Abstract
In recent years, the spatial texture features obtained by filtering have become a hot research topic to improve hyperspectral image classification, but spatial correlation information is often lost in spatial texture information extraction. To solve this problem, a spectral-spatial classification method based on guided filtering and by the algorithm Large Margin Distribution Machine (LDM) is proposed. More specifically, the spatial texture features can be extracted by a Guided filter (GDF) from hyperspectral images whose dimensionality is reduced by a Principal Component Analysis (PCA). Spatial correlation features of the hyperspectral image are then obtained using a Domain Transform Interpolated Convolution Filter. The last step is to fuse spatial texture features and correlation features for classification by LDM. The experimental results using the actual hyperspectral image indicate that the proposed GDFDTICF-LDM method is superior to other classification methods, such as the original Support Vector Machine (SVM) with raw spectral features, dimensionality reduction features and spatial-spectral information, methods of edge-preserving filter and recursive filter, and LDM-based methods.
RÉSUMÉ
Ces dernières années, les caractéristiques de la texture spatiale obtenues par filtrage sont devenues un sujet de recherche populaire et ce afin d’améliorer la classification d’images hyperspectrales. Toutefois, les corrélations spatiales sont souvent perdues dans l’extraction d’information sur la texture spatiale. Pour résoudre ce problème, on propose une méthode de classification spectrale-spatiale basée sur un filtrage guidée et l’algorithme (Large Margin Distribution Machine (LDM)). Plus précisément, les caractéristiques spatiales de la texture peuvent être extraites par un filtre (GDF) d’images hyperspectrales dont la dimensionnalité est réduite par l’ACP. Les caractéristiques de la corrélation spatiale de l’image hyperspectrale sont alors obtenues en utilisant un filtre appelé Domain Transform Interpolated Convolution (DTICF). La dernière étape consiste à fusionner les caractéristiques spatiales de texture et de corrélation pour la classification LDM. Les résultats expérimentaux sur une image hyperspectrale réelle indiquent que la méthode GDFDTICF-LDM proposée est supérieure aux autres méthodes de classification, comme le SVM original avec des caractéristiques spectrales brutes, les fonctions de réduction de la dimensionnalité spatiale et spectrale, les filtres de préservation des contours, les filtres récursifs et les méthodes LDM.