Hyperspectral Imaging: A comparative study of supervised learning algorithms

• Mailson R. M. Guimarães Universidade Federal do Rio Grande do Norte
• Anne M. P. Canuto Universidade Federal do Rio Grande do Norte
• Márcio Eduardo Kreutz Universidade Federal do Rio Grande do Norte

DOI: https://doi.org/10.5753/eniac.2023.234553

Resumo

O presente trabalho mostra um estudo em torno de uma base de dados de imagens hiperespectrais, realizando-se manipulações nesta para a derivação de novas bases de dados para que seja possível observar o comportamento dessas manipulações nos resultados. Além disso, é realizada a automatização do processo de classificação de pixels através da aplicação de algoritmos de aprendizado com diferentes razões de divisão entre as bases de teste e treinamento. Também foram implementados comitês de classificadores como forma de melhorar a acurácia. Os resultados mostram que a Multilayer Perceptron (MLP) é o método com maior acurácia dentre os implementados, atigindo valores superiores a 85% e fornecendo resultados semelhantes aos dos comitês. Dentre as bases analisadas, as que mostraram melhor resultado foi a base original (inalterada) e a que teve seus atributos reduzidos para 20 componentes principais através do algoritmo Principal Component Analysis (PCA). Além disso, devido à consideração dos pixels sem classe definida, obsevou-se uma limitação de acurácia para os algoritmos implementados.

Palavras-chave: Hyperspectral imaging, Supervised Learning, Ensemble Learning

Referências

Akbari, D. (2020). A novel method for spectral-spatial classification of hyperspectral images with a high spatial resolution. Arabian Journal of Geosciences, 13(23).

Chen, H., Miao, F., Chen, Y., Xiong, Y., and Chen, T. (2021). A hyperspectral image classification method using multifeature vectors and optimized kelm. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14:2781–2795.

Edmund Optics (c2023). Hyperspectral and multispectral imaging. [link]. Accessed: 2023-06-02.

Lillesand, T., Kiefer, R., and Chipman, J. (2015). Remote Sensing and Image Interpretation, 7th Edition. Wiley.

Paoletti, M., Haut, J., Plaza, J., and Plaza, A. (2019). Deep learning classifiers for hyperspectral imaging: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 158:279–317.

Sildir, H., Aydin, E., and Kavzoglu, T. (2020). Design of feedforward neural networks in the classification of hyperspectral imagery using superstructural optimization. Remote Sensing, 12(6).

Tan, K., Wu, F., Du, Q., Du, P., and Chen, Y. (2019). A parallel gaussian–bernoulli restricted boltzmann machine for mining area classification with hyperspectral imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(2):627–636.