A comparative study of multiscale representations for spatialspectral classification of hyperspectral imagery

Abstract

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.