Simultaneous feature selection and SVM parameter determination in classification of hyperspectral imagery using Ant Colony Optimization

Abstract

Hyperspectral remote sensing imagery, due to its rich source of spectral information, provides an efficient tool for land cover classifications in complex geographical areas. However, the high-dimensional space of this imagery poses two important challenges in the classification process: the Hughes phenomena and the existence of relevant and redundant features. The robustness of Support Vector Machines (SVM) in high-dimensional space makes them an efficient tool for classifying hyperspectral imagery. However, optimum SVM parameter determination and optimum feature selection are the two optimization issues that strongly effect SVM performance. Traditional optimization algorithms can discover optimum solutions in a limited search space with one local optimum. Nevertheless, in high-dimensional space traditional optimization algorithms usually get trapped in a local optimum, therefore it is necessary to apply meta-heuristic optimization algorithms to obtain near-global optimum solutions. This study evaluates ... L'imagerie hyperspectrale, à cause de son riche contenu en information spectrale, constitue un outil efficace pour la classification du couvert dans les espaces géographiques complexes. Cependant, la dimensionnalité élevée de ce type d'images pose deux défis importants dans le processus de classification : le phénomène de Hughes et l'existence de caractéristiques pertinentes et redondantes. La robustesse de l'outil SVM (machines à vecteurs de support) dans un espace de haute dimensionnalité fait de ces dernières un outil efficace pour la classification d'images hyperspectrales. Toutefois, la détermination des paramètres optimums du classifieur SVM et la sélection des caractéristiques optimums sont deux problématiques d'optimisation qui affectent grandement la performance des SVM. Les algorithmes traditionnels d'optimisation peuvent découvrir des solutions optimales dans un espace de recherche réduit avec un optimum local. Toutefois, dans un espace de haute dimensionnalité, les algorithmes traditionnels d'...