Multiple Spatial Features Extraction and Fusion for Hyperspectral Images Classification

Abstract

In recent decades, spatial feature extraction has greatly improved the performance of hyperspectral image (HSI) classification. This paper presents an HSI classification method based on multiple spatial features extraction and fusion (MSFs-EF). The method consists of five sequential steps. 1- Principal component analysis is applied for HSI dimensionality reduction. 2- A mean curvature filter is used to extract the spatial texture features from the HSI. 3- The spatial correlation features are obtained using a domain transform normalized convolution filter. 4- Spatial texture features and spatial correlation features are combined. 5- The multiple spatial features are classified using the Large Margin Distribution Machine. Three hyperspectral data sets are used to verify the performance. This method improves the accuracy of HSI classification compared with SVM method, edge-preserving filter, recursive filter method, and deep learning method. In the case of ratios of training samples of 5%, 0.6%, and 5%, the overall accuracy of three data sets reaches 98.23%, 99.17%, and 98.21% respectively, and are about 1.3%∼19%, 0.2%∼13%, and 0.4%∼13% higher than other fourteen algorithms. In the case of ratios of training samples of 10%, 1%, and 10%, the overall accuracy of the three data sets reaches 98.63%, 99.53%, and 98.99%, respectively and still outperform other methods.

RÉSUMÉ

Au cours des dernières décennies, l’extraction de caractéristiques spatiales a grandement amélioré les performances de classification des images hyperspectrales (HSI). Cet article présente une méthode de classification HSI basée sur l’extraction et la fusion de caractéristiques spatiales multiples (MSF-EF). La méthode comprend cinq étapes séquentielles. 1- L’analyse principale des composantes est appliquée pour la réduction de la dimensionnalité des HSI. 2- Un filtre de courbure moyen est utilisé pour extraire les caractéristiques de texture spatiale de l’HSI. 3- Les caractéristiques de corrélation spatiale sont obtenues à l’aide d’un filtre de convolution normalisé de transformation de domaine. 4- Les caractéristiques de texture spatiale et les caractéristiques de corrélation spatiale sont combinées. 5- Les caractéristiques spatiales multiples sont classées à l’aide de l’algorithme Large Margin Distribution Machine. Trois ensembles de données hyperspectrales sont utilisés pour vérifier les performances. Cette méthode améliore la précision de la classification HSI par rapport à l’approche SVM, au filtre de préservation des bords, à la méthode de filtre récursif, et la méthode d’apprentissage profond. Dans le cas de ratios d’échantillons de 5%, 0,6% et 5%, la précision globale des trois ensembles de données atteint 98,23%, 99,17% et 98,21% respectivement, et elles sont plus précises de 1,3% à 19%, de 0.2% à 13%, et de 0,4% à 13% que les quatre autres algorithmes. Dans le cas de ratios d’échantillons de 10%, 1% et 10%, la précision globale des trois ensembles atteint 98,63%, 99,53% et 98,99% respectivement et surpassent toujours les autres méthodes.

Additional information

Funding

This work was supported by National Natural Science Foundation of China [Grant No 61675051], Natural Science Foundation of Guangdong [Grant No 2018A030313195], Science and Technology Project of Guangzhou [Grant No 201804010262].