Métodos de Investigación Científica y Técnica

1. Métodos de Investigación Científica y Técnica Revisión del estado del arte: Algoritmos de Procesamiento de Imágenes Hiperespectrales. Pablo Horstrand Andaluz 29 de abril de 2011 IUMA Master en Tecnologías de Telecomunicación

2. Procesamiento de Imágenes Hiperespectrales • Etapas de procesamiento • Algoritmos de adaptación • Preprocesado • Extracción de endmembers • Segmentación • Clasificación • Cada etapa o bloque se constituye de un conjunto de algoritmos IUMA Master en Tecnologías de Telecomunicación

3. Extracción de endmembers • Se trata de buscar la firmas características en la propia imagen IUMA Master en Tecnologías de Telecomunicación

4. Extracción de endmembers • Constituye la parte más crítica en cuanto a: • Resultados globales • Coste Computacional de los algoritmos • Los principales algoritmos que se emplean: • Pixel PurityIndex (PPI) • VertexComponentAnalysis (VCA) • Random N-Finder (N-FINDR) • Las publicaciones se centran en: • Mejoras en los algoritmos • Diferentes aplicaciones de los mismos IUMA Master en Tecnologías de Telecomunicación

5. Revisión del estado del arte: PPI • Bajorski – 2004 • Asume que existe una composición de los píxeles de la imagen. • Propone la caracterización de background frente a target. • Emplea el algoritmo PPI para la obtención de los endmembers que permiten realizar la caracterización anterior. • Plaza, Chang – 2006 • Se propone una aceleración del algoritmo PPI. • Aparece el concepto de Virtual Dimensionality(VD) para la estimación del número de endmembers a detectar. • Los resultados muestran una muy rápida convergencia de este método en relación a las variantes del algoritmo PPI. IUMA Master en Tecnologías de Telecomunicación

6. Revisión del estado del arte: PPI • Hsueh, Chang – 2008 • Se propone la implementación del algoritmo de una versión automatizada del algoritmo PPI en hardware. • Se muestra el diseño realizado para ser implementado en una FPGA, que se corroboran con simulaciones. • Chang, Wu, Chen – 2010 • Una nueva versión del método denominada Random PPI • Se utilizan vectores aleatorios iniciales para la detección de endmembers. • Se reducen problemas de complejidad del algoritmo PPI original. IUMA Master en Tecnologías de Telecomunicación

7. Revisión del estado del arte: VCA • Nascimento, Bioucas– 2005 • Proponen un nuevo algoritmo para la detección de endmembers, VCA. • La complejidad del algoritmo es de uno hasta dos órdenes de magnitud inferior al mejor algoritmo disponible. • El artículo supone un punto de inflexión en la detección de endmembers. • Zhang, Chen, Tao – 2007 • Presenta una modificación del algoritmo para la detección de anomalías. • Consigue realizar una estimación del background aplicando VCA. IUMA Master en Tecnologías de Telecomunicación

8. Revisión del estado del arte: VCA • Wenfei – 2010 • Se propone una paralelización del método VCA. • Se hace uso de las ventajas de symmetricalmultiprocessing(SMP). • Se plantean alternativas para la reducción del tiempo de ejecución del algoritmo. IUMA Master en Tecnologías de Telecomunicación

9. Revisión del estado del arte: N-FINDR • Zortea, Plaza– 2009 • Se estudias los inconvenientes del método N-FINDR. • Se implementan variantes del método, comparándose los resultados obtenidos unos con otros. • Chang, Wu, Tsai – 2011 • Se implementa N-FINDR como un algoritmo aleatorio, es decir, con una inicialización aleatoria de los endmembers. • Obtiene el número de endmembers de manera automática. • Se realizan pruebas con imágenes sintéticas y reales para validar el método. IUMA Master en Tecnologías de Telecomunicación

10. Conclusiones • Los algoritmos de extracción de endmembers se encuentran en continua evolución, ya que son muchas las variantes que se proponen cada año. • En esta presentación se han mostrado algunas de las propuestas principales, que han supuesto descubrimientos importantes. • Las continuas mejoras de VCA y N-FINDR han relegado a un segundo plano al algoritmo PPI. • Diversas reducciones en el coste computacional de estos algoritmos son fundamentales, ya que la complejidad de los mismos es elevada. IUMA Master en Tecnologías de Telecomunicación

11. Referencias • P. Bajorski, “Simplex projectionmethodsforselection of endmembers in hyperspectralimagery”, IEEE International Geoscience and RemoteSensingSymposiumProceedings, v. 5, pp. 3207-3210, 2004. • C. Chang, A. Plaza, “A fastiterativealgorithmforimplementation of pixel purityindex”, IEEE Geoscience and RemoteSensingLetters, v. 3 , nº. 1, pp. 63-67, 2006. • M. Hsueh, C. Chang, “Field programmable gate arrays (FPGA) for pixel purity index using blocks of skewers for endmember extraction in hyperspectral imagery”, International Journal of High Performance Computing Applications, v. 22, i. 4, pp. 408-423, 2008. • C. Chang, C. Wu, H. Chen, “Random pixel purityindex”,IEEE Geoscience and RemoteSensingLetters, v. 7 , nº. 2, pp. 324-328, 2010. • J. Nascimento, J. Bioucas, “Vertexcomponentanalysis: a fastalgorithmtounmixhyperspectral data”, IEEE TransactionsonGeoscience and RemoteSensing, v. 43, nº. 4, pp. 898-910, 2005. • L. Zhang, D. Chen, P. Tao, “Anomaly detection for hyperspectral imagery based on vertex component analysis”, YuhangXuebao/Journal of Astronautics, v. 28, nº. 5, pp. 1262-1265, 2007. • L. Wenfei, “Parallel VCA algorithmforhyperspectralremotesensingimage in SMP clusterenvironment”, IEEE Internation Congress on Image and Signal Processing, v. 5, 2010. IUMA Master en Tecnologías de Telecomunicación

12. Referencias • M. Zortea, A. Plaza, “A quantitative and comparative analysis of different implementations of N-FINDR: A fast endmember extraction algorithm”, IEEE Geoscience and RemoteSensingLetters, v. 6, nº. 4, pp. 787-791, 2009. • C. Chang, C. Wu, C. Tsai, “Random N-finder (N-FINDR) endmember extraction algorithms for hyperspectral imagery”, IEEE Transactions of ImageProcessing, v. 20, nº. 3, pp. 641-655, 2011. IUMA Master en Tecnologías de Telecomunicación