A comparative study of multiscale representations for spatial-spectral classification of hyperspectral imagery

• Maria C. Torres-Madronero ^[1]
  1. [1] Instituto Tecnológico Metropolitano

     Instituto Tecnológico Metropolitano

     Colombia

     
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 84, Nº. 200, 2017, págs. 129-134
• Idioma: inglés
• Títulos paralelos:
  • Estudio comparativo de representaciones multiescala para clasificación de imágenes hiperespectrales
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Los sensores remotos hiperespectrales adquieren datos a lo largo de cientos de bandas estrechas a través del espectro electromagnético permitiendo la caracterización de las superficies terrestres y marítimas para la observación de la Tierra. El procesamiento de imágenes hiperespectrales requiere de algoritmos que combinen la información espacial y espectral. Una forma de tomar ventaja de los datos espaciales y espectrales en las imágenes hiperespectrales es usar representaciones multiescala. Una representación multiescala genera una familia de imágenes donde los detalles finos son sistemáticamente removidos. Este artículo compara dos enfoques de representación multiescala para mejorar la clasificación de imágenes hiperespectrales. El primer enfoque se base en difusión no linear la cual obtiene la representación multiescala por medio de sucesivos filtros. El segundo se basa en un árbol de partición binaria, un enfoque inspirado en crecimiento de regiones. La comparación se realiza usando la imagen hiperespectral Indian Pines y un clasificador de máquinas de soporte vectorial. Ambos enfoques de representación permiten mejorar la clasificación de la imagen hiperespectral. Pero, los resultados de difusión no lineal superan los obtenidos usando el árbol de partición binaria.

  • English

    Hyperspectral remote sensors acquire data coming from hundreds of narrow bands through the electromagnetic spectrum; this allows the terrestrial and maritime surfaces to be characterized for Earth observation. Hyperspectral image processing requires algorithms that combine spatial and spectral information. One way to take full advantage of spatial-spectral data within hyperspectral imagery is to use multiscale representations. A multiscale representation generates a family of images were fine details are systematically removed. This paper compares two multiscale representation approaches in order to improve the classification of hyperspectral imagery. The first approach is based on nonlinear diffusion, which obtains a multiscale representation by successive filtering. The second is based on binary partition tree, an approach inspired in region growing. The comparison is performed using a real hyperspectral image and a supper vector machine classifier. Both representation approaches allowed the classification of hyperspectral imagery to be improved. However, nonlinear diffusion results surpassed those obtained using binary partition tree.