Noyau de mahalanobis pour la classification d’images hyperspectrales: cartographie du frêne dans les Hautes-Pyrénées
Résumé
A kernel adapted to the high spectral dimension of hyperspectral images is discussed in this article. The kernel is based on the Mahalanobis distance defined for each class. A parsimonious probabilistic model is used for the inversion of the covariance matrix. The kernel reaches a trade-off between a conventional Gaussian kernel and a Gaussian kernel on the first principal components of the considered class. The proposed approach is compared to other methods for the classification of Ash tree in hyperspectral images. In terms of accuracies, the proposed kernel performs better than conventional Mahalanobis kernel and performs as well as the conventional Gaussian kernel.
Un noyau adapté à la grande dimension spectrale des images hyperspectrales est proposé dans cet article. Ce noyau repose sur la distance de Mahalanobis calculée pour chaque classe. Le calcul est rendu possible en grande dimension par l’utilisation d’un modèle probabiliste parcimonieux permettant de stabiliser l’inversion de la matrice de covariance lors du calcul de la distance. Ce noyau réalise un compromis entre un noyau appliqué sur les données originales et un noyau appliqué les données projetées sur les premiers axes propres de la classe considérée. Cette approche est comparée à d’autres méthodes pour classifier le frêne sur des images hyperspectrales. En termes de précision, le noyau proposé permet d’améliorer les résultats par rapport au noyau classique de Mahalanobis et donne des résultats similaire au noyau gaussien.