Nuevas técnicas de clasificación de imágenes hiperespectrales

Tesis doctoral con la Mención de "Doctor Internacional" La principal contribución del presente trabajo de tesis doctoral viene dada por el diseño e implementación de nuevas técnicas de clasificación de imágenes hiperespectrales de la superficie terrestre, obtenidas de forma remota mediante...

Full description

Bibliographic Details
Main Author: García Dópido, Inmaculada
Other Authors: Plaza Miguel, Antonio, Universidad de Extremadura. Departamento de Tecnología de los Computadores y de las Comunicaciones
Format: Doctoral or Postdoctoral Thesis
Language:English
Published: 2014
Subjects:
Online Access:http://hdl.handle.net/10662/930
Description
Summary:Tesis doctoral con la Mención de "Doctor Internacional" La principal contribución del presente trabajo de tesis doctoral viene dada por el diseño e implementación de nuevas técnicas de clasificación de imágenes hiperespectrales de la superficie terrestre, obtenidas de forma remota mediante sensores aerotransportados o de tipo satélite. En particular, en la presente tesis doctoral se integran por primera vez en la literatura técnicas para desmezclado espectral y de clasificación de forma combinada para mejorar el proceso de interpretación de dichas imágenes. La clasificación y el desmezclado constituyen dos campos muy activos en el análisis de imágenes hiperespectrales. Por un lado, las técnicas de clasificación se enfrentan a varios problemas debidos a la alta dimensionalidad de las imágenes y la escasez de muestras etiquetadas, lo que dificulta los procesos de clasificación supervisada o semi-supervisada que son los más ampliamente utilizados en este campo (en particular, aquellos basados en un aprendizaje activo por parte del usuario). Por otra parte, el problema de la mezcla en imágenes hiperespectrales es bastante relevante, debido a que la resolución del sensor no es lo suficientemente alta para que en un único pixel solamente se encuentre presente un material. En este sentido, las técnicas para desmezclado intentan caracterizar los diferentes materiales presentes en cada pixel. En el presente trabajo de tesis doctoral, se ha integrado la información adicional que proporcionan las técnicas para desmezclado en el proceso de clasificación con el fin de obtener métodos más eficientes adaptados al uso de imágenes hiperespectrales, y que además resulten eficientes en términos computacionales. The main contribution of this thesis is de development and implementation of new techniques for hyperspectral analysis which are able to incorporate the spatial component of the data when performing spectral unmixing and remote compressive sensing of hyperspectral images. Spectral mixing is one of the main problems that arise when characterizing the spectral constituents residing at a sub-pixel level in a hyperspectral scene. It consists of the fact that many pixels in the scene are “mixed” in nature, i.e. they are formed by different spectral constituents at sub-pixel levels. In this regard, one of the main contributions of the present thesis is the integration of spatial and spectral information as a previous step to the traditional endmember identification conducted by many algorithms. We accomplish this through a set of innovative spatial preprocessing modules, intended to guide the endmember identification process by including spatial information but without the need to modify the already available, spectral-based endmember identification algorithms. Furthermore in this thesis work, we develop a new compressive sensing framework for hyperspectral imaging, which exploits the spatial correlation of hyperspectral images and the spectral mixing phenomenon in order to compress the hyperspectral data in the acquisition process. This thesis work has been developed under the European Community's Marie Curie Research Training Networks Programme under reference MRTN-CT-2006-035927, Hyperspectral Imaging Network (HYPER-I-NET). Funding from the Portuguese Science and Technology Foundation, project PEstOE/EEI/LA0008/2011, and from the Spanish Ministry of Science and Innovation (CEOS-SPAIN project, reference AYA2011-29334-C02-02) is also gratefully acknowledged. It was also supported in part by the Icelandic Research Fund and the University of Iceland Research Fund. The development of the thesis has also received support from the Spanish Ministry of Science and Innovation (HYPERCOMP/EODIX project, reference AYA2008-05965-C04-02). Funding from Junta de Extremadura (local government) under project PRI09A110 is also gratefully acknowledged.