Pour exploiter pleinement les caractéristiques spatiales et spectrales contenues dans les images hyperspectrales, une méthode d'extraction de caractéristiques d'images hyperspectrales basée sur une analyse discriminante locale spatiale et spectrale semi-supervisée (S₄LFDA) est proposée. Étant donné que les ensembles de données hyperspectrales présentent une cohérence spatiale, les pixels sont d'abord reconstruits spatialement pour préserver les relations de voisinage des données hyperspectrales ; ensuite, la divergence de l'information spectrale est introduite pour reconstruire la similarité entre les pixels ; afin de tirer avantage d'un grand nombre d'échantillons non étiquetés pour améliorer les performances de l'algorithme, une analyse de regroupement par fuzzy c-means est utilisée pour obtenir des pseudo-étiquettes ; puis, une régularisation est ajoutée aux matrices de dispersion intra-classes et inter-classes de l'algorithme discriminant local (FDA) pour maintenir la cohérence de la structure de clustering des échantillons non étiquetés ; enfin, l'algorithme local FDA maximise la dispersion inter-classes et minimise la dispersion intra-classe des échantillons étiquetés afin de résoudre le vecteur de projection optimal. L'algorithme S₄LFDA conserve à la fois la séparabilité des données dans le domaine spectral et les relations de voisinage spatiales des pixels, utilise judicieusement les échantillons étiquetés et non étiquetés et améliore les performances de classification de l'algorithme. Des expériences sur les ensembles de données Pavia University et Indian Pines ont montré des précisions globales de classification de 95,60 % et 94,38 % respectivement. Comparé à d'autres algorithmes de réduction de dimension, cet algorithme améliore efficacement les performances de classification des objets au sol.

image hyperspectrale;semi-supervisé;spatial spectral;analyse discriminante;extraction de caractéristiques;classification des objets