Para aprovechar al máximo las características espacio-espectrales contenidas en imágenes hiperespectrales, se propone un algoritmo de extracción de características de imágenes hiperespectrales basado en un análisis discriminante local espacio-espectral semi-supervisado (S₄LFDA). Dado que los conjuntos de datos hiperespectrales tienen coherencia espacial, primero se reconstruyen espacialmente los píxeles para preservar las relaciones de vecindad de los datos hiperespectrales; posteriormente, se introduce la divergencia de la información espectral para reconstruir la similitud entre los píxeles; para aprovechar al máximo una gran cantidad de muestras no etiquetadas y mejorar el rendimiento del algoritmo, se utiliza el algoritmo de agrupamiento fuzzy c-medias para obtener etiquetas falsas; luego, mediante la adición de un término de regularización en las matrices de dispersión intra-clase e inter-clase del análisis discriminante local (FDA) se mantiene la consistencia de la estructura de agrupamiento de las muestras no etiquetadas; finalmente, mediante el algoritmo FDA local se maximiza la dispersión inter-clase y se minimiza la dispersión intra-clase de las muestras etiquetadas y se resuelve el vector de proyección óptimo. El algoritmo S₄LFDA preserva tanto la separabilidad de los datos en el dominio espectral como las relaciones de vecindad de los píxeles en el área espacial, utiliza razonablemente muestras etiquetadas y no etiquetadas, mejorando el rendimiento de clasificación del algoritmo. Se realizaron experimentos en los conjuntos de datos Pavia University e Indian Pines, obteniéndose precisiones globales de clasificación de 95.60% y 94.38%, respectivamente. En comparación con otros algoritmos de reducción de dimensionalidad, este algoritmo mejora eficazmente el rendimiento de clasificación de las clases de objetos terrestres.

imagen hiperespectral;semi-supervisado;espacio-espectral;análisis discriminante;extracción de características;clasificación de objetos