Combined Spatial-Spectral Schroedinger Eigenmaps with Multiple Kernel Learning for Hyperspectral Image Classification Using a Low Number of Training Samples

Abstract

The classification of hyperspectral images is one of the most popular fields in remote sensing applications. It should be noted that spectral and spatial features have critical roles in this research area. This paper proposes a method based on spatial-spectral Schroedinger eigenmaps (SSSE) and multiple kernel learning (MKL) to classify hyperspectral images more efficiently while using a low number of training samples. In the proposed method, first SSSE is applied to spectral domain in order to extract significant features and reduce dimension of the original image. Then MKL is utilized to enhance the feature learning process and obtain an optimum combination of some specified kernels. Finally, the classification is carried out by substituting the optimal kernel in support vector machine (SVM) algorithm. Experimental results show that the proposed method improves classification accuracy significantly and provides highly efficient results in the case of a small number of training samples. Furthermore, the computation time of the proposed method is much lower than the state-of-the-art MKL methods.

RÉSUMÉ

La classification des images hyperspectrales est l'un des domaines populaires des applications de la télédétection. Il convient de noter que les caractéristiques spectrales et spatiales jouent un rôle essentiel dans ce domaine de recherche. Cet article propose une méthode basée sur des cartes propres spatiales et spectrales de Schroedinger (SSSE) et l'apprentissage à noyaux multiples (MKL) pour classer plus efficacement des images hyperspectrales tout en utilisant un faible nombre d'échantillons d'entraînement. Dans la méthode proposée, le SSSE est d'abord appliqué au domaine spectral afin d'extraire des caractéristiques significatives et de réduire la dimension de l'image originale. Ensuite, MKL est utilisé pour améliorer le processus d'apprentissage des caractéristiques et obtenir une combinaison optimale de certains noyaux précis. Enfin, la classification est effectuée en substituant le noyau optimal de l'algorithme de la machine à vecteurs de support (SVM). Les résultats expérimentaux montrent que la méthode proposée améliore considérablement la précision de la classification et fournit des résultats très efficaces dans le cas d'un petit nombre d'échantillons d'apprentissage. En outre, le temps de calcul de la méthode proposée est beaucoup plus court que celui des méthodes MKL les plus utilisées.

Acknowledgments

The authors would like to thank the University of Pavia, Pavia, Italy, for collecting the Pavia dataset, as well as Purdue University, Indiana, USA, for providing the Indian Pines dataset.