1 / 15

Imagenes hiperespectrales: introducción

Imagenes hiperespectrales: introducción. Signal processing for Hyperespectral Image Exploitation, G. Shaw, D. Manolakis, IEEE Signal Processing Magazine, Jan 2002, p.12-16. Introducción. Se trata de imágenes obtenidas con sensores que muestrean de forma fina el espectro.

aizza
Download Presentation

Imagenes hiperespectrales: introducción

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Imagenes hiperespectrales: introducción Signal processing for Hyperespectral Image Exploitation, G. Shaw, D. Manolakis, IEEE Signal Processing Magazine, Jan 2002, p.12-16 imagenes hiperespectrales : introduccion

  2. Introducción • Se trata de imágenes obtenidas con sensores que muestrean de forma fina el espectro. • Permiten la identificación remota de materiales y condiciones especiales. • La alta dimensión de los datos dificulta el análisis y el almacenamiento. • No existen espectros puros fuera de las condiciones de laboratorio: mezcla de espectros. imagenes hiperespectrales : introduccion

  3. Introducción • Electro-optical remote sensing: adquisición de información sobre un objeto sin llegar a tomar contacto físico. • El hecho básico es que cada objeto refleja y absorbe la luz de distintas maneras dependiendo de su composición molecular y forma. • El espectro o firma espectral es la medición por un sensor de la luz reflejada por los objetos para cada longitud de onda en un amplio ancho de banda. • Espectroscopia: medición, análisis e interpretación de los espectros. imagenes hiperespectrales : introduccion

  4. Introducción • Muestreo: • Espacial: tamaño del pixel en el suelo, varia de metros a decenas de metros. Depende de la apertura del sensor y de la altitud. • Espectral: se consigue por prismas o interferometros. Un conversor A/D convierte la radiancia muestreada en cada canal espectral. • Temporal: corresponde a la colección de múltiples imagenes hiperespectrales de la misma escena en el tiempo. imagenes hiperespectrales : introduccion

  5. imagenes hiperespectrales : introduccion

  6. Region visible del espectro: 0.4-0.7mm. NIR: Infrarrojo cercano 2.4mm. MWIR: onda media infrarroja LWIR: onda larga infrarroja imagenes hiperespectrales : introduccion

  7. Cubo de datos hiperespectral: A lo largo de la dimensión espectral cada pixel de la imagen es un espectro que caracteriza los materiales en la zona correpondiente del suelo. En la dimensión espacial, cada corte del cubo corresponde a una imagen de banda estrecha de la superficie cubierta por el sensor. imagenes hiperespectrales : introduccion

  8. Introducción • Objetivo del análisis: • Identificar y distinguir materiales en base a su firma espectral. • La radiancia observada por el sensor depende de: • La iluminación solar en cada longitud de onda • La reflectancia del objeto en esa longitud de onda. imagenes hiperespectrales : introduccion

  9. Efectos adicionales: • Ángulo de sol • Angulo del sensor • Radiancia solar reflejada por la dispersión atmosférica. • Iluminación indirecta por reflejos de otros objetos. • Sombras • Absorción y dispersión atmosférica • Aberraciones del sensor (espaciales y espectrales). imagenes hiperespectrales : introduccion

  10. Taxonomía de los procesos computacionales • Detección de objetivos (target detection): búsqueda de firmas espectrales raras o inusuales. • Detección de cambios: búsqueda de variaciones significativas entre imagenes hiperespectrales de la misma escena. • Clasificación: asignar una etiqueta a cada pixel de la imagen (mapa temático) • Estimación de la fracción de cada material presente en cada pixel: espectral unmixing. imagenes hiperespectrales : introduccion

  11. imagenes hiperespectrales : introduccion

  12. Reducción de dimensiones • Los sensores sobremuestrean el espectro para evitar perder absorciones de banda estrecha. • La reducción de dimensiones • Es deseable para mejorar la eficiencia de los algoritmos en tiempo y precisión. • Debe preservar las características discriminantes importantes. • El análisis en componentes principales reduce la dimensión con criterios de varianza que pueden no ser adecuados. imagenes hiperespectrales : introduccion

  13. imagenes hiperespectrales : introduccion

  14. Clasificación versus detección de objetivos: • Clasificación: asignación de una etiqueta a cada observación (pixel). • Detección: identificar la ocurrencia de una condición. Puede considerarse como un problema de clasificación en dos clases • La clase objetivo es infrecuente, por lo que el problema de clasificación está mal balanceado. • El producto final es un mapa de objetivos a tasa de falsas alarmas constante (CFAR). • Las función de costo es también no balanceada (no es el mismo costo una falsa alarma que una falsa no-alarma. imagenes hiperespectrales : introduccion

  15. Unmixing: descomposición espectral Los pixeles tienen firma espectral combinación de las de los materiales en la escena. El objetivo es identificar estos materiales componentes y la proporcion de su presencia. Equivale a clasificación sub-pixel. El problema básico es si la composición es lineal o no-lineal. Se categoriza como un problema de estimación en lugar de clasificación (decisión). imagenes hiperespectrales : introduccion

More Related