Classification of hyperspectral imagery with neural networks: comparison to conventional tools

Abstract

Efficient exploitation of hyperspectral imagery is of great importance in remote sensing. Artificial intelligence approaches have been receiving favorable reviews for classification of hyperspectral data because the complexity of such data challenges the limitations of many conventional methods. Artificial neural networks (ANNs) were shown to outperform traditional classifiers in many situations. However, studies that use the full spectral dimensionality of hyperspectral images to classify a large number of surface covers are scarce if non-existent. We advocate the need for methods that can handle the full dimensionality and a large number of classes to retain the discovery potential and the ability to discriminate classes with subtle spectral differences. We demonstrate that such a method exists in the family of ANNs. We compare the maximum likelihood, Mahalonobis distance, minimum distance, spectral angle mapper, and a hybrid ANN classifier for real hyperspectral AVIRIS data, using the full spectral resolution to map 23 cover types and using a small training set. Rigorous evaluation of the classification accuracies shows that the ANN outperforms the other methods and achieves ≈90% accuracy on test data.

Hiperspektrális távérzékelési módszerek alkalmazhatósága tájvizsgálatokban

“…A hiperspektrális, illetve LiDAR felvételezések elterjedésével megnövekedett adatmennyiség feldolgozása, értelmezése olyan kihívás elé állította a kutatókat, melynek megoldására mind a mai napig nem sikerült minden hatékonysági és minőségi szempontot kielégítő módszereket kidolgozni (Merényi et al 2007a, Merényi et al 2014. Jelen doktori disszertáció tárgya a nagy spektrális felbontású adatok feldolgozásának módszertani áttekintése és továbbfejlesztése volt, azzal a céllal, hogy Magyarországra jellemző környezeti problémák, tájváltozásokkal összefüggő földrajzi jelenségek távérzékeléses elemzéséhez minél pontosabb és hatékonyabb eljárásokat fejlesszek ki.…”

“…A neurális hálózatok sajátossága az adatok nemlineáris transzformációja, aminek köszönhetően pontosabban térképezhetők a hiperspektrális felvételek osztályai (Licciardi et al 2012, Benediktsson et al 1994) míg a sávszelekció és a főkomponens analízis szignifikáns információ veszteséghez vezethet (Howell et al 1994, Moon & Merényi 1995, Merényi et al 2014.…”

“…A Self-organizing Map (SOM) osztályozás előnyei különösen azoknál az alkalmazásoknál mutatkoznak meg, ahol a magas komplexitású adat belső összefüggéseit előzetesen klaszterezéssel kell feltárni, illetve ahol a vizsgált anyagok fizikai-kémiai tulajdonságai ezt megkövetelik, mint egyes geokémiai kutatásoknál (Penn 2005 (Merényi et al 2014).…”

“…Matematikai-statisztikai eljárásokkal, függvényvizsgálatokkal, valamint regressziós számításokkal lehet számszerűsíteni az elkülöníthetőség mértékét az egyes spektrális sávokon, az így kapott indexértékeket azonban fenntartásokkal érdemes kezelni, mivel nem feltétlenül tükrözik a kiválasztott legmegfelelőbb sávok tényleges osztályozási eredményeit (Visser et al 2013), egyes machine learning eljárások példája pedig azt mutatja, hogy magasabb pontosság érhető el, ha valamennyi, a sávszelekcióból kimaradt, zajmentes adatsávot felhasználjuk az elemzésekben (Howell et al 1994, Moon et al 1995, Merényi et al 2014). …”

“…Összehasonlítva a többi térképkivágattal, 40%-os valószínűségi küszöbérték mellett is jól kivehető egyes osztályok túlilleszkedésből fakadó dominanciája (26. ábra). Más tényezők mellett ez rávilágít a feature reduction okozta információ veszteségre és a csak kis mértékben zajos hiperspektrális adatsávok szerepére a spektrális diszkriminációban (Howell et al 1994, Moon et al 1995, Merényi et al 2014 ).…”