Improving Spatial-Spectral Classification of Hyperspectral Imagery by Using Extended Minimum Spanning Forest Algorithm

Abstract

Many researches have demonstrated that the spatial information can play an important role in the classification of hyperspectral imagery. Recently, an effective approach for spatial-spectral classification has been proposed using Minimum Spanning Forest (MSF) algorithm. Our goal is to improve this approach to the classification of hyperspectral images in urban areas. In the proposed method two spatial/texture features, using wavelet and Gabor filters, are first extracted. The Weighted Genetic (WG) algorithm is then used to obtain the subspace of hyperspectral data and texture features. They are then fed into a novel marker-based MSF classification algorithm. In this algorithm, the markers are extracted from the two spatial-spectral classification maps. To evaluate the efficiency of the proposed approach two image datasets, Pavia University acquired by ROSIS-03 and Berlin by HyMap, were used. Experimental results demonstrate that the proposed approach achieves approximately 17% and 14% better overall accuracy than the original MSF-based algorithm for these datasets, respectively.

RÉSUMÉ

De nombreuses recherches ont démontré que l’information spatiale peut jouer un rôle important dans la classification de l’imagerie hyperspectrale. Récemment, une approche efficace pour la classification spatiale-spectrale a été proposée en utilisant l’algorithme, Minimum Spanning Forest (MSF). Notre objectif est d’améliorer cette approche de la classification des images hyperspectrales en milieu urbain. Dans la méthode proposée, deux caractéristiques spatiales et de texture, utilisant des filtres d’ondelettes et de Gabor, sont d’abord extraites. L’algorithme génétique pondéré (WG) est ensuite utilisé pour obtenir le sous-espace des données hyperspectrales et des caractéristiques de texture. Ils sont ensuite introduits dans un nouvel algorithme de classification MSF basé sur des marqueurs. Dans cet algorithme, les marqueurs sont extraits des deux cartes de classification spatiale-spectrale. Pour évaluer l’efficacité de l’approche proposée, deux ensembles de données d’images, celui de l’Université de Pavie acquise par ROSIS-03 et celui de Berlin par HyMap, ont été utilisés. Les résultats expérimentaux démontrent que l’approche proposée atteint une précision globale d’environ 17% et 14% supérieure à l’algorithme MSF d’origine pour ces ensembles de données, respectivement.

Acknowledgements

The authors would like to thank Pr. P. Gamba from the University of Pavia, Italy, and German Aerospace Center (DLR) for providing the hyperspectral datasets used in this research.