Resumo Este artigo investiga um método de classificação alternativo que integra o algoritmo de clusterização propagação de afinidade baseado nas classes (PAC) e o Classificador Máxima Verossimilhança (MAXVER) com a finalidade de superar as limitações do MAXVER na classificação de dados de alta dimensionalidade e, assim, melhorar a sua acurácia. O novo classificador foi designado PAC-MAXVER, e compreende duas abordagens, seleção de características espectrais e classificação de imagem. O algoritmo de clusterização PAC foi usado para realizar a redução de dimensionalidade da imagem e seleção de características enquanto o MAXVER foi utilizado para a classificação da imagem. O desempenho do MAXVER em termos de acurácia da classificação e tempo de processamento é determinado em função da taxa de seleção realizada na fase de clusterização PAC. O desempenho de PAC-MAXVER foi avaliado e validado usando duas cenas hiperespectrais do AVIRIS (Airborne Visible Infrared Imaging Spectrometer) e HYDICE (Hyperspectral Digital Imagery Collection Experiment). Os resultados da classificação mostram que PAC-MAXVER observou uma enorme melhoria na acurácia, atingindo 94.15% e 96.47%, respectivamente, para AVIRIS e HYDICE se comparado com o MAXVER, que obteve 85.42% e 81.50%. Esses valores obtidos pelo PAC-MAXVER melhoraram a acurácia da classificação MAXVER em 8.73% e 14.97% para essas imagens. Os resultados também mostraram que o PAC-MAXVER teve um bom desempenho, mesmo para as classes com número limitado de amostras de treinamento, superando as limitações do MAXVER.

Abstract This paper investigates an alternative classification method that integrates class-based affinity propagation (CAP) clustering algorithm and maximum likelihood classifier (MLC) with the purpose of overcome the MLC limitations in the classification of high dimensionality data, and thus improve its accuracy. The new classifier was named CAP-MLC, and comprises two approaches, spectral feature selection and image classification. CAP clustering algorithm was used to perform the image dimensionality reduction and feature selection while the MLC was employed for image classification. The performance of MLC in terms of classification accuracy and processing time is determined as a function of the selection rate achieved in the CAP clustering stage. The performance of CAP-MLC has been evaluated and validated using two hyperspectral scenes from the Airborne Visible Infrared Imaging Spectrometer (AVIRIS) and the Hyperspectral Digital Imagery Collection Experiment (HYDICE). Classification results show that CAP-MLC observed an enormous improvement in accuracy, reaching 94.15% and 96.47% respectively for AVIRIS and HYDICE if compared with MLC, which had 85.42% and 81.50%. These values obtained by CAP-MLC improved the MLC classification accuracy in 8.73% and 14.97% for these images. The results also show that CAP-MLC performed well, even for classes with limited training samples, surpassing the limitations of MLC.

Resumo: A identificação de padrões de dados subjacentes significativos tais como composição de imagem e arranjos espaciais é crucial em tarefas de sensoriamento remoto. Porém, o desenvolvimento de uma abordagem eficaz para extração de informações é crucial para alcançar esse objetivo. O algoritmo propagação de afinidade (PA) é uma técnica nova e poderosa capaz de lidar com dados incomuns, contendo atributos numéricos e/ou categóricos. No entanto, PA tem algumas limitações relacionadas com a escolha do parâmetro preferência inicial, ocorrência de oscilações e processamento de grandes conjuntos de dados. Este artigo avalia o desempenho da clusterização do algoritmo PA levando em consideração a influência do parâmetro preferência e o fator de amortecimento. O estudo foi realizado considerando o algoritmo PA, PA adaptativa e PA por partição. De acordo com os experimentos, a escolha da preferência e do fator de amortecimento influenciam grandemente no número de clusters final e na qualidade da clusterização.

Abstract: The identification of significant underlying data patterns such as image composition and spatial arrangements is fundamental in remote sensing tasks. Therefore, the development of an effective approach for information extraction is crucial to achieve this goal. Affinity propagation (AP) algorithm is a novel powerful technique with the ability of handling with unusual data, containing both categorical and numerical attributes. However, AP has some limitations related to the choice of initial preference parameter, occurrence of oscillations and processing of large data sets. This paper evaluates the clustering performance of AP algorithm taking into account the influence of preference parameter and damping factor. The study was conducted considering the AP algorithm, the adaptive AP and partition AP. According to the experiments, the choice of preference and damping greatly influences on the quality and the final number of clusters.