ABSTRACT Subspace detection from high dimensional hyperspectral image (HSI) data cube has become an important area of research for efficient identification of ground objects. Standard feature extraction method such as Principal Component Analysis (PCA) has some drawbacks as it depends solely on global variance of the dataset generated. Folded-PCA (FPCA), an improvement of PCA, offers more benefits over PCA as it envisages both local and global structures of image contents and requires less computation and memory. These superior properties make FPCA more effective for feature extraction in high dimensional remote sensing images e.g. HSIs. Therefore, the proposed feature reduction method combines FPCA feature extraction with Normalized Cross Cumulative Residual Entropy (NCCRE) feature selection, termed as FPCA-NCCRE, for efficient features’ subspace detection. NCCRE is utilised as a means of feature selection over the new features generated from FPCA to obtain a more informative subspace. It is experimented on a real mixed agricultural and an urban hyperspectral dataset. Finally, Kernel Support Vector Machine (KSVM) is implemented to calculate the classification accuracy using the detected subspace. From the experiments, it is observed that the proposed method outperforms the baseline approaches and obtains the highest accuracy of 97.67 and 98.57% on the two real hyperspectral images.

中文翻译：

---

基于光谱和空间信息测量的高光谱图像分类的有效子空间检测

摘要从高维高光谱图像（HSI）数据立方体中进行子空间检测已成为有效识别地物的重要研究领域。主成分分析 (PCA) 等标准特征提取方法存在一些缺点，因为它仅依赖于生成的数据集的全局方差。折叠 PCA (FPCA) 是 PCA 的一种改进，与 PCA 相比，它提供了更多的好处，因为它设想了图像内容的局部和全局结构，并且需要更少的计算和内存。这些优越的特性使 FPCA 更有效地提取高维遥感图像（例如 HSI）中的特征。因此，所提出的特征减少方法将 FPCA 特征提取与归一化交叉累积残差熵 (NCCRE) 特征选择相结合，称为 FPCA-NCCRE，用于高效特征的子空间检测。NCCRE 被用作对 FPCA 生成的新特征进行特征选择的一种手段，以获得更多信息的子空间。它在一个真正的混合农业和城市高光谱数据集上进行了实验。最后，实现了核支持向量机 (KSVM) 以使用检测到的子空间计算分类精度。从实验中可以看出，所提出的方法优于基线方法，并在两张真实的高光谱图像上获得了 97.67% 和 98.57% 的最高准确率。实现内核支持向量机 (KSVM) 以使用检测到的子空间计算分类精度。从实验中可以看出，所提出的方法优于基线方法，并在两张真实的高光谱图像上获得了 97.67% 和 98.57% 的最高准确率。实现内核支持向量机 (KSVM) 以使用检测到的子空间计算分类精度。从实验中可以看出，所提出的方法优于基线方法，并在两张真实的高光谱图像上获得了 97.67% 和 98.57% 的最高准确率。