nouvelle approche pour relever ce défi en tirant parti des caractéristiques spectrales et spatiales grâce à un modèle HResNeXt léger. Le modèle proposé est conçu pour surmonter les limites des méthodes traditionnelles en combinant les connexions résiduelles et la cardinalité pour permettre une extraction efficace des caractéristiques des images hyperspectrales, capturant simultanément les informations spectrales et spatiales. En outre, l’article comprend une analyse approfondie des caractéristiques spectrales et spatiales apprises, fournissant des informations précieuses sur le pouvoir discriminatif de l’approche proposée. Les caractéristiques extraites présentent de fortes capacités discriminantes, permettant une classification précise même dans des scénarios difficiles avec de petits échantillons d’entraînement et des variations spectrales complexes. Les évaluations expérimentales ont été menées sur quatre ensembles de données hyperspectrales de référence: PU, KSC, SA et IP. La performance de la méthode proposée est comparée aux méthodes de pointe. Les résultats quantitatifs et visuels démontrent une haute précision des classifications pour l’appropre proposée, sa robustesse au bruit et sa supériorité dans l’efficacité de calcul. Le HResNeXt a obtenu un OA sur PU, KSC, SA et IP, de 99,46%, 81,46%, 99,75% et 98,64%, respectivement. Notamment, le modèle HResNeXt léger permet d’obtenir des résultats compétitifs tout en nécessitant moins de ressources de calcul, ce qui le rend bien adapté aux applications en temps réel.

Acknowledgement

This research is supported by Princess Nourah bint Abdulrahman University Researchers Supporting Project number (PNURSP2023R151), Princess Nourah bint Abdulrahman University, Riyadh, Saudi Arabia.