하이퍼스펙트럼 영상에 내재된 공간-스펙트럼 특징을 최대한 활용하기 위해 반지도 학습 공간-스펙트럼 국소 판별 분석 기반 하이퍼스펙트럼 영상 특징 추출 알고리즘(S₄LFDA)을 제안하였다. 하이퍼스펙트럼 데이터셋이 공간적 일관성을 가지므로, 먼저 픽셀을 공간적으로 재구성하여 하이퍼스펙트럼 데이터의 이웃 관계를 보존하였다. 다음으로 스펙트럼 정보 분산을 도입하여 픽셀 간 유사도를 재구성하였다. 대량의 라벨이 없는 샘플을 활용하여 알고리즘 성능을 향상시키기 위해 퍼지 C-평균 클러스터링 알고리즘을 사용하여 샘플 클러스터링 후 의사 라벨을 얻었다. 그리고 지역력 유도 알고리즘(FDA)의 클래스 내 분산 행렬과 클래스 간 분산 행렬에 정규화 항을 추가하여 라벨이 없는 샘플의 클러스터 구조 일관성을 유지하였다. 마지막으로 지역 FDA 알고리즘을 통해 라벨이 있는 샘플의 클래스 간 분산 최대화와 클래스 내 분산 최소화를 유지하고 최적의 투영 벡터를 구하였다. S₄LFDA 알고리즘은 데이터 집합의 스펙트럼 영역에서 분리 가능성을 유지하는 동시에 픽셀의 공간 영역 내 이웃 관계도 유지하여 라벨이 있는 샘플과 없는 샘플을 합리적으로 활용하여 알고리즘의 분류 성능을 향상시켰다. Pavia 대학교 및 Indian Pines 데이터셋에서 실험한 결과 전체 분류 정확도가 각각 95.60% 및 94.38%에 달하였다. 다른 차원 축소 알고리즘과 비교할 때 본 알고리즘은 지물 분류 성능을 효과적으로 향상시켰다.

하이퍼스펙트럼 영상;반지도 학습;공간-스펙트럼;판별 분석;특징 추출;지물 분류