Original paper

An AdaBoost Ensemble Classifier System for Classifying Hyperspectral Data

[Klassifizierung von Hyperspektraldaten mit einem multiplen Klassifizierungssystem auf AdaBoost Basis]

Ramzi, Pouria; Samadzadegan, Farhad; Reinartz, Peter

Abstract

This paper presents a new multiple classifier system based on AdaBoost to overcome the high dimensionality problem of hyperspectral data. The hyperspectral data are first split into a number of band clusters based on the similarities between the contiguous band, and each band group is considered as an independent data source. The redundant bands in each cluster are then removed using branch and bound technique. Next, a support vector machine (SVM) is applied to each cluster and the outputs are combined using the weights calculated in AdaBoost iterations. Experimental results with AVIRIS and ROSIS datasets clearly demonstrate the superiority of the proposed algorithm in both overall and single class accuracies when compared to other multiple classifier systems. For AVIRIS data, which contain classes with greater complexity and fewer available training samples, the differences between the overall accuracies of the AdaBoost results are significantly higher compared to those of the other methods, and more pronounced than for the other dataset, In terms of class accuracies, the proposed AdaBoost approach also outperforms other methods in most of the classes.

Kurzfassung

In diesem Beitrag wird ein neues multiples Klassifizierungssystem auf AdaBoost Basis entwickelt, um das Problem der hohen Dimensionaltät von Hyperspektraldaten zu verringern. Die Hyperspektraldaten werden zunächst in eine Reihe von Spektralkanal-Clustern unterteilt, welche auf Ähnlichkeiten in benachbarten Kanälen beruhen. Jedes CIuster wird als unabhängige Daten-Teilmenge für die weitere Verarbeitung verwendet Zunächst werden die redundanten Kanäle in jedem Cluster entfernt und jeweils ein Support-Vector-Machine (SVM) Klassifizierungsalgorithmus angewendet. Die Ergebnisse werden gewichtet kombiniert, wobei die jeweiligen Gewichte aus den AdaBoost Iteralionen abgeleitel werden. Experimentelle Ergebnisse mit AVIRIS und ROSIS Datensätze zeigen deutlich die Überlegenheit des vorgeschlagenen Algorithmus im Vergleich zu anderen multiplen Klassifizierungssystemen, sowohl bei der Klassifizierungsgenauigkeit einzelner Klassen als auch bei der Gesamtgenauigkeit. Für AVIRIS Daten, welche Klassen mil höherer Komplexität enthalten und für die weniger Trainingsdaten zur Verfügung stehen, sind die Gesamtgenauigkeiten des AdaBoost Verfahrens signifikant höher und deutlich auffallender als bei dem anderen verwendeten Datensatz. In Bezug auf die Genauigkeit einzelner Klassen überlrifft der vorgeschlagene AdaBoost Ansatz die anderen Methoden ebenfalls für die meisten Einzelklassen.

Keywords

adaboostband clusteringhyperspectral datamultiple classifier systemssupport vector machines