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
1
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
2
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
3
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
4
imagenes hiperespectrales :
introduccion
5
Region visible del espectro:
0.4-0.7mm.
NIR: Infrarrojo cercano
2.4mm.
MWIR: onda media
infrarroja
LWIR: onda larga
infrarroja
imagenes hiperespectrales :
introduccion
6
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
7
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
8
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
9
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
10
imagenes hiperespectrales :
introduccion
11
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
12
imagenes hiperespectrales :
introduccion
13
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
14
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
15
Descargar

Imagenes hiperespectrales