A new approach to estimate a priori probabilities in remote sensing digital image classification

Abstract

An adaptive classifier designed for high-dimensional image data classification has recently been proposed. The main feature in this proposed classifier consists of a novel method to acquire semilabeled samples in an iterative way during the classification process itself. The semilabeled samples are then added to the set of available labeled samples, thus increasing the total number of training samples and consequently the reliability of the estimated values for the parameters in a parametric classifier. In this study we propose the insertion of an additional step into the iterative procedure implemented in the adaptive classifier to produce more realistic estimates of the a priori probability of the classes. The proposed procedure to estimate the a priori probability of the classes makes use of the same weighted approach used by the adaptive classifier, is computationally efficient, and can be easily implemented. Tests using hyperspectral image data have shown that the proposed approach can contribute to increased accuracies in the classification process.

Un classificateur adaptatif conçu pour la classification des données image à haute dimensionnalité a été proposé récemment. La caractéristique principale de ce classificateur consiste en une méthode novatrice pour acquérir des échantillons partiellement étiquetés de façon itérative durant le processus de classification même. Les échantillons partiellement étiquetés sont ensuite ajoutés à l’ensemble des échantillons étiquetés disponibles augmentant ainsi le nombre total d’échantillons d’entraînement et, par conséquent, la fiabilité des valeurs estimées des paramètres dans un classificateur paramétrique. Dans cette étude, nous proposons l’insertion d’une étape additionnelle dans la procédure itérative implantée dans le classificateur adaptatif afin de produire des estimations plus réalistes de la probabilité a priori des classes. La procédure proposée d’estimation de la probabilité a priori des classes, qui utilise la même approche pondérée que celle utilisée par le classificateur adaptatif, est efficace d’un point de vue temps de calcul et peut être implantée facilement. Des tests utilisant des données image hyperspectrales ont montré que l’approche proposée peut contribuer à atteindre des précisions plus grandes dans le processus de classification.[Traduit par la Rédaction]