"Robust Band Selection Algorithms for Thematic Classification of Hyperspectral Image"

Abstract

La sélection des bandes est l’un des problèmes les plus importants de la classification des images hyperspectrales. En effet, la présence de bandes non pertinentes et / ou redondantes peut nuire à la précision de la classification. La présente thèse décrit un effort visant à conserver les bandes spectrales pertinentes et fournissant des informations de discrimination utiles au classifieur. Notre objectif est de développer des nouveaux algorithmes de sélection de bandes utiles pour sélectionner l'ensemble réduit de bandes informatives, pertinentes et non redondantes avant la classification. Ces techniques doivent naturellement être robustes et fiables. Dans ce contexte, trois contributions ont été présentées. Dans la première contribution, nous avons utilisé l’information mutuelle MI comme critère d’évaluation pour mesurer la pertinence des bandes spectrales. Nous étudions l'efficacité de quatre algorithmes MIFS (Mutual Information Feature Selector) pour sélectionner les bandes informatives pour la classification des images hyper-spectrales. Ces algorithmes sont: MIFS, MIFS-U, MIFS-U2 et NMIFS. La deuxième contribution présente une nouvelle approche appelée sélection de bande de prédiction linéaire pondérée (WLPBS), basée sur la mesure de la similarité de bande. Cette méthode apporte une amélioration pour réduire l'influence des valeurs aberrantes dans l'algorithme de sélection et pour minimiser la corrélation entre les bandes sélectionnées à l'aide du critère de prédiction linéaire pondéré WLP. Ce dernier est une adaptation de l’algorithme des moindres carrés pondérés. La troisième contribution, axée sur l’approche robust PCA par projection-poursuite, où les CPs sont extraites des données en recherchant des directions permettant de maximiser une mesure robuste de la variance des données projetées. L'utilisation d'une mesure de variance robuste évite que les CPs soient attirés par les valeurs aberrantes. Les algorithmes mentionnés précédemment sont évalués sur deux bases de données réelles AVIRIS (Indian Pine et Salinas). leurs performances sont évaluées par le classifieur SVM en termes de bonne précision de classification et de taux de réduction de bande, et ils sont comparées aux vérités de terrain et aux algorithmes existent dans la litterature. Les résultats obtenus montrent la validité et l'efficacité des méthodes proposée. L'objectif de la classification est la production automatique de cartes thématiques numériques.