Para aproveitar plenamente os recursos espaço-espectrais contidos em imagens hiperespectrais, propõe-se um algoritmo de extração de características de imagens hiperespectrais baseado em análise discriminante local espaço-espectral semi-supervisionada (S₄LFDA). Considerando que os conjuntos de dados hiperespectrais apresentam consistência espacial, primeiro os pixels são reconstruídos espacialmente para preservar as relações de vizinhança dos dados hiperespectrais; em seguida, a divergência da informação espectral é introduzida para reconstruir a similaridade entre os pixels; para aproveitar uma grande quantidade de amostras não rotuladas para melhorar o desempenho do algoritmo, o algoritmo de agrupamento fuzzy c-means é utilizado para realizar análise de agrupamento e obter pseudo-rótulos; depois, adiciona-se um termo de regularização nas matrizes de dispersão intra-classe e entre classes do algoritmo de FDA local para manter a consistência da estrutura de agrupamento das amostras não rotuladas; finalmente, o algoritmo local de FDA mantém a maximização da dispersão entre classes e a minimização da dispersão intra-classe das amostras rotuladas e resolve o vetor de projeção ótimo. O algoritmo S₄LFDA mantém tanto a separabilidade dos dados no domínio espectral quanto as relações de vizinhança espacial dos pixels, utilizando razoavelmente amostras rotuladas e não rotuladas, melhorando o desempenho de classificação do algoritmo. Experimentos foram realizados nos conjuntos de dados Pavia University e Indian Pines, com precisão geral de classificação de 95,60% e 94,38%, respectivamente. Em comparação com outros algoritmos de redução de dimensionalidade, este algoritmo melhora efetivamente o desempenho de classificação de objetos terrestres.

imagem hiperespectral;semi-supervisionado;espaço-espectral;análise discriminante;extração de características;classificação de objetos