Unsupervised Band Selection with SPPF: A Spectral-Spatial Fuzzy Clustering Approach

Abstract

Anskaffelsen av et hyperspektralt bilde (HSI) innebærer å fange flere spektrale bånd innenfor et bestemt bølgelengdeområde. Behandling av HSIer er imidlertid krevende på grunn av den enorme mengden data. Båndseleksjons (BS) metoder er avgjørende for å håndtere utfordringen med høy dimensjonalitet og redundans av HSI data. Selv om det finnes flere unsupervised BS metoder, er det behov for ytterlige forskning knyttet til utnyttelse av romlig informasjon. For å adressere dette foreslås en forbedret hybrid av partikkelsvermoptimalisering (PSO) med fuzzy clustering (FCM), som inkorporerer romlig informasjon. Denne unsupervised BS-teknikken tar sikte på å forbedre HSI-klassifisering ved å håndtere utfordringene med høy dimensjonalitet og redundans i hyperspektral data.

Nyvinningen med denne tilnærmingen, referert til som Superpixel PSO-FCM (SPPF), ligger i utvidelsen av PSO-FCM ved å utnytte både spektral og romlig informasjon. Forskjellige avstandsmålinger som inkorporerer romlig informasjon blir presentert, og deres effekt på klassifiseringsytelse og effektivitet utforskes gjennom eksperimenter. For bedre å velge et delsett av bånd som effektivt representerer hele HSIer, samtidig som redundans minimeres, foreslår denne oppgaven å kombinere avstandsmålingene med forskjellige metoder å velge bånd fra en gruppering. Evaluering av ytelsen på tre forskjellige HSIer viser de lovende resultatene av den foreslåtte metoden.

Acquiring a hyperspectral image (HSI) involves capturing multiple spectral bands within a specific wavelength range. However, processing HSIs is computationally demanding due to the immense amount of data. Band selection (BS) methods are crucial in mitigating the challenge of high dimensionality and redundancy of HSI data. While several unsupervised BS techniques are available, such as those based on clustering, there is a need for further exploration into leveraging spatial information. To address this gap, an improved hybrid of the particle swarm optimization (PSO) algorithm with fuzzy clustering (FCM) is proposed, incorporating spatial information. This unsupervised BS technique aims to enhance HSI classification by addressing the challenges of high dimensionality and redundancy in hyperspectral data.

The novelty of this approach, referred to as Superpixel PSO-FCM (SPPF), lies in the extension of PSO-FCM by leveraging both spectral and spatial information. Different distance measures incorporating spatial information are presented, and their effect on classification accuracy and efficiency is explored through experiments. To better select a subset of bands that effectively represents the entire HSI, while minimizing redundancy, the thesis proposes combining the distance measures with different cluster-representative selection techniques. Performance evaluation on three HSIs showcases the promising results of the proposed method.