Classification of hyperspectral data using spectral-spatial approaches

Yuliya Tarabalka

Abstract : Hyperspectral imaging records a detailed spectrum of the received light in each spatial position in the image. Since different substances exhibit different spectral signatures, hyperspectral imagery is a well-suited technology for accurate image classification, which is an important task in many application domains. However, the high dimensionality of the data presents challenges for image analysis. While most of the previously proposed classification techniques process each pixel independently without considering information about spatial structures, recent research in image processing has highlighted the importance of the incorporation of spatial context in a classifier. In this thesis, we propose and develop novel spectral-spatial methods and algorithms for accurate classification of hyperspectral data. First, the integration of the Support Vector Machines (SVM) technique within a Markov Random Fields (MRFs) framework for context classification is investigated. SVM and MRF models are two powerful tools for high-dimensional data classification and for contextual image analysis, respectively. In a second step, we propose classification methods using adaptive spatial neighborhoods derived from region segmentation results. Different segmentation techniques are investigated and extended to the case of hyperspectral images. Then, approaches for combining the extracted spatial regions with spectral information in a classifier are developed. In a third step, we concentrate on approaches to reduce oversegmentation in an image, which is achieved by automatically “marking” the spatial structures of interest before performing a marker-controlled segmentation. Our proposal is to analyze probabilistic classification results for selecting the most reliably classified pixels as markers of spatial regions. Several marker selection methods are proposed, using either individual classifiers, or a multiple classifier system. Then, different approaches for marker-controlled region growing are developed, using either watershed or Minimum Spanning Forest methods and resulting in both segmentation and context classification maps. Finally, we explore possibilities of high-performance parallel computing on commodity processors for reducing computational loads. The new techniques, developed in this thesis, improve classification results, when compared to previously proposed methods, and thus show great potential for various image analysis scenarios.

Résumé : L'imagerie hyperspectrale enregistre un spectre detaillé de la lumière reçue dans chaque position spatiale de l'image. Comme des matières différentes manifestent des signatures spectrales différentes, l'imagerie hyperspectrale est une technologie bien adaptée pour la classification précise des images, ce qui est une tâche importante dans beaucoup de domaines appliqués. Cependant, la grande dimension des données complique l'analyse des images. La plupart des techniques de classification proposées précédemment traitent chaque pixel indépendamment, sans considérer l'information sur les structures spatiales. Cependant, la recherche récente en traitement d'images a souligné l'importance de l'incorporation du contexte spatial dans les classifieurs. Dans cette thèse, nous proposons et développons des nouvelles méthodes et algorithmes spectro-spatiaux pour la classification précise des données hyperspectrales. D'abord, l'intégration de la technique des Machines à Vecteurs de Support (SVM) dans le cadre des Champs Aléatoires de Markov (MRFs) pour la classification contextuelle est étudiée. Les SVM et les modèles markoviens sont les deux outils efficaces pour la classification des données de grande dimension et pour l'analyse contextuelle d'images, respectivement. Dans un second temps, nous avons proposé des méthodes de classification qui utilisent des voisinages spatiaux adaptatifs dérivés des résultats d'une segmentation. Nous avons étudié différentes techniques de segmentation et nous les avons adaptées pour le traitement des images hyperspectrales. Ensuite, nous avons développé des approches pour combiner les régions spatiales avec l'information spectrale dans un classifieur. Nous avons aussi étudié des techniques pour réduire la sur-segmentation en utilisant des marqueurs des structures spatiales d'intérêt afin d'effectuer la segmentation par marqueurs. Notre proposition est d'analyser les résultats de la classification probabiliste afin de sélectionner les pixels les plus fiablement classés comme des marqueurs des régions spatiales. Nous avons proposé plusieurs méthods pour la sélection des marqueurs, qui utilisent soit des classifieurs individuels, soit un ensemble de classifieurs. Ensuite, nous avons développé des techniques pour la segmentation par croissance de régions issues des marqueurs, en utilisant soit la ligne de partage d'eaux, soit une forêt couvrante de poids minimal, qui ont pour résultat les cartes de segmentation et de classification contextuelle. Finalement, nous considerons les possibilités du calcul parallèle à haute performance sur les processeurs d'un usage commode afin de réduire la charge du calcul. Les nouvelles méthodes développées dans cette thèse améliorent les résultats de classification par rapport aux méthodes proposées précédemment, et ainsi montrent un grand potentiel pour les différents scénarios de l'analyse d'image.

Classification of hyperspectral data using spectral-spatial approaches

Approches spectro-spatiales pour la classification d'images hyperspectrales

File

Identifiers

Citation

Export

Metrics

700

5151

en fr Classification of hyperspectral data using spectral-spatial approaches Approches spectro-spatiales pour la classification d'images hyperspectrales