imagenes hiperespectrales : introduccion 1 imagenes hiperespectrales: introducción signal...

imagenes hiperespectrales : introduccion

1

Imagenes hiperespectrales: introducción

Signal processing for Hyperespectral Image Exploitation, G. Shaw, D. Manolakis, IEEE Signal

Processing Magazine, Jan 2002, p.12-16


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.


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.


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.


5


6

Region visible del espectro: 0.4-0.7m.

NIR: Infrarrojo cercano 2.4m.

MWIR: onda media infrarroja

LWIR: onda larga infrarroja


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.


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.


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).


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.


11


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.


13


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.


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 1 imagenes hiperespectrales: introducción signal...

Documents