Hyperspectral data are a curse with huge dimensionality, high redundancy of spectral information, and are noisy in nature. Hundreds of narrow adjacent bands are present in HS (Hyperspectral) data with high spectral information and it always leads to a computational complexity in space and time. The information theoretic methods are used for hyperspectral band selection to avoid computational complexity. In order to address this issue, the new fusion of Mutual Information (MI) with Otsu (MI_Otsu) threshold method is proposed for hyperspectral band selection by employing three different entropy measures such as joint, conditional, and relative. The proposed approach identifies the probabilities, entropy, and mutual information between two hyperspectral bands. The optimal threshold is obtained using Otsu multi-threshold technique and highly informative bands will be selected. In addition, the SVM (Support Vector Machine) classification technique is adapted for further classification of selected bands to analyze the performance of the proposed algorithm. The experimental analysis is carried out using the real-time dataset from the test site ‘Indian Pines’ in Northwestern Indiana recorded by AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) sensor that demonstrates the effectiveness of this proposed approach. It is proved that the proposed work shows the competitive performance even with less selected bands and the relative MI_Otsu method shows a higher accuracy of 92.16% with the comparison of joint and conditional MI_Otsu.

高光谱数据是一种维数巨大、光谱信息冗余度高、噪声大的灾难。在具有高光谱信息的 HS（高光谱）数据中存在数百个窄相邻波段，这总是导致空间和时间的计算复杂性。信息论方法用于高光谱波段选择以避免计算复杂性。为了解决这个问题，提出了一种新的互信息（MI）与大津（MI_Otsu）阈值方法的融合，通过采用联合、条件和相对三种不同的熵度量来进行高光谱波段选择。所提出的方法识别两个高光谱波段之间的概率、熵和互信息。使用 Otsu 多阈值技术获得最佳阈值，并将选择信息量大的波段。此外，SVM（支持向量机）分类技术适用于所选频段的进一步分类，以分析所提出算法的性能。实验分析是使用来自印第安纳州西北部测试站点“印度松树”的实时数据集进行的，该数据集由 AVIRIS（机载可见光/红外成像光谱仪）传感器记录，证明了该方法的有效性。事实证明，即使选择较少的频段，所提出的工作也显示出有竞争力的性能，并且相对 MI_Otsu 方法与联合和条件 MI_Otsu 的比较显示出更高的准确率，达到 92.16%。SVM（支持向量机）分类技术适用于所选频段的进一步分类，以分析所提出算法的性能。实验分析是使用来自印第安纳州西北部测试站点“印度松树”的实时数据集进行的，该数据集由 AVIRIS（机载可见光/红外成像光谱仪）传感器记录，证明了该方法的有效性。事实证明，即使选择较少的频段，所提出的工作也显示出有竞争力的性能，并且相对 MI_Otsu 方法与联合和条件 MI_Otsu 的比较显示出更高的准确率，达到 92.16%。SVM（支持向量机）分类技术适用于所选频段的进一步分类，以分析所提出算法的性能。实验分析是使用来自印第安纳州西北部测试站点“印度松树”的实时数据集进行的，该数据集由 AVIRIS（机载可见光/红外成像光谱仪）传感器记录，证明了该方法的有效性。事实证明，即使选择较少的频段，所提出的工作也显示出有竞争力的性能，并且相对 MI_Otsu 方法与联合和条件 MI_Otsu 的比较显示出更高的准确率，达到 92.16%。实验分析是使用来自印第安纳州西北部测试站点“印度松树”的实时数据集进行的，该数据集由 AVIRIS（机载可见光/红外成像光谱仪）传感器记录，证明了该方法的有效性。事实证明，即使选择较少的频段，所提出的工作也显示出有竞争力的性能，并且相对 MI_Otsu 方法与联合和条件 MI_Otsu 的比较显示出更高的准确率，达到 92.16%。实验分析是使用来自印第安纳州西北部测试站点“印度松树”的实时数据集进行的，该数据集由 AVIRIS（机载可见光/红外成像光谱仪）传感器记录，证明了该方法的有效性。事实证明，即使选择较少的频段，所提出的工作也显示出有竞争力的性能，并且相对 MI_Otsu 方法与联合和条件 MI_Otsu 的比较显示出更高的准确率，达到 92.16%。