Ao de la consolidacin del Mar de Grau

Universidad Cientfica del Per.

Facultad de Ciencias E Ingenieras.
Escuela de Ingeniera Ambiental.

Integrantes:
ARIRAMA CUNAYAPE, Bill Adler.
GATICA HUESEMBER, Yoler Luis.
PINEDO SHAHUANO, Benjamin.
RIOS PANDURO, Alejandro.
RIOS PIZANGO, Lalesca Juliana.
Docente:
Jos Sanjurjo.
Ciclo:
VII
Curso:
GEOMATICA Y SIG.
PROCESAMIENTO DE IMGENES HIPERESPECTRALES:
MTODOS Y ENFOQUES
 HIPERESPECTRAL
DEFINICION. La formacin de
imgenes hiperespectrales consiste en
recopilar y procesar informacin a lo largo de
todo el espectro electromagntico.
La formacin de imgenes espectrales divide
el espectro en muchas bandas. Esta tcnica de
dividir las imgenes en bandas puede
extenderse ms all de lo visible. De aqu
surge la tcnica de formacin de imgenes
hiperespectrales.
Los Ingenieros construyen sensores y
sistemas de procesamiento para la aplicacin
de este mtodo de visin en la agricultura, la
mineraloga, la fsica, y la vigilancia. Los
sensores hiperespectrales miran a los objetos
usando una vasta porcin del espectro
electromagntico. Ciertos objetos dejan unas
huellas nicas a lo largo de todo el espectro
electromagntico catalogndolos como si
de huellas dactilares se tratara. Estas 'huellas
dactilares' que se conocen como firmas
espectrales permiten la identificacin de los
materiales que componen un objeto analizado.
Por ejemplo, una firma espectral para el
petrleo ayuda a mineralogistas a encontrar
 INTRODUCCIN

Los mecanismos hiperespectrales se ocupan

de la medicin, el anlisis y la interpretacin
de las bandas espectrales de una
determinada escena (o un objeto especfico)
adquiridos a corta, media o larga distancia,
generalmente, por un sensor en el aire o por
satlite. Las caractersticas especiales del
conjunto de datos hiperespectrales
presentan diferentes problemas de
procesamiento, que deben ser
necesariamente abordados bajo
formalismos matemticos especficos, como
la clasificacin y segmentacin o el anlisis
de mezcla espectral.
 MTODOS DE CLASIFICACIN

La clasificacin de imgenes Hiperespectral

ha sido un rea de investigacin muy activa
en los ltimos aos [3]. Dado un conjunto de
observaciones (es decir, vectores de pxeles
en una imagen hiperespectral), el objetivo de
la clasificacin es asignar una etiqueta nica
para cada vector de pixel de manera que est
bien definido por una clase dada. se
proporciona un resumen de una popular
estrategia para llevar a cabo la clasificacin
de imgenes hiperespectrales, que es sobre
la base de la disponibilidad de muestras
marcadas. Despus de una etapa opcional de
reduccin de dimensionalidad, un clasificador
supervisado est capacitado utilizando un
conjunto de muestras marcadas (que a
menudo son seleccionados al azar de un
mayor nmero de muestras) y despus se
prueba con un conjunto disjunto de marcado
de muestras con el fin de evaluar la precisin
de la clasificacin del clasificador.
 CLASIFICACIN SUPERVISADA

Clasificacin supervisada ha sido ampliamente utilizada en la interpretacin de los datos

hiperespectrales [2], Por ejemplo, en clasificadores discriminantes, varios tipos de funciones
discriminantes se pueden aplicar: vecino ms cercano, rboles de decisin, funciones lineales, o
funciones no lineales
 CLASIFICACIN ESPECTRAL-ESPACIAL

la clasificacin espectral-espacial (obtenida usando transformaciones morfolgicas)

proporciona una mejor interpretacin de clases, tales como caractersticas urbanas,
con una mejor delineacin y caracterizacin de las estructuras urbanas complejas.
informacin espacial y espectral, es el uso de campos aleatorios de Markov (MFR)
para la caracterizacin de la informacin espacial.
 ENFOQUES BASADOS EN SUBESPACIOS.

Los mtodos de proyeccin del subespacio han demostrado ser una poderosa clase de algoritmos de
clasificacin de patrones estadsticos. Estos mtodos pueden manejar la alta dimensionalidad de los datos
hiperespectrales llevndolo al subespacio correcto sin perder la informacin original que permite la separacin de
las clases. En este contexto, los mtodos de proyeccin del subespacio pueden proporcionar ventajas
competitivas mediante la separacin de las clases que son muy similares en el sentido espectral, respondiendo
as a las limitaciones en el proceso de clasificacin debido a la presencia de pxeles altamente mixtos. La idea
de aplicar mtodos de proyeccin del subespacio para mejorar la clasificacin, se basa en la suposicin bsica
de que las muestras dentro de cada clase pueden estar, aproximadamente, en un subespacio dimensional
inferior. Por lo tanto, cada clase puede ser representada por un subespacio generado por un conjunto de
vectores de la base, mientras que el criterio de clasificacin de una nueva muestra de entrada sera la distancia
desde la clase del subespacio.
 CLASIFICACIN SEMISUPERVISADO

es la disponibilidad limitada de muestras de entrenamiento

etiquetados, ya que su coleccin generalmente implica trabajos de
campo costosos. La suposicin principal de estas tcnicas es que las
nuevas muestras de entrenamiento (sin marcar) se pueden obtener
de un conjunto (limitado) de las muestras marcadas disponibles sin
significativo esfuerzo/costo.
 COMPARACIN EXPERIMENTAL

se ilustra el comportamiento de las tcnicas descritas en el apartado

anterior mediante el procesamiento de un conjunto de datos
hiperespectrales ampliamente usado y colectados por el sensor ptico
ROSIS. ). Esta escena ha sido ampliamente utilizada en la comunidad de las
imgenes hiperespectrales para evaluar el rendimiento de los algoritmos
de procesamiento .
 CONCLUSIONES Y DIRECCIONES FUTURAS

La variedad de tcnicas
particularmente ilustrada comprende
enfoques supervisados y
semisupervisado, tcnicas capaces de
explotar tanto la informacin espacial
y espectral, y tcnicas capaces de
tomar ventaja de una representacin
subespacial apropiada de los datos
hiperespectrales antes de realizar la
clasificacin en trminos espacio-
espectrales. Estos enfoques
representan una seleccin subjetiva
de la amplia gama de tcnicas
aprobadas actualmente para la
clasificacin de imgenes
hiperespectrales [3], que incluyen