Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Departamento de Informtica
TESIS DOCTORAL
Proposicin, Validacin y Prueba de una
Metodologa Morfolgica para el Anlisis de
Datos Hiperespectrales que Integra Informacin
Espacial y Espectral
Doctorando:
Cceres, 2002
Resumen
En los ltimos aos, la evolucin en los sensores hiperespectrales ha supuesto un salto
cualitativo en las aplicaciones orientadas a la observacin remota de la tierra. Estos
instrumentos se caracterizan por su capacidad para medir la radiacin reflejada en una amplia
gama de longitudes de onda, pudiendo registrar informacin en cientos de canales espectrales.
Las tcnicas de desmezclado espectral o spectral unmixing son, en la actualidad, las ms
ampliamente aceptadas a la hora de llevar a cabo el anlisis y clasificacin de imgenes
hiperespectrales. Estas tcnicas suelen consistir en dos pasos claramente diferenciados: en
primer lugar, se identifican firmas espectrales asociadas a componentes espectralmente puros en
la imagen, denominados endmembers. A continuacin, el resto de componentes de la imagen se
expresan mediante combinaciones de endmembers, evitando as el habitual problema de la
mezcla espectral y permitiendo un anlisis sub-pixel de los datos.
A pesar de la fuerte interrelacin entre la informacin espacial y espectral que reside en las
imgenes hiperespectrales, la mayor parte de las tcnicas de desmezclado tienden a considerar
nicamente la informacin espectral, descartando la correlacin espacial entre los pixels de la
imagen. En la actualidad, la importancia de analizar de forma simultnea los patrones espaciales
y espectrales de la informacin hiperespectral ha sido reconocida por gran cantidad de
investigadores como un objetivo deseable, que puede mejorar los resultados obtenidos por las
tcnicas existentes de anlisis hiperespectral.
En esta memoria, presentamos un nuevo mtodo automtico para el anlisis y clasificacin
de imgenes hiperespectrales que considera la informacin espacial y espectral de forma
combinada. El mtodo se basa en conceptos de morfologa matemtica, una tcnica clsica de
anlisis de imgenes que ha sido extendida al caso de imgenes multi-dimensionales.
La evaluacin del mtodo con imgenes hiperespectrales simuladas revela que las
operaciones morfolgicas extendidas pueden ser utilizadas para extraer endmembers a partir de
los objetos presentes en la escena. El ajuste de las propiedades espaciales de las operaciones
morfolgicas permite adaptar el mtodo a aplicaciones muy diversas, siendo su funcionamiento
muy robusto en presencia de ruido. Por otra parte, los experimentos realizados con imgenes
reales demuestran que el mtodo proporciona resultados superiores a los obtenidos utilizando
algunas tcnicas estndar de anlisis hiperespectral.
Con objeto de facilitar el anlisis de imgenes hiperespectrales de gran dimensionalidad de
forma rpida y precisa, en esta memoria se proponen dos arquitecturas VLSI, basadas en arrays
de sistlicos, para soportar las operaciones morfolgicas extendidas realizadas por el mtodo
propuesto.
Abstract
Imaging spectroscopy, also known as hyperspectral remote sensing, allows a sensor on a
moving platform to gather reflected radiation from a ground target so that a detector system can
record a great deal (up to hundreds) of spectral channels simultaneously. With such detail, the
ability to detect and identify individual materials or classes is greatly improved.
During the last several years, a great deal of new airborne and spaceborne sensors have been
improved for hyperspectral remote sensing applications. Although the development of effective
devices with new and improved technical capabilities stands out, the evolution in the design of
algorithms for data processing has not been as positive.
Spectral unmixing is widely accepted as one of the most important approaches for the
analysis and classification of hyperspectral datasets. This approach involves two steps: the first
one is to find spectrally-unique signatures of pure ground components, usually referred to as
endmembers, and the second stage is to express individual pixels as combinations of
endmembers.
Despite the inherent spatial-spectral duality that resides in a multi-dimensional data cube,
most available processing techniques tend to focus exclusively on the spectral domain, handling
the data not as an image but as an unordered listing of spectral measurements. The importance
of analyzing spatial and spectral patterns simultaneously has been identified as a desired goal by
many scientists who are devoted to multi-dimensional data analysis.
In this work, we present a novel automated method for the analysis and classification of
hyperspectral data that integrates both spatial and spectral responses in simultaneous manner.
The method is based on mathematical morphology, a classic non-linear spatial processing
technique that provides a remarkable framework to achieve the desired integration.
Results with simulated hyperspectral data reveal that the method can accurately model the
spatial distribution of spectral patterns in the scene by extended morphological operations. The
spatial properties (size and shape) of the kernel allow tuning of the method for different
applications. Also, the method is robust in the presence of noise and non-linear mixture effects.
On other hand, experiments with real hyperspectral data show that the proposed method
produces results which can improve those found using other widely accepted hyperspectral
methodologies.
Two different VLSI implementations, based on systolic arrays, are proposed to support the
morphological operations performed by the proposed approach, allowing fast and accurate
analysis of hyperspectral scenes with large dimensionality.
ndice de Contenidos
Captulo 1. Motivaciones y objetivos.
1.1. Motivaciones.
1.2. Objetivos.
Captulo 2. Antecedentes.
13
14
2.2.2. Umbralizacin.
26
29
33
34
44
52
62
93
95
97
Captulo 3. Mtodos.
3.1. Primeros intentos.
99
100
102
108
114
115
124
126
145
146
148
150
153
154
156
160
162
156
163
164
166
168
172
163
182
194
194
212
212
4.3.1.1. AVCUP95.
213
4.3.1.2. AVIP92.
216
4.3.1.3. CASI01.
217
4.3.1.4. AVJR97.
220
4.3.1.5. DSCA01.
221
4.3.1.6. RSCA01.
223
225
227
235
240
248
259
259
279
280
281
285
286
293
299
303
307
Referencias bibliogrficas.
315
Captulo 1
Motivaciones y Objetivos
1.1. Motivaciones
El trabajo objeto de la presente memoria consiste en la obtencin de un mtodo de anlisis
hiperespectral robusto que utiliza de forma conjunta los dominios espacial y espectral,
permitiendo realizar el anlisis de forma no supervisada y totalmente automtica.
El trabajo desarrollado se enmarca dentro de las lneas de investigacin actuales del Grupo
de Redes Neuronales y Procesamiento de Seal (GRNPS) del Departamento de Informtica de
la Universidad de Extremadura. En sus inicios, la investigacin realizada en el GRNPS estaba
orientada al desarrollo de algoritmos de computacin neuronal para la cuantificacin de
espectros. Esta lnea de investigacin fue pronto extendida al caso de imgenes hiperespectrales
obtenidas de forma remota.
Las imgenes hiperespectrales suponen una extensin del concepto de imagen digital, en el
sentido de que sus pixels no estn formados por un nico valor discreto, sino por un conjunto
amplio de valores correspondientes a las diferentes mediciones espectrales realizadas por un
sensor o instrumento de medida en diferentes longitudes de onda. Estas imgenes se
caracterizan porque pueden ser analizadas desde dos puntos de vista diferentes: el espacial y el
-2-
espectral. As, los datos hiperespectrales pueden ser entendidos al mismo tiempo como un
conjunto de medidas espectroscpicas y como una coleccin de imgenes.
A pesar de esta dualidad presente en la informacin hiperespectral, las tcnicas clsicas de
anlisis, incluyendo las anteriormente desarrolladas en nuestro grupo, se han basado,
fundamentalmente, en propiedades espectrales, descartando por completo la informacin
relacionada con la correlacin espacial. De este modo, las tcnicas mencionadas no procesan los
datos hiperespectrales como imgenes, sino como colecciones de medidas espectrales cuya
ordenacin y/o disposicin no resulta relevante en el proceso de anlisis.
La comunidad cientfica dedicada al anlisis de datos hiperespectrales ha identificado la
necesidad de incorporar la representacin pictrica de los datos a la hora de abordar su
procesamiento. En la literatura, existen algunas aproximaciones al anlisis hiperespectral
basadas en la utilizacin de tcnicas espaciales para refinar el resultado de un procesamiento en
el dominio espectral, normalmente realizado de forma supervisada. De forma similar, existen
algunas tcnicas que refinan, mediante aproximaciones espectrales, los resultados obtenidos a
partir de un procesamiento previo en el dominio espacial. El orden en que se realizan los dos
tipos de procesamiento condiciona los resultados obtenidos.
La utilizacin conjunta de los dominios espacial y espectral de forma no supervisada supone
una novedad en el marco de las tecnologas disponibles para el anlisis de datos
hiperespectrales. Este hecho nos ha llevado a considerar la posibilidad de utilizar, de forma
conjunta, la informacin espacial y espectral en el proceso de anlisis.
En este trabajo, intentamos solventar el vaco existente en cuanto a la aplicacin de tcnicas
de anlisis de imagen a datos hiperespectrales, mediante el desarrollo de un nexo de unin entre
tcnicas clsicas en el dominio espacial y tcnicas de anlisis espectral. De esta forma, la
presente memoria puede entenderse como un compendio de varias discusiones sobre las
ventajas obtenidas al incorporar informacin espacial en el anlisis de datos de gran
dimensionalidad espectral.
Por ltimo, conviene destacar que uno de los aspectos que han condicionado en mayor
medida las metodologas propuestas en esta memoria es la posibilidad de obtener tcnicas de
anlisis computacionalmente eficientes. Las imgenes hiperespectrales se caracterizan por
requerimientos extremos en cuanto a espacio de almacenamiento, ancho de banda de
transmisin y velocidad de procesamiento. Estos requerimientos deben traducirse en algoritmos
de anlisis susceptibles de ser ejecutados en paralelo. Los algoritmos hiperespectrales son
altamente susceptibles de ser paralelizados, debido a sus escasas restricciones secuenciales. En
este sentido, una de las posibilidades ms interesantes es la obtencin de tcnicas de
procesamiento y compresin a bordo, implementadas mediante mecanismos hardware y
-3-
capaces de ofrecer una respuesta en tiempo real. En este trabajo realizamos un primer paso en
dicha direccin, mediante la propuesta de arquitecturas sistlicas que soportan los desarrollos
realizados.
1.2. Objetivos
Este trabajo pretende desarrollar tcnicas de anlisis de imgenes hiperespectrales que
utilicen de forma simultnea la informacin espacial y espectral contenida en este tipo de datos.
Por tanto, se plantea el siguiente objetivo global: disear, implementar y validar un nuevo
mtodo automtico, robusto, y eficiente en trminos computacionales para el anlisis de
imgenes hiperespectrales, cuyo funcionamiento considera de forma simultnea la
informacin espacial y espectral.
La consecucin de este objetivo general se lleva a cabo abordando una serie de objetivos
especficos, los cuales se enumeran a continuacin:
Analizar las ventajas e inconvenientes planteados por la integracin de informacin
espacial y espectral en el procesamiento de datos hiperespectrales.
Disear una metodologa cuyo funcionamiento sea automtico, es decir:
-4-
3.-
finalmente
adoptada,
describiendo
las
implementaciones
-5-
Captulo 2
Antecedentes
La disponibilidad de informacin digital acerca de la superficie terrestre, obtenida de forma
remota a partir de satlites o plataformas aerotransportadas, ha supuesto una autntica
revolucin en nuestra concepcin actual del mundo. Esta observacin remota de la tierra
constituye el marco de estudio de la teledeteccin, traduccin latina del trmino ingls remote
sensing, que surgi a principios de los aos 50 para designar cualquier medio de observacin
remota, si bien se aplic fundamentalmente a la fotografa area, principal sensor de aquel
momento (Chuvieco, 1999). En 1957, el lanzamiento del Sputnik, el primer satlite construido
por el hombre, supuso el comienzo de la era espacial y, al mismo tiempo, el inicio de una larga
andadura para la disciplina hoy conocida como teledeteccin (Short y col., 2002).
No obstante, la llegada de la era dorada de la teledeteccin tuvo que esperar hasta que
confluyeron una serie de circunstancias bien diferenciadas. En primer lugar, el desarrollo del
computador digital permiti optimizar los mecanismos de almacenamiento, procesamiento y
transmisin de los datos proporcionados por dispositivos remotos. En segundo lugar, el
desarrollo de las tcnicas de reconocimiento de patrones, propiciado en parte por la creciente
capacidad de cmputo de los computadores digitales, ha supuesto que, en la actualidad, la
extraccin de informacin significativa y relevante a partir de los datos de observacin remota
sea una tarea simple y cada vez ms automatizada (Landgrebe, 2002). Finalmente, no podemos
olvidar otras circunstancias clave como el desarrollo tecnolgico en los instrumentos de medida
y en las tcnicas de aerotransporte y navegacin espacial.
-8-
Captulo 2. Antecedentes.
Histricamente, las tcnicas de anlisis de datos obtenidos de forma remota han seguido una
serie de etapas marcadas por la evolucin en los instrumentos de observacin remota (Short y
col., 2002). En etapas tempranas, los medios de observacin remota se caracterizaban por estar
montados sobre plataformas exclusivamente espaciales, por lo que las tcnicas de anlisis
derivadas se basaron en enfoques fundamentalmente espaciales. Posteriormente, la
disponibilidad de instrumentos capaces de medir singularidades en el espectro de la luz reflejada
por los diferentes materiales presentes en el mundo real trajo como consecuencia la introduccin
de tcnicas basadas en espectroscopa.
En la actualidad, existen instrumentos que permiten un enfoque integrado en el que se
considera tanto la informacin espacial como la espectral (Landgrebe, 2002). El trabajo descrito
en esta memoria se engloba dentro de esta ltima categora.
En el presente captulo describimos los antecedentes de las tcnicas de anlisis
caractersticas de cada uno los enfoques anteriormente mencionados. El captulo est
estructurado de la siguiente forma:
1.-
2.-
3.-
4.-
Captulo 2. Antecedentes.
-9-
disponer de una serie de unidades de medida basadas en el denominado flujo radiante (), que se
define como la cantidad de energa emitida por una fuente de radiacin, en todas las direcciones,
por unidad de tiempo. Para analizar el flujo energtico en una determinada direccin, se utiliza
el flujo energtico por ngulo slido ().
0.4 m
Rayos X
Rayos
10-7
10-5
0.7 m
Visible
Ultravioleta
10-3
Microondas
Radar
Infrarrojo
10
10-1
103
105
103
La intensidad radiante se define como el flujo radiante por unidad de ngulo slido, y viene
dada por la expresin que se muestra a continuacin:
(2.1.1)
Esta magnitud se mide en Watios por estreo-radin (W/sr). No obstante, la magnitud fsica
que est directamente relacionada con nuestra percepcin del brillo es la reflectividad, R, que se
define como el flujo irradiado por unidad de superficie proyectada (Sp) y ngulo slido en una
determinada direccin . La radiancia se mide en Watios por metro cuadrado y estreo-radin
(W/m2sr).
I
Ap
(2.1.2)
- 10 -
Captulo 2. Antecedentes.
El flujo incidente i interacta con una superficie S, de forma que una parte del flujo es
reflejada (r), otra es absorbida por la propia superficie (a) y, finalmente, una tercera parte (t)
es transmitida a las capas inferiores (Short y col., 2002). La relacin entre el flujo reflejado y el
flujo incidente es la magnitud relativa conocida como reflectancia, .
r
i
(2.1.3)
Normal
Fuente
radiacin
Detector
ngulo ngulo
incidencia reflexin
r
Superficie
a
Sp
t Capas inferiores
Figura 2.1.2. Flujo incidente (i), flujo reflejado (r), flujo absorbido (a) y flujo transmitido (t).
Por un lado, las cubiertas especulares se caracterizan por reflejar la radiacin incidente
en una direccin cuyo ngulo de reflexin coincide con el ngulo de incidencia (ver
parte izquierda de la figura 2.1.3).
Captulo 2. Antecedentes.
2.-
- 11 -
Por otra parte, las cubiertas lambertianas se caracterizan por reflejar la radiacin
incidente de igual forma en todas las direcciones, independientemente de cul sea el
ngulo de incidencia (ver parte derecha de la figura 2.1.3).
Normal
Normal
ngulo ngulo
incidencia reflexin
Cubierta especular
Cubierta lambertiana
D f , i , S, , ,
(2.1.4)
Todas estas magnitudes dependen del intervalo de longitud de onda considerado, y reciben
el nombre de magnitudes espectrales. La radiancia medida por el detector o sensor se calcula
mediante la siguiente expresin:
r hD ,
(2.1.5)
- 12 -
Captulo 2. Antecedentes.
2001).
La figura 2.1.4 ilustra de forma grfica algunas de las fuentes de error comentadas, mediante
un diagrama representativo del proceso de medicin de la radiacin en circunstancias reales.
Radiancia
adicional
Absorcin y
dispersin
Sombras
Dispersin mltiple
Altura
vuelo
FOV
IFOV
GIFOV
Captulo 2. Antecedentes.
- 13 -
- 14 -
Captulo 2. Antecedentes.
espacial del sensor (Chuvieco, 1999), tal y como se describi en la figura 2.1.5. Cada una de
estas parcelas, que constituyen la unidad mnima de informacin en la imagen, se denomina
pixel, trmino que proviene del vocablo picture element (Gonzlez y Woods, 2002).
El valor asociado a cada pixel viene definido por un valor numrico denominado nivel
digital (ND). El nombre se justifica por tratarse de un valor numrico, no visual, pero que puede
fcilmente traducirse a una intensidad visual o nivel de gris mediante cualquier convertidor
digital-analgico.
Teniendo presentes estas ideas, la organizacin de los datos obtenidos de forma remota en
una imagen digital puede esquematizarse tal y como se describe en la figura 2.2.1. Como
vemos, los datos se organizan en una matriz numrica de dos dimensiones que se corresponden
con las coordenadas geogrficas de la imagen. Las filas de la matriz suelen recibir el nombre de
lneas, mientras que las columnas tambin suelen denominarse muestras. Cada celda de la
Muestras
ND del pixel en
coordenadas (x,y)
Lneas
Figura 2.2.1. Representacin de una imagen digital en forma de matriz de datos.
Captulo 2. Antecedentes.
- 15 -
resultante depende del ND del pixel correspondiente en la imagen original y de los NDs de los
pixels que lo rodean (es decir, se trata de una operacin sensible al contexto).
a = K(-1,-1)
Kernel de b = K(0,-1)
convolucin c = K(1,-1)
a b c
K d e f
g h i
d = K(-1,0)
e = K(0,0)
f = K(1,0)
g = K(-1,1)
h = K(0,1)
i = K(1,1)
Operacin de convolucin
a Ix 1, y 1 b Ix , y 1 c Ix 1, y 1
1
d Ix 1, y e Ix , y f Ix 1, y
9
g Ix 1, y 1 h Ix , y 1 i Ix 1, y 1
I(x,y)
Imagen original
O(x,y)
Imagen resultante
La figura 2.2.2 muestra un ejemplo que ilustra una operacin de convolucin sobre una
imagen I. Puede apreciarse cmo el ND del pixel I(x,y) en la imagen original y los de sus 8
vecinos se multiplican por los correspondientes coeficientes de convolucin definidos en una
ventana cuadrada que rodea al pixel. Este tipo de ventanas son caractersticas de las tcnicas de
procesamiento espacial, y aparecen normalmente denominadas como kernels en la literatura
(Katkovnik y Shmulevich, 2002). Posteriormente, los resultados obtenidos se suman y el
resultado promediado define el valor del pixel O(x,y) en la imagen resultante. El proceso se
realiza para cada pixel en la imagen original. El conjunto de coeficientes en la figura 2.2.2 se
conoce como kernel de convolucin, de forma que dichos coeficientes define los diferentes tipos
- 16 -
Captulo 2. Antecedentes.
de filtros espaciales lineales existentes en la literatura, tales como filtros pasa-alta, filtros pasabaja, filtros de gradiente, filtros de deteccin de borde, etc. (Ramponi, 1999).
Si suponemos que K denota un kernel de convolucin cuadrado de n pixels de alto por n
pixels de ancho, podemos formalizar la operacin de convolucin espacial antes ilustrada
n / 2
I( x i, y j) K (i, j)
n i n / 2 j n / 2
1
n / 2
(2.2.1)
Como puede apreciarse en la figura 2.2.2, la eleccin del tamao de kernel resulta
determinante a la hora de realizar el proceso de convolucin. A la hora de seleccionar un
determinado tamao de kernel, es preciso analizar en detalle las caractersticas espaciales
concretas de las formas y objetos de la imagen que se desean caracterizar. Si no se dispone de
informacin previa sobre los rasgos de inters en la imagen, o bien si las caractersticas
espaciales de los objetos de inters son variables, la utilizacin de un nico tamao de kernel
puede no resultar suficiente para caracterizar la totalidad de los objetos presentes en la imagen.
Una de las tcnicas ms utilizadas para solventar las limitaciones anteriormente descritas
consiste en utilizar un conjunto de kernels de tamao variable (Burt y Adelson, 1983). En la
literatura, esta opcin aparece englobada dentro del conjunto de tcnicas denominadas
descomposicin multi-escala de una imagen. Conviene destacar que existen mltiples formas de
realizar descomposiciones de este tipo (Gauch y Pizer, 1993; Strickland y Hahn, 1997), aunque,
ciertamente, el uso de kernels de tamao variable es una de las ms populares (Bister y col.,
1990).
En la figura 2.2.3 se muestra un ejemplo de creacin de una descomposicin multi-escala
sobre una imagen en NDs, utilizando kernels de tamao variable. La descomposicin consta de
un conjunto de niveles, de forma que en diferentes niveles se realiza un tratamiento local
alrededor de cada pixel que viene definido por el tamao de kernel. En este ejemplo, el kernel
acta como una funcin de vecindad variable alrededor de cada pixel en la imagen original.
Adems de las tcnicas de filtrado lineal comentadas anteriormente, existen otras cuyo
principio de funcionamiento sigue un comportamiento no lineal. Entre estas tcnicas destacan
las operaciones de morfologa matemtica (Serra, 1982), que presentan algunas caractersticas
en comn con la operacin de convolucin, como el uso de kernels. Por su parte, las tcnicas
morfolgicas tambin han sido utilizadas para construir descomposiciones multi-escala de
imgenes en NDs (Jackway y Deriche, 1996).
Captulo 2. Antecedentes.
- 17 -
A pesar de sus excelentes propiedades como tcnicas de filtrado (Schavemaker y col., 2000),
las tcnicas morfolgicas se han utilizado principalmente en el terreno de la deteccin de
formas. A continuacin, presentamos en detalle los fundamentos de las tcnicas morfolgicas,
destacando sus propiedades en cuando a la identificacin de objetos en la imagen.
Morfologa matemtica
Los conceptos fundamentales del procesamiento morfolgico de imgenes tienen su base en
los estudios de Matheron, 1975 y Serra, 1982. La matemtica morfolgica es una teora para el
anlisis de estructuras espaciales dentro de una imagen. Su lenguaje es el de la teora de
conjuntos, de forma que los conjuntos en matemtica morfolgica representan formas, tanto en
imgenes binarias como en imgenes en niveles de gris (Serra, 1993; Vincent, 1993). A pesar de
que estas tcnicas fueron inicialmente diseadas para trabajar con imgenes binarias (Serra,
1982), no tardaron en ser extendidas a imgenes en NDs (Sternberg, 1986) y en color (Lambert
y Chanussot, 2000). A continuacin detallamos cada una de estas aproximaciones.
Morfologa binaria.
En morfologa binaria, las imgenes se representan segn la teora de conjuntos (Serra,
1982). Si dividimos los pixels de una imagen binaria I en dos conjuntos: objetos y fondo, los
pixels pertenecientes a los objetos formarn parte de un conjunto que denominamos X, mientras
- 18 -
Captulo 2. Antecedentes.
Las dos operaciones bsicas de la morfologa binaria son la erosin y la dilatacin (Serra,
1982). Estas operaciones se basan en la transformacin de los objetos de la imagen por medio
de un nuevo conjunto K, conocido como elemento estructural, que realiza una funcin similar a
la del kernel utilizado en la operacin de convolucin espacial. As, la forma y tamao del
elemento estructural van a determinar las caractersticas espaciales de la imagen resultante de la
transformacin. De este modo, podemos definir la operacin de dilatacin de un objeto X
utilizando un elemento estructural K mediante la siguiente expresin:
X K a I : K a X
(2.2.2)
(2.2.3)
De este modo, el resultado de la erosin de un objeto es una nueva forma, definida por los
elementos estructurales que rodean a cada pixel del objeto, tales que pueden incluirse de forma
completa en el objeto inicial. Conviene destacar que las operaciones de erosin y dilatacin son
duales y complementarias entre s (Serra, 1982).
Kb
Kb
w
w
XK
XK
La figura 2.2.4 muestra una interpretacin grfica de las operaciones de erosin y dilatacin,
aplicadas a un objeto rectangular. Como puede apreciarse en la parte izquierda de la figura, el
Captulo 2. Antecedentes.
- 19 -
(2.2.4)
(2.2.5)
Como puede apreciarse en las expresiones (2.2.4) y (2.2.5), la apertura consiste en una
operacin de erosin seguida de una dilatacin. Por su parte, la clausura se obtiene mediante la
realizacin de una dilatacin seguida de una erosin. En ambos casos, se recomienda utilizar el
mismo elemento estructural en las dos operaciones con el objetivo de no alterar en gran medida
el tamao y forma del objeto original (Van Horebeek y Tapia-Rodrguez, 2001).
La figura 2.2.5 muestra un ejemplo de aplicacin de las operaciones morfolgicas binarias
antes descritas sobre una imagen simple, correspndiente a una ilustracin original de Pablo
Picasso. La figura muestra el resultado de aplicar las operaciones de erosin, dilatacin, apertura
y clausura utilizando como elemento estructural un cuadrado de 5x5 pixels.
Una propiedad importante de las operaciones morfolgicas binarias es la no linearidad. A
continuacin, ilustramos esta propiedad mediante un ejemplo. En la figura 2.2.5, la firma del
autor de la ilustracin, situada en la esquina superior izquierda, es filtrada al aplicar la operacin
de erosin con el elemento estructural de 5x5 pixels. La operacin de apertura consiste en dilatar
la imagen resultante de la erosin, utilizando el mismo elemento estructural. Sin embargo, la
dilatacin no puede recuperar rasgos espaciales eliminados por la erosin. Este es el motivo por
el cual la firma del autor no aparece en la imagen resultante de la operacin de apertura.
La propiedad de no linearidad condiciona gran parte de la filosofa inherente a la morfologa
matemtica (Saryazdi y col., 2000). As, el procesamiento de una imagen en trminos
- 20 -
Captulo 2. Antecedentes.
morfolgicos da como resultado una informacin que resulta extremadamente rica en cuanto sus
propiedades descriptivas respecto de los objetos en el dominio espacial (Serra, 1993).
Imagen original
Erosin 5x5
Apertura 5x5
Dilatacin 5x5
Clausura 5x5
Figura 2.2.5. Aplicacin de las operaciones de erosin y dilatacin sobre una imagen de ejemplo.
Captulo 2. Antecedentes.
- 21 -
(f K )( x ) Max f ( x s) k(s)
sK
Dilataciones
max
k(s)
f(x-1)
min
f(x)
f(x+1)
Erosiones
(f K )( x ) Min f ( x s) k(s)
sK
Una vez introducidos estos conceptos previos, procedemos a definir las operaciones bsicas
de la morfologa matemtica en NDs. La dilatacin de una imagen f(x,y) utilizando un
elemento estructural K se define de la siguiente forma:
(f K )( x , y) Max f ( x s, y t) k(s, t)
(s , t ) K
(2.2.6)
(f K )( x , y) Min f ( x s, y t) k(s, t)
(s, t ) K
(2.2.7)
f K ( x , y) ((f K ) K )(x , y)
f K ( x, y) ((f K ) K )( x , y)
(2.2.8)
(2.2.9)
Como puede deducirse a partir de las expresiones (2.2.6) y (2.2.7), las operaciones de
dilatacin y erosin en NDs son semejantes a la operacin de convolucin, descrita en la
- 22 -
Captulo 2. Antecedentes.
expresin (2.2.1). En concreto, las diferencias entre las operaciones de dilatacin y erosin
sobre imgenes en niveles de grises y la expresin de convolucin son las siguientes:
El producto entre los pixels de la imagen y los pixels del kernel es reemplazado por
Imagen original
Max
Dilatacin
Elemento estructural
de tamao 3x3
alrededor del pixel P
Min
Erosin
Figura 2.2.7. Ejemplo de aplicacin de las operaciones de erosin y dilatacin a una imagen en
NDs.
Captulo 2. Antecedentes.
- 23 -
una nueva imagen, denominada imagen dilatada. El efecto de la erosin es reducir las zonas ms
claras de la imagen, permitiendo el crecimiento de las zonas ms oscuras, caracterizadas por un
ND bajo. El efecto de la operacin de dilatacin es el contrario; en este caso, las zonas con ND
alto se ensanchan, mientras que las zonas oscuras se encogen.
El proceso de extensin/contraccin de objetos se realiza en funcin de las propiedades
espaciales del elemento estructural utilizado. De este modo, si consideramos un elemento
estructural en forma de disco con radio igual a L pixels, una operacin de dilatacin utilizando
este elemento estructural har que los objetos con ND alto se ensanchen en aproximadamente
L/2 pixels en todas las direcciones. Por el contrario, una operacin de erosin con el mismo
elemento estructural dar como resultado el efecto contrario, es decir, la expansin en todas
direcciones de las zonas de la imagen con ND bajo (Baxes, 1994). Este hecho aparece ilustrado
en la figura 2.2.8, en la que se ha erosionado y dilatado una sencilla imagen utilizando como
elemento estructural un disco de 4 pixels de radio.
Imagen original
Erosin
Dilatacin
Figura 2.2.8. Erosin y dilatacin de una imagen en NDs utilizando un disco de 4 pixels de radio.
Las operaciones morfolgicas NDs pueden utilizarse para reconocer objetos en la imagen.
Esta particularidad aparece ilustrada mediante un ejemplo en la figura 2.2.9, en la que se ha
aplicado una serie de operadores de apertura sobre la imagen original mostrada en la figura
2.2.8, utilizando como elementos estructurales discos de radio progresivamente creciente entre 2
y 8 pixels. Como puede apreciarse en la figura, las propiedades espaciales del elemento
- 24 -
Captulo 2. Antecedentes.
estructural utilizado determinan qu objetos son reconocidos. Este sencillo ejemplo pone de
manifiesto la importancia del elemento estructural utilizado en operaciones morfolgicas
(Soille, 2000).
Imagen original
Apertura morfolgica
Figura 2.2.9. Apertura morfolgica de la imagen mostrada en la figura 9 utilizando discos de radio
igual a 2, 4, 6 y 8 pixels.
Morfologa cromtica.
La literatura contempla algunos intentos orientados a extender las operaciones morfolgicas
en NDs a imgenes en color. Los primeros intentos realizados se conocen, de forma global,
como aproximacin marginal (Ortiz, 2000), y consisten en tratar cada componente o canal
cromtico de forma individual, tal y como se muestra en la figura 2.2.10. Evidentemente, este
tipo de procesamiento es escalar, y se obtiene directamente a partir de la morfologa en NDs,
puesto que cada canal cromtico es una imagen en NDs.
Captulo 2. Antecedentes.
- 25 -
Canal R
Operacin
Morfolgica
Canal G
Canal B
Operacin
Morfolgica
Operacin
Morfolgica
Resultado R
Resultado G
Resultado B
Para evitar la situacin descrita en la figura 2.2.11, Lambert y Chanussot, 2000, proponen
analizar los pixels de la imagen utilizando una aproximacin vectorial, es decir, considerando
los pixels como vectores y no como un conjunto de valores separados (ver figura 2.2.12).
- 26 -
Captulo 2. Antecedentes.
Canal R
Resultado R
Canal G
Operacin
Morfolgica
Canal B
Resultado G
Resultado B
(2.2.10)
Donde Z3 es el espacio de datos compuesto por los pixels de la imagen en color. La funcin
P define por tanto un orden parcial, tal y como se muestra en la siguiente expresin:
( x , y ) Z 3 xZ 3 , x y P( x ) P( y ) ,
(2.2.11)
donde x e y son dos pixels de la imagen original. Es importante destacar que no existe un
mtodo universal para ordenar vectores; al contrario, hay numerosas formas de abordar el
problema, dependiendo del objetivo que se pretenda alcanzar con la ordenacin. Los autores
consideran la utilizacin de los siguientes tipos de ordenacin vectorial: cannica, segn una
componente, por medida de la distancia, lexicogrfica y por entrelazado de bits (Lambert y
Chanussot, 2000; Ortiz, 2000).
2.2.2. Umbralizacin.
Las tcnicas de deteccin que se han descrito en el apartado anterior producen como
resultado imgenes en las cuales la distincin entre objetos de inters y fondo es notoria. A
partir de este resultado, uno de los pasos clave en la visin de bajo nivel es la segmentacin o
Captulo 2. Antecedentes.
- 27 -
separacin estricta entre objetos y fondo. Este paso no siempre es inmediato, y existen
aproximaciones muy diversas en la literatura para llevarlo a cabo (Haralick y Shapiro, 1992).
No obstante, las tcnicas de umbralizado (Sahoo y col., 1988) constituyen el enfoque ms
simple e intuitivo para separar entre objetos de inters y fondo en imgenes en ND. Estas
tcnicas presuponen que el alto contraste existente entre objetos de inters y fondo en las
imgenes obtenidas tras la etapa de deteccin hace que sea relativamente sencillo encontrar un
nivel umbral para establecer la separacin. As, los pixels cuyo ND se encuentra por encima del
umbral establecido sern considerados como pertenecientes a objetos de inters, mientras que
los pixels con ND por debajo del establecido se consideran como pertenecientes al fondo.
Como puede intuirse, el paso clave en el proceso anteriormente descrito es la eleccin de un
nivel umbral adecuado para realizar el proceso de umbralizacin, de forma que el porcentaje de
acierto al asignar los pixels a las clases sea lo ms alto posible (Lee y Chung, 1990). El proceso
de seleccin de este valor puede verse afectado por un cmulo de circunstancias que, en su
mayor parte, van a depender de las caractersticas de la aplicacin concreta. Este hecho hace que
muchas de las tcnicas de umbralizacin sean supervisadas, necesitando una gran cantidad de
conocimiento a priori (Haralick y Shapiro, 1985).
Dado que uno de los objetivos del presente trabajo es disear una metodologa no
supervisada para el anlisis de datos hiperespectrales, nuestro inters se centra en aquellos
esfuerzos en la literatura orientados al diseo de tcnicas automticas, capaces de obtener el
valor umbral ptimo en condiciones variables, y en problemas diferentes. Entre estas tcnicas
destaca el mtodo de Otsu (Otsu, 1979), capaz de seleccionar, de forma automtica y no
supervisada, un valor umbral ptimo para una imagen en funcin de la distribucin de los NDs
en la misma. En concreto, este mtodo tiene como objetivo fundamental la separacin de los
pixels de la imagen en varias categoras o clases dependiendo de una serie de criterios
relacionados con la varianza de los NDs de los pixels en la imagen.
El mtodo de Otsu puede formalizarse mediante la siguiente notacin (Otsu, 1979; Sahoo y
col., 1988). Sea L el nmero de NDs de la imagen, y sea ni el nmero de pixels de la imagen en
los que ND i . En virtud de lo anterior, podemos expresar el nmero total de pixels de una
imagen, n, como:
L 1
n ni
i 0
(2.2.12)
Por otra parte, la probabilidad de ocurrencia del nivel digital i, pi, puede expresarse como:
pi
ni
n
(2.2.13)
- 28 -
Captulo 2. Antecedentes.
El objetivo del mtodo de Otsu es la obtencin de un valor umbral ptimo t capaz de separar
el conjunto de NDs de la imagen, G 0, 1,..., L - 1 , en dos clases: C 0 0, 1,..., t y
C1 t 1, t 1,..., L - 1 , correspondientes a fondo y objetos de inters. En lo sucesivo,
asumimos que el ND 0 es el ms oscuro y que el ND L 1 es el ms claro. Sea T2 la
varianza total en G, definida de la siguiente forma:
L 1
L 1
T2 i T 2 p i ,
T i pi .
i 0
i 0
(2.2.14)
Por otra parte, sea 2B la varianza entre las clases C0 y C1, definida de la siguiente forma:
2B 0 1 1 0 2 ,
(2.2.15)
donde:
pi ,
1 1 0 ,
(2.2.16)
i 0
y:
0 t ,
0
t
1 T
,
1 0
i pi .
(2.2.17)
i 0
tG
T
(2.2.18)
Captulo 2. Antecedentes.
- 29 -
2.-
3.-
Seguidamente, se obtienen los pixels vecinos de la regin semilla, utilizando para ello
la expresin (2.2.19), donde V(x,y) es una funcin de vecindad que proporciona los
pixels en la vecindad del pixel I(x,y) de la imagen original. Por regla general, las
(2.2.19)
- 30 -
Captulo 2. Antecedentes.
(2.2.20)
6.-
Seleccionamos una nueva regin y repetimos los pasos 4-6 hasta que se hayan
procesado las r regiones semilla iniciales.
V(x,y)
V(x,y)
I(x,y-1)
I(x-1,y)
I(x,y)
I(x+1,y)
I(x,y+1)
I(x-1,y-1)
I(x,y-1)
I(x+1,y-1)
I(x-1,y)
I(x,y)
I(x+1,y)
I(x-1,y+1)
I(x,y+1)
I(x+1,y+1)
Conectividad-4
Conectividad-8
A lo largo del proceso de crecimiento, puede ocurrir que dos o ms regiones se unan. Se dice
que dos regiones R i y R j se unen cuando:
V(R i ) R j R i V(R j )
(2.2.21)
S(R i , R j ) T R i R i R j
(2.2.22)
Captulo 2. Antecedentes.
- 31 -
que dos regiones dan lugar a una nica regin y otra situacin en la que dos regiones, a pesar de
unirse, mantienen su identidad propia y crecen por separado.
R1
R2
R3
R4
Vegetacin
R5
Suelo
R6
Fondo
R9
R7
Zonas urbanas
R10
R8
Regiones semilla
(fase segmentacin)
Imagen original
Paso 1
Paso 2
Paso 3
R1, R2 y R3 se
combinan
R4 y R9 se combinan, pero
no crecen en el interior de
R5, R6, R7, R8, R10
resultado varias detecciones para una misma regin, situacin que aparece descrita
mediante un ejemplo en la figura 2.2.16.
En base a las consideraciones anteriormente realizadas, podemos afirmar que la utilizacin
de criterios de similaridad relajados o demasiado estrictos puede traer como consecuencia una
- 32 -
Captulo 2. Antecedentes.
menor precisin a la hora de identificar el contorno exacto de los objetos detectados mediante el
proceso de crecimiento de regiones.
Vegetacin
Suelo
Fondo
Zonas urbanas
Imagen original
Regiones semilla
(Segmentacin)
Sobre-crecimiento
de regiones
Crecimiento
(criterio no estricto)
Figura 2.2.15. Crecimiento de regiones que utiliza un criterio de similaridad no muy estricto.
Vegetacin
Suelo
Fondo
Zonas urbanas
Imagen original
Regiones semilla
(Segmentacin)
Dos instancias
de una misma regin
Crecimiento
(criterio estricto)
Figura 2.2.16. Crecimiento de regiones que utiliza un criterio de similaridad muy estricto.
Captulo 2. Antecedentes.
- 33 -
- 34 -
Captulo 2. Antecedentes.
a
nd
a
B
s1
ND en banda 4
Muestras
ND en banda 3
ND en banda 2
ND en banda 1
Pixel en
posicin (x,y)
Lneas
comienza
analizando
algunas
caractersticas
funcionales
de
los
sensores
Captulo 2. Antecedentes
- 35 -
Una vez descritos estos aspectos fundamentales, el apartado concluye con una descripcin
detallada de los sensores hiperespectrales a partir de los cuales se han obtenido las imgenes
utilizadas en este trabajo. En concreto, se profundiza en las caractersticas de cuatro
instrumentos: AVIRIS, CASI, DAIS 7915 y ROSIS.
Resolucin espectral.
La resolucin espectral est relacionada con los siguientes parmetros (Kruse, 2000):
Nmero de canales espectrales en los que el sensor adquiere datos.
Anchura de las bandas espectrales correspondientes a dichos canales.
De forma intuitiva, cuanto mayor sea el nmero de bandas disponibles, mejor ser la
caracterizacin de los materiales presentes en la escena. Adems, conviene que estas bandas
sean estrechas, puesto que la utilizacin de bandas anchas introduce un promediado de valores
que puede encubrir la diferenciacin espectral entre cubiertas (Warner y col., 2001).
Podemos introducir el concepto de firma espectral de un determinado material o superficie
como el conjunto de valores de radiancia o reflectancia en los diferentes canales espectrales del
sensor. Si el nmero de bandas espectrales del sensor es muy grande y las bandas son muy
estrechas, la firma espectral puede ser considerada como un espectro casi continuo (Landgrebe,
2002).
La figura 2.3.2. muestra un ejemplo de dos firmas espectrales asociadas a una cubierta
vegetal. La primera de ellas (parte izquierda) fue adquirida por un sensor multiespectral, en
concreto, Landsat Thematic Mapper (Kalman y Pelzer, 1993), que dispone de un total de 7
- 36 -
Captulo 2. Antecedentes
bandas en el rango 0.48 2.21 m. La firma espectral mostrada en la parte derecha de la figura
2.3.2 fue adquirida por el sensor hiperespectral AVIRIS (Green y col., 1998), con 224 bandas
espectrales en el rango 0.4 a 2.4 m. Como puede apreciarse en la figura, la firma espectral
obtenida mediante un sensor hiperespectral se asemeja a un espectro continuo de valores,
mientras que la firma proporcionada por un sensor multiespectral es mucho menos detallada
(Kalman y Pelzer, 1993). De hecho, los sensores hiperespectrales tambin reciben el nombre de
espectrmetros de imagen en la literatura, pues son instrumentos capaces de combinar las
propiedades de los sensores de imagen con las propiedades analticas de un espectro-radimetro
de altas prestaciones (Green y col., 1998).
600
900
1200
1500
1800
2100
300
0
2400
900
1200
1500
1800
2100
2400
2000
a icnaidaR
2000
aicn aidaR
600
4000
6000
8000
(Landsat TM)
Firma espectral vegetacin
4000
6000
8000
(AVIRIS)
Firma espectral vegetacin
Figura 2.3.2. Firmas espectrales de vegetacin obtenidas por el sensor multiespectral Landsat TM (7
bandas) y el sensor hiperespectral AVIRIS (224 bandas).
Resolucin radiomtrica.
Esta resolucin indica la sensibilidad del sensor, entendiendo sta como la capacidad de
detectar variaciones en los valores de radiancia espectral recibida. El nmero mximo de valores
que pueden ser detectados y, por tanto, la resolucin radiomtrica, viene habitualmente limitado
por el nmero de bits utilizado para codificar los valores de radiancia (Legleiter y col., 2002).
Adquisicin de datos.
Atendiendo al procedimiento empleado por estos instrumentos para recibir la radiacin
procedente de los objetos, podemos dividir los sensores hiperespectrales en dos grandes
categoras.
1.-
Captulo 2. Antecedentes
- 37 -
Oscilacin
espejo mvil
a
ne
L
2.-
Por otra parte, existe una segunda clasificacin de los sensores relativa al modo en que son
transportados en el momento de la toma de datos. La mayor parte de los sensores
hiperespectrales actuales son aerotransportados. Este es el caso de instrumentos como AVIRIS
(Green y col., 1998); DAIS 7915 y ROSIS (Mller y col., 2001); CASI (Keller y Fischer, 1998),
AISA (Mao y col., 1997), MIVIS (Bianchi y col., 2001) o HYMAP (Cocks y col., 1998). No
obstante, tambin existen proyectos para utilizar sensores hiperespectrales instalados en
plataformas tipo satlite como ARIES-1 (Roberts y col., 1997) o HYPERION (Kruse y col.,
2001). En el caso de utilizar una plataforma tipo satlite, la zona espacial de cobertura es
mucho mayor, aunque la resolucin espacial se resiente debido a la altura de vuelo (Short y col.,
2002).
- 38 -
Captulo 2. Antecedentes
Cadena de
detectores
a
ne
L
Relacin seal-ruido.
Un parmetro fundamental a la hora de definir la calidad de un sensor hiperespectral es la
relacin seal-ruido o signal-to-noise ratio (SNR), que puede entenderse, en trminos globales,
como la relacin entre la amplitud de la seal obtenida y la amplitud del ruido o, lo que es lo
mismo, la cantidad de seal adquirida por unidad de ruido (Dabney, 1995).
En la literatura existen diferentes definiciones para este concepto. La definicin ms
intuitiva es aquella que cuantifica la energa de la seal frente a la energa del ruido. Esta
definicin viene dada por la expresin que se muestra a continuacin (Kerekes y Landgrebe,
1989a).
s T ( x , y ) s ( x , y)
( x ,y)
ESNR
T
s ( x , y) s ' ( x , y) s ( x , y) s ' ( x , y)
( x , y )
(2.3.1)
Donde s es un vector N-dimensional que contiene los valores de una firma espectral sin
ruido, obtenida en el pixel (x,y) de la imagen, sT(x,y) es el mismo vector transpuesto y s(x,y)
contiene la misma firma espectral pero alterada por condiciones de ruido en el proceso de
medicin por parte del sensor. En lo sucesivo, utilizamos el tipo de letra negrita y cursiva para
denotar vectores, y el superndice T para indicar la transposicin de un vector.
Como resultado de esta expresin, se obtiene un ratio que ofrece una medida acerca de la
proporcin entre la energa de la seal y la energa del ruido. Si el valor de la SNR es r, la
Captulo 2. Antecedentes
- 39 -
energa de seal es r veces mayor que la energa del ruido, con lo que el ratio de SNR puede
expresarse como r:1 (Green y col., 1988; Green y Boardman, 2000).
Una definicin alternativa es la denominada relacin SNR de pico (PSNR), que se mide en
dBs y suele emplearse cuando el ruido es de tipo impulsivo (Kerekes y Landgrebe, 1989b). La
expresin que caracteriza la PSNR es la que se muestra a continuacin:
Max s ( x , y) T s ( x , y)
( x , y)
PSNR 10 log10
T
s ( x , y) s ' ( x , y) s ( x , y) s ' ( x , y)
( x , y)
(2.3.2)
Finalmente, una ltima definicin de la relacin seal-ruido fue dada por Harsanyi y Chang,
1994. Esta alternativa, definida para cada una de las bandas del sensor, se denota como SNR,
donde hace referencia a una longitud de onda concreta. Este valor consiste en la relacin entre
la mitad de la energa de la seal y la desviacin estndar del ruido en la banda asociada a dicha
longitud de onda.
La definicin de Harsanyi y Chang ha sido utilizada ampliamente en la literatura para
imponer una relacin seal-ruido predeterminada en cada una de las bandas de una imagen
simulada. De este modo, se puede generar una relacin SNR de r:1 en las diferentes bandas del
sensor utilizando la siguiente expresin (Ifarraguerri y Chang, 1999):
r
(2.3.3)
donde s(x,y) es la firma espectral original, n(x,y) es un vector que se multiplica a la firma
antes mencionada para simular el efecto introducido por el ruido, y s(x,y) es el espectro ruidoso
resultante. Los valores del vector n(x,y) son nmeros aleatorios en el rango [-1,1] que siguen
una distribucin de probabilidad normal y desviacin estndar igual a 1. Las multiplicaciones
entre los trminos vectoriales que aparecen en la expresin son realizadas elemento a elemento.
Como puede apreciarse, la firma espectral original s(x,y) es reescalada utilizando un factor
igual al 50% de la relacin seal-ruido que se desea imponer en los datos. Esta operacin es
equivalente a reducir la desviacin estndar del ruido en un factor (2/r), con lo que se obtiene
como resultado un ratio de r:1, segn la definicin vista anteriormente.
- 40 -
Captulo 2. Antecedentes
Rango
Pixels
Resolucin
Resolucin
Sensor
espectral
Bandas
IFOV
por lnea
Tipo
radiomtrica
temporal
AVIRIS
0.4 - 2.5 m
224
1 mrad
512
Barrido
12 bits
20.4 Mb/s
CASI
0.4 - 1 m
288
1.3 mrad
612
Empuje
12 bits
1 Mb/s
DAIS
0.5 - 12.5 m
79
3.3 mrad
512
Barrido
15 bits
1.2 Mb/s
0.43 - 0.86 m
115
0.56 mrad
512
Empuje
14 bits
4.2 Mb/s
7915
ROSIS
AVIRIS.
Las siglas AVIRIS son un acrnimo de Airborne Visible-InfraRed Imaging Spectrometer.
Como su nombre indica, AVIRIS es un sensor hiperespectral aerotransportado con capacidades
analticas en las zonas visible e infrarroja del espectro (Green y col., 1998).
El sensor entr en funcionamiento en 1987 como el primer sistema de adquisicin de
imgenes capaz de obtener informacin en una gran cantidad de bandas espectrales estrechas y
casi contiguas. En realidad, AVIRIS es un instrumento nico en el mundo de la teledeteccin,
pues permite obtener informacin espectral en 224 canales espectrales contiguos, cubriendo un
rango de longitudes de onda entre 0.4 y 2.5 m, siendo el ancho entre las bandas muy pequeo,
aproximadamente 0.01 m.
A partir de 1989, AVIRIS se convirti en un instrumento aerotransportado. Desde ese
momento, se realizan varias campaas de vuelo cada ao con objeto de tomar datos mediante
AVIRIS. En concreto, el sensor ha realizado tomas de datos en Estados Unidos, Canad y
Europa, utilizando para ello dos plataformas diferentes:
Captulo 2. Antecedentes
- 41 -
Figura 2.3.5. Relacin SNR en los diferentes canales de AVIRIS a lo largo de los aos
(Reproducido con permiso de Robert O. Green, investigador principal del proyecto AVIRIS).
- 42 -
Captulo 2. Antecedentes
A lo largo de los ltimos aos, el sensor ha ido mejorando sus prestaciones en cuanto
CASI.
El sensor CASI (Compact Airborne Spectrographic Imager) ha estado disponible
comercialmente a travs de la compaa ITRES Research Limited, con sede en Calgary, Canad,
desde el ao 1989. En la actualidad, hay un total de 20 sistemas CASI en funcionamiento
(Keller y Fischer, 1998), utilizados por diversos centros de investigacin, compaas privadas,
agencias espaciales internacionales, y organizaciones de carcter militar.
El sensor CASI es un sensor de empuje que mide datos en las regiones visible e infrarrojo
cercano (ver tabla 2.2.1). Las prestaciones del sensor son elevadas, con un valor de PSNR de
aproximadamente 420:1. El sistema est compuesto por un conjunto de detectores pticos
integrados en una unidad denominada Sensor Head Unit (SHU), complementada por una unidad
Instrument Control Unit (ICU) que permite a un operador controlar de forma sencilla el proceso
de adquisicin de datos.
La caracterstica funcional ms destacable del sensor CASI es que se trata de un sensor
programable, es decir, uno de sus modos de operacin permite seleccionar un conjunto de
bandas espectrales en longitudes de onda seleccionadas en un rango de 545 nm dentro del
intervalo espectral entre 0.4 y 1 m. Esta peculiaridad hace de CASI un potente instrumento, a
pesar de que su rango de cobertura espectral no es tan amplio como el de otros sensores como
AVIRIS.
DAIS 7915.
El sensor DAIS 7915 (Digital Airborne Imaging Spectrometer) fue desarrollado por la
compaa Geophysical Environmental Research, GER (Chang y col., 1993) y, en la actualidad,
su mantenimiento y explotacin es realizada por la Agencia Espacial Alemana, DLR.
Desde 1994 este sensor ha realizado numerosas campaas (Strub y col., 1999; Mller y col.,
2001). El sensor DAIS 7915 se caracteriza por cubrir un amplio rango del espectro, mediante 79
bandas espectrales entre 0.4 y 12.5 m. No obstante, la separacin de las bandas en este
Captulo 2. Antecedentes
- 43 -
intervalo no es regular. En concreto, el sensor est formado por un conjunto de cuatro detectores
con diferentes caractersticas (Strobl y col., 1997), las cuales aparecen descritas en la tabla 2.3.2.
Detector
Rango espectral
Nmero bandas
0.5 - 1 m
32
15-30 nm
1. - 1.8 m
45
45 nm
2 - 2.5 m
32
20 nm
3 - 5 m
2 m
8 - 12.5 m
0.9 m
Algunas caractersticas destacables del sensor DAIS 7915 son las que se enumeran a
continuacin:
El sensor se encuentra montado sobre un avin Do228, operado por personal de DLR.
Se trata de un sensor con mecanismo de adquisicin de datos de tipo whiskbroom que
ROSIS.
El sensor ROSIS (Reflective Optics System Imaging Spectrometer) fue desarrollado de
forma conjunta por la compaa Dornier Satellite Systems (DSS) y la Agencia Espacial
Alemana (DLR).
Este sensor comenz a ser utilizado a partir de 1994, ao en el que super las ltimas
pruebas de puesta a punto. Originalmente, el sensor fue diseado con objeto de detectar
cubiertas con caractersticas espectrales muy similares en aplicaciones de anlisis de zonas
costeras y aguas poco profundas (Gege y col., 1994).
- 44 -
Captulo 2. Antecedentes
El detector de ROSIS est formado por una matriz de dispositivos CCD (Gege y col., 1998),
de forma que cada fila de la matriz est compuesta por 552 elementos, los cuales se describen en
la tabla 2.3.3.
Nmero de elementos
Descripcin
512
Captulo 2. Antecedentes
- 45 -
Sensor hiperespectral
Reflectancia
Imagen hiperespectral
224
bandas
Firma espectral
Pixel hiperespectral
El resultado de la toma de datos por parte de un sensor hiperespectral sobre una determinada
escena puede ser representado en forma de cubo de datos, con dos dimensiones para representar
la ubicacin espacial de un pixel, y una tercera dimensin que representa la singularidad
espectral de cada pixel en diferentes longitudes de onda. La figura 2.3.6 ilustra el procedimiento
de anlisis hiperespectral mediante un sencillo diagrama, en el que se ha considerado como
ejemplo el sensor AVIRIS. Como puede apreciarse, la capacidad de observacin de este sensor
es mucho ms avanzada que la de otros dispositivos, y permite la obtencin de pixels formados
por 224 valores espectrales, a partir de los cuales puede obtenerse una firma espectral
caracterstica que ser utilizada en el proceso de anlisis.
- 46 -
Captulo 2. Antecedentes
Pixel mezcla
(suelo + rocas)
Pixel puro
(agua)
Pixel mezcla
(rboles + suelo)
Figura 2.3.7. Concepto de pixel puro y pixel mezcla en una imagen hiperespectral.
Podemos definir un pixel mezcla como aquel en el que cohabitan diferentes cubiertas (Hsieh
y col., 2001; Kustas y Norman, 2002; Faraklioti y Petrou, 2001; Tu y col., 1999). Los pixels
mezcla constituyen la mayor parte de los pixels de una imagen hiperespectral, y su existencia se
debe a una de las dos razones que mencionamos a continuacin:
1.-
combinan, dando lugar a lo que se conoce como mezcla ntima entre materiales
(Keshava y Mustard, 2002; Johnson y col., 1983). Esta situacin, ilustrada en la figura
2.3.9, ocurre independientemente de cul sea la resolucin espacial del sensor.
Captulo 2. Antecedentes
- 47 -
12 metros
12 metros
Pasto
rbol
Suelo
Mezcla macroscpica:
15% suelo, 25% rbol, 60% pasto en un pixel de 3x3 metros
Figura 2.3.8.a. Mezcla motivada por la superposicin de varios materiales en un pixel.
Suelo
4000
Radiancia
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
0.15
rbol
6000
Radiancia
5000
Pixel mezcla
4000
3000
5000
2000
4000
0
300
600
900
1200
1500
1800
2100
2400
Radiancia
1000
3000
2000
1000
0.25
0
300
600
900
1200
1500
1800
2100
2400
Pasto
5000
Radiancia
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
0.60
Figura 2.3.8.b. Obtencin de un pixel mezcla a partir de una combinacin lineal de espectros puros.
- 48 -
Captulo 2. Antecedentes
4 metros
4 metros
Afloramiento
rocoso con
partculas muy
pequeas de
arena
Mezcla ntima:
Roca y arena entremezcladas en un pixel de 1x1 metros
Figura 2.3.9. Mezcla ntima entre materiales.
Captulo 2. Antecedentes
- 49 -
(Zarco-Tejada y col., 2001; White y col., 2001; Hu y col., 2000). Es previsible que esta
disciplina suponga uno de los campos de estudio ms activos en los prximos aos.
Teniendo en cuenta las consideraciones anteriormente mencionadas, procedemos a detallar
las medidas de comparacin ms relevantes en el anlisis de datos hiperespectrales. La
importancia de estas medidas radica en que se utilizan de forma recurrente como base del
funcionamiento de muchos algoritmos de anlisis hiperespectral.
(2.3.4)
y
Mejor caso SAM: cos () = 1, cuando = 0
Peor caso SAM: cos () = 0, cuando = /2
Figura 2.3.10. Representacin grfica de la medida SAM en una imagen con 3 bandas espectrales.
El valor de la medida SAM se encuentra siempre entre 0 y 1, puesto que los vectores
- 50 -
Captulo 2. Antecedentes
ejemplo en la figura 2.3.10 (Bruce y col., 2001), en la que se describe de forma grfica
la medida SAM en el caso simplificado de una imagen con 3 bandas espectrales.
Por otra parte, la medida SAM es invariante frente a la multiplicacin de los vectores
u y v por valores constantes. De este modo, se trata de una medida robusta frente a
cambios en la escala de las firmas espectrales debidos a condiciones diferentes de
iluminacin de la escena, y a divergencias en la orientacin angular (Schweizer y
Moura, 2001), condiciones que la convierten en una medida muy apropiada para
analizar el grado de similitud en cuanto a la forma de dos signaturas espectrales.
P u j p j u j ui
(2.3.5)
i 1
P v j q j v j vi
(2.3.6)
i 1
El vector de probabilidad asociado al pixel v ser por tanto q q1 , q 2 ,..., q N T . Una vez
realizadas estas definiciones, la entropa relativa de u con respecto a v viene dada por la
siguiente expresin:
N
p
Du || v p i log i
i 1
qi
(2.3.7)
Captulo 2. Antecedentes
- 51 -
SID(u, v ) Du || v Dv || u
(2.3.8)
Esta medida ofrece una nueva visin acerca de la similaridad de dos firmas espectrales,
haciendo uso de conceptos de probabilidad, teora de la informacin (Aiazzi y col., 2001) y de
la entropa relativa de las firmas espectrales comparadas. En algunos trabajos (Chang, 2000) se
ha demostrado la robustez de esta medida, que permite cuantificar de forma precisa las
diferencias en el dominio espectral de las firmas comparadas.
SE (u, v ) u i v i 2
(2.3.9)
i 1
El error cuadrtico cuantifica la diferencia de las firmas espectrales considerando cada una
de las bandas. Conviene destacar que esta medida, a diferencia de las medidas SAM y SID, es
sensible a los cambios de iluminacin en la imagen original.
El error cuadrtico puede utilizarse para obtener una medida de error entre dos imgenes
hiperespectrales A y B. As, el error cuadrtico medio entre A y B, denotado como RMSE(A,B),
se obtiene calculando el error SE entre todos los pixels coincidentes de las dos imgenes, tal y
como se muestra en la siguiente expresin:
RMSE (A, B)
1
SEAx, y , Bx, y
N ( x , y)
(2.3.10)
- 52 -
1.-
Captulo 2. Antecedentes
una perspectiva simplificada, suponiendo que los pixels estn constituidos por un
nico material.
2.-
Captulo 2. Antecedentes
2.-
- 53 -
Imagen hiperespectral
X
Radiancia
6000
rbol
Suelo
Suelo
rbol
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Suelo
rbol
Espacio de patrones
Banda X (600 nm)
- 54 -
Captulo 2. Antecedentes
clasificacin binaria consiste en dividir el espacio R en dos regiones, Ro y Rf, de forma que u es
clasificado como "objeto" si uRo y como "fondo" si uRf. Este problema puede ilustrarse de
forma grfica utilizando un diagrama de dispersin entre dos bandas poco correlacionadas de la
imagen hiperespectral, como se muestra en la figura 2.3.11.
El diagrama mostrado en la figura 2.3.11 se denomina diagrama de dispersin. Como
puede apreciarse en la figura, la situacin ideal en un problema de clasificacin se produce
cuando la separacin entre objeto y fondo est claramente definida en agrupaciones o clusters
claramente diferenciables.
Los algoritmos de clasificacin de imgenes hiperespectrales pueden dividirse en dos
grandes categoras (Keshava y Mustard, 2002): algoritmos supervisados y algoritmos no
supervisados.
1.-
2.-
Algoritmos supervisados.
Dentro de las tcnicas de clasificacin supervisadas, destacamos los filtros de similaridad
(matched filters) y el mtodo SAM (Spectral Angle Mapper), ambos basados en estadsticas de
primer orden.
Captulo 2. Antecedentes
- 55 -
1 K
ui
K i 1
(2.3.11)
1 K
T
ui f ui f
K i 1
(2.3.12)
Dada una firma espectral s, representativa del objeto a detectar, puede obtenerse un valor de
similaridad MF(s) para dicha firma utilizando la siguiente expresin:
MF( s )
s T f1 f
s T f1 s
(2.3.13)
Mtodo SAM.
Este mtodo utiliza la medida SAM, descrita en el apartado 2.3.2, y consiste en calcular el
coseno del ngulo espectral entre una firma espectral caracterstica de un objeto que se desea
identificar y las firmas espectrales de todos los pixels de la imagen. Aquellos pixels para los que
el valor obtenido sea cercano a 0 tendrn una alta probabilidad de estar constituidos por el
material buscado (Bruce y col., 2001).
La figura 2.3.12 muestra, mediante una sencilla representacin bidimensional basada en un
diagrama de dispersin entre dos bandas espectrales poco correlacionadas, cmo la distancia
SAM puede ser utilizada para caracterizar de forma nica a los pixels en funcin del ngulo que
forman con uno de los ejes del sistema de coordenadas. En este ejemplo, los pixels cuyo ngulo
espectral respecto a un vector de referencia de la clase es superior a un valor umbral, son
asociados a dicha clase, mientras que el resto de pixels se asocia a otra clase distinta. La
eleccin de un valor adecuado para el ngulo umbral, as como la relacin entre el valor
escogido y la distribucin de los puntos en el espacio, son los dos factores determinantes a la
hora de evaluar si la informacin angular presenta o no propiedades adecuadas en cuanto a la
separacin de muestras.
- 56 -
Captulo 2. Antecedentes
Banda Y
Clase 1 (ngulo )
La principal ventaja del mtodo SAM viene dada por las propiedades de la distancia en la
que se basa. La diferencia de ngulo espectral ofrece, como hemos visto anteriormente, muy
buenos resultados en caso de que los pixels de la imagen estn afectados por condiciones de
iluminacin variable (Boardman y col., 1995), permitiendo establecer una clasificacin que no
se ve afectada por estos detalles. Por otra parte, el mtodo SAM presenta algunas limitaciones
cuando la magnitud de los valores es importante a la hora de discriminar la informacin,
circunstancia que tiene lugar en determinadas aplicaciones (Richards y Jia, 1999).
Algoritmos no supervisados.
Las tcnicas de clasificacin de pixels de forma no supervisada en imgenes hiperespectrales
se encuentran en plena fase de desarrollo (Landgrebe, 2002). Entre las tcnicas existentes,
destaca el mtodo K-Means (Theiler y Gisler, 1997), que supone la existencia de K clases
(parmetro que debe ser determinado a priori) y realiza una agrupacin de los pixels de la
imagen en dichas clases utilizando los vectores mtodos puramente estadsticos basados en los
espectros promedio de dichas clases.
Por otra parte, el mtodo ISODATA (Richards, 1993) tambin requiere la inicializacin de
un parmetro K relativo al nmero de clases deseadas, de forma previa a la ejecucin del
algoritmo. Adems, este mtodo necesita informacin relativa al nmero mnimo de firmas
pertenecientes a una clase. Si el valor inicial de K es bajo, la dispersin entre clases diferentes
puede ser muy alta. Por el contrario, si el valor inicial de K es alto, la distancia entre clases
puede ser muy pequea, provocando el particionamiento de una misma clase en varias clases
similares entre s. En general, la literatura reciente demuestra que los resultados obtenidos por
Captulo 2. Antecedentes
- 57 -
estas dos tcnicas no han sido demasiado satisfactorios, salvo en aplicaciones muy concretas
(Sweet y col., 2000).
Una vez presentadas las tcnicas ms habituales de clasificacin de imgenes
hiperespectrales, concluimos el presente apartado destacando algunas tcnicas utilizadas para
evaluar dichos algoritmos.
- 58 -
Captulo 2. Antecedentes
Matriz de confusin.
La matriz de confusin (Congalton, 1989) es una tcnica que permite evaluar la precisin de
algoritmos de clasificacin de imgenes digitales obtenidas de forma remota. Esta tcnica
presupone que la informacin verdad terreno viene expresada en forma de un mapa temtico
(Stehman, 2000; Steele y col., 1998), caracterizado por las siguientes propiedades:
1.-
2.-
Las regiones de referencia son mutuamente excluyentes entre s, es decir, dos regiones
diferentes no tienen ningn pixel en comn: R i R j , i j .
Supongamos que cada pxel i de la imagen a evaluar, I, es asignado por el algoritmo como
perteneciente a una determinada clase Ci, de forma que se tienen N clases. Los conjuntos Ci
determinan una particin de la imagen a evaluar, es decir, la unin de todos ellos da como
resultado la imagen y dos conjuntos distintos no tienen ningn elemento en comn:
N
C i I y C i C j , i j
(2.3.14)
i 1
Mapa temtico
(verdad terreno)
Clasificacin
(Algoritmo)
Lago (C0)
Lago (R0)
Carretera (R1)
Carretera (C1)
rboles (R2)
rboles (C2)
Suelo (R3)
Suelo (C3)
Matriz de confusin
R0
R1
R2
R3
C0
a00=|C0R0|
a01=|C0R1|
a02=|C0R2|
a03=|C0R3|
C1
a10=|C1R0|
a11=|C1R1|
a12=|C1R2|
a13=|C1R3|
C2
a20=|C2R0|
a21=|C2R1|
a22=|C2R2|
a23=|C2R3|
C3
a30=|C3R0|
a31=|C3R1|
a32=|C3R2|
a33=|C3R3|
Teniendo en cuenta las anteriores consideraciones, la figura 2.3.13 muestra un ejemplo del
proceso de construccin de una matriz de confusin. En la figura, se muestra el mapa temtico
de clasificacin verdad terreno asociado a la imagen a clasificar, el resultado de clasificacin
proporcionado por un determinado algoritmo para dicha imagen, y la matriz de confusin que
Captulo 2. Antecedentes
- 59 -
cuantifica la precisin del algoritmo en la tarea de clasificacin. Como puede apreciarse, las
Curvas ROC.
La teora de la deteccin (McMillan y Creelman, 1992), cuyo mximo exponente son las
curvas ROC (Receiving Operating Characteristics), ha sido ampliamente utilizada para medir la
habilidad con la que un algoritmo computacional es capaz de llevar a cabo una tarea de
reconocimiento de formas u objetos en imgenes digitales (Alsing y col., 2002). En particular,
estas curvas han sido utilizadas para evaluar nuevos algoritmos de anlisis hiperespectral (Bruce
y col., 2001), fundamentalmente aquellos algoritmos orientados a identificar targets u objetos
de inters (Chang y col., 1999).
Las curvas ROC pueden entenderse como un caso particular de la matriz de confusin
cuando el problema de clasificacin es binario, es decir, limitado a dos nicas clases (McMillan
y Creelman, 1992). De este modo, para construir una curva ROC es necesario partir del
supuesto de que la informacin verdad terreno viene expresada en forma de una imagen binaria,
en la que cada pixel viene etiquetado como perteneciente una de dos clases: objeto, Vo, o fondo,
Vf, siendo estas clases mutuamente excluyentes entre si. Por su parte, el algoritmo de
clasificacin da como resultado dos clases binarias mutuamente excluyentes: objeto, Co, y
fondo, Cf. Teniendo en cuenta estas definiciones, la tabla 2.3.3 describe la nomenclatura
utilizada en anlisis ROC.
Vo
Vf
Co
VPs = |CoVo |
FPs = |CoVf |
Cf
FNs = |CfVo |
TNs = |CfVf |
- 60 -
Captulo 2. Antecedentes
H=
VPs
VPs + VNs
(2.3.15)
F=
FPs
FPs + VNs
(2.3.16)
pertenecientes al fondo.
La figura 2.3.14 muestra un sencillo ejemplo de la construccin de una curva ROC para una
imagen de clasificacin proporcionada por un algoritmo de deteccin de targets, en la que los
pixels con ND claro tienen mayor probabilidad de pertenecer a los objetos de inters (rboles),
mientras que los pixels con ND mas bajo tienen mayor probabilidad de pertenecer al fondo
Captulo 2. Antecedentes
- 61 -
Verdad terreno
Algoritmo
Suelo (Fondo)
Umbral 1
(H=0, F=0)
Suelo (Fondo)
Umbral 2
(H=0.3, F=0)
Umbral 3
(H=0.9, F=0.1)
Umbral 4
(H=1, F=0.4)
Umbral 5
(H=1, F=1)
Sensibilidad (H)
1
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
Especificidad (F)
Segn la teora de la deteccin (McMillan y Creelman, 1992), una medida adecuada para
cuantificar la precisin con la que algoritmo de deteccin identifica los objetos de inters es el
rea bajo la curva ROC. En el ejemplo mostrado en la figura 2.3.14, el rea bajo la curva ROC
se aproxima al 90% con respecto al rea total en la cuadrcula, lo cual indica que la precisin del
algoritmo de deteccin en este ejemplo se sita en torno al 90%.
- 62 -
Captulo 2. Antecedentes
indican la proporcin o contribucin individual de cada uno de los espectros puros en el pixel
mezcla (Boardman y col., 1995). Para realizar esta operacin, basada en la resolucin de un
sistema de ecuaciones, es necesario que el nmero de bandas de la imagen original sea mucho
mayor que el nmero de endmembers, suposicin totalmente justificada en el caso de imgenes
hiperespectrales (Keshava y Mustard, 2002). Los espectros puros normalmente vienen asociados
a componentes macroscpicos claramente identificables en la imagen, como agua, suelo,
vegetacin, minerales, etc., de forma que, habitualmente, con unos cuantos endmembers se
pueden interpretar todos los puntos de la imagen.
El modelo utilizado para describir la situacin anteriormente comentada es el denominado
modelo de mezcla, el cual considera que cualquier escena est constituida por un conjunto de
endmembers con propiedades espectrales caractersticas y diferentes entre s, y que aparecen
mezclados en distintas proporciones (Kruse, 1998; Settle, 1996). Dentro del modelo de mezcla,
se consideran dos posibilidades diferentes:
1.-
Modelo lineal. Supone que cada haz de radiacin solar incidente solamente interacta
con un nico componente o endmember, de forma que la radiacin total reflejada por
un pixel mezcla se puede descomponer de forma proporcional a la abundancia de cada
uno de los endmembers en el pixel (Petrou y Foschi, 1999; Hu y col., 1999). Este
modelo aparece ilustrado en la figura 2.3.15.
2.-
lineal. Borel y Gerstl, 1994, demostraron que los efectos no lineales que se producen
en este caso se deben, fundamentalmente, a efectos de dispersin mltiple en la luz
reflejada por los diferentes materiales (Garca-Haro y Sommer, 2002). El modelo no
lineal aparece ilustrado mediante un ejemplo en la figura 2.3.16.
El modelo lineal proporciona resultados adecuados en gran cantidad de aplicaciones (Collins
y col., 2001; Roberts y col., 1998), y se caracteriza por su simplicidad (Bateson y col., 2000).
Por su parte, el modelo no lineal ha sido utilizado con gran xito en determinadas aplicaciones
de carcter especfico, especialmente en aplicaciones orientadas a estudiar las propiedades de
cubiertas vegetales (Zarco-Tejada y col., 2001).
Captulo 2. Antecedentes
- 63 -
Comportamiento
lineal
Comportamiento
no lineal
- 64 -
Captulo 2. Antecedentes
etc. (ver figura 2.1.4). Este hecho plantea una interesante pregunta, an carente de una respuesta
clara en la literatura: se trata de conocer qu tipo de mezclas (lineales o no lineales) son las que
predominan en los espectros obtenidos por el sensor para los pixels mezcla.
La respuesta a la anterior pregunta depende, en gran medida, de las caractersticas propias de
la escena considerada. De este modo, el debate entre el modelo lineal y el no lineal se puede
resumir en una pregunta: deben los procedimientos de anlisis hiperespectral tener en cuenta
los aspectos fsicos del proceso de mezcla de componentes?. A modo de respuesta genrica a
dicha pregunta, podemos afirmar que la gran complejidad asociada a los modelos de mezcla no
lineales ha hecho que el modelo lineal sea aceptado en la mayor parte de aplicaciones (Bateson
y col., 2000).
A pesar de que el trabajo realizado en esta memoria toma como punto de referencia el
modelo lineal de mezcla, consideramos interesante realizar un breve repaso a la aproximacin
no lineal de forma previa a la descripcin del modelo lineal.
Captulo 2. Antecedentes
- 65 -
A pesar de las ventajas que proporciona el uso de modelos no lineales para representar
situaciones de mezcla ntima entre componentes, conviene destacar que el enfoque no lineal ha
sido mayormente estudiado en simulaciones realizadas en el laboratorio (Hu y col., 2002). Entre
las principales razones por las que los modelos no lineales no han sido aplicados de forma
regular en el anlisis de datos hiperespectrales, destacamos las siguientes:
En primer lugar, los modelos no lineales son complejos y especficos. Estos modelos
superficies planas observadas desde el nadir (Kimes y col., 2002). Sin embargo, la
obtencin de una descripcin detallada acerca de otro tipo de superficies necesita un
conocimiento exacto de la orientacin angular de la plataforma de observacin. Esta
informacin debe ser contrastada con informacin concreta sobre la elevacin del
terreno, proporcionada por modelos digitales de elevacin (DEMs).
En definitiva, el modelo no lineal constituye una aproximacin muy prometedora y de
inters ciertamente creciente. No obstante, el estado del arte actual en esta disciplina se
compone, en su prctica totalidad, de modelos especficos, orientados en su mayor parte al
estudio de cubiertas vegetales. Esta especificidad, motivada por la dependencia del modelo no
lineal con respecto a las propiedades fsicas de las cubiertas estudiadas, hace que, por el
momento, el diseo de mtodos de estimacin de abundancias capaces de funcionar en
aplicaciones diversas tenga como referencia el modelo lineal de mezcla.
Debido al pretendido carcter flexible de la metodologa descrita en esta memoria, hemos
optado por utilizar como referencia el modelo lineal, a pesar de las ventajas sustanciales que el
modelo no lineal ofrece en aplicaciones especficas. En este sentido, una de las lneas futuras
ambicionadas por los autores de esta memoria es la incorporacin de variables biofsicas propias
de los materiales en la metodologa propuesta.
- 66 -
Captulo 2. Antecedentes
Descripcin.
El modelo lineal de mezcla presupone que la proporcin de componentes o endmembers que
se mezclan en un determinado pixel de la imagen sigue un proceso lineal. Sea s la firma
espectral obtenida por un sensor hiperespectral en un determinado pixel. Este espectro puede ser
considerado como un vector N-dimensional, donde N es el nmero de bandas espectrales del
sensor. El vector s puede modelarse en trminos de una combinacin lineal de vectores
endmembers, ei, i=1..E, de acuerdo con la expresin que se muestra a continuacin.
E
s ci e i ,
i 1
(2.3.17)
s Ec w ,
(2.3.18)
Captulo 2. Antecedentes
- 67
E e 0 , e1 , ..., e E
(2.3.19)
Los elementos del vector c son los coeficientes de abundancia, ci, i=1..E, de cada uno
(2.3.20)
Endmember s
Banda j
mezcla:
c1 s + c2 v = c3 u
mezcla:
1/2 u + 1/2 s
s
centroide:
1/3 u + 1/3 v + 1/3 s
v
u
Endmember u
Endmember v
mezcla:
1/2 u + 1/2 v
Banda i
Figura 2.3.17. Interpretacin grfica del modelo lineal de mezcla.
En la figura, puede apreciarse cmo todos los puntos de la imagen quedan englobados
dentro del tringulo formado por los tres puntos ms extremos. Los vectores asociados a dichos
puntos constituyen un nuevo sistema de coordenadas con origen en el centroide de la nube de
puntos, de forma que cualquier punto de la imagen puede expresarse como una combinacin
lineal de los puntos ms extremos, por lo que estos puntos son los mejores candidatos para ser
seleccionados como endmembers.
- 68 -
Captulo 2. Antecedentes
Limitaciones.
La representacin grfica mostrada en la figura 2.3.17 muestra que el modelo lineal de
mezcla se basa en la identificacin de los puntos ms extremos de la nube de puntos (Boardman
y col., 1995). Estos puntos generalmente se corresponden con los endmembers del modelo, y
pueden utilizarse para construir un hiperpolgono convexo que engloba al resto de puntos de la
imagen (Ifarraguerri y Chang, 1999).
Esta aproximacin, denominada habitualmente en la literatura como geometra convexa
(Boardman, 1993), resulta adecuada para explicar el sentido fsico de los endmembers, pero no
est exenta de algunas limitaciones (Keshava y Mustard, 2002), que enumeramos a
continuacin:
Variabilidad espectral. Por regla general, es frecuente que exista una notable
Captulo 2. Antecedentes
- 69 -
autores (Tompkins y col., 1997) justifican la creacin de estos puntos artificiales en base a
obtener una descripcin coherente, en trminos fsicos, de las abundancias finales, evitando las
inconsistencias anteriormente mencionadas.
- Endmembers reales
- Endmembers falsos
Banda j
- Outliers
Banda i
Figura 2.3.18. Uso de endmembers falsos para contrarrestar el fenmeno de la aparicin de outliers.
Para reducir al mximo el efecto nocivo de los endmembers artificiales a la hora de realizar
la estimacin de abundancias, algunos autores (Keshava y Mustard, 2002) recomiendan que los
nuevos puntos generados sean lo ms cercanos posibles a puntos existentes. En trminos
matemticos, este problema se plantea desde el punto de vista de identificar el simplex (Winter,
1999) de menor volumen que engloba a todos los puntos, siendo los puntos extremos de dicho
outliers y pixels ruidosos, los cuales pueden alterar la forma de la nube de puntos.
En la prctica, los problemas anteriormente comentados pueden solucionarse mediante la
utilizacin de mtodos estadsticos. Nuestra propuesta para solucionar el problema, como
veremos a lo largo de la presente memoria, es la incorporacin de informacin espacial en el
proceso de seleccin de endmembers.
Una vez planteadas las principales limitaciones del modelo lineal de mezcla, procedemos a
describir la metodologa tradicional de anlisis hiperespectral basada en este modelo.
- 70 -
Captulo 2. Antecedentes
Imagen pre-procesada
Imagen reducida
dimensionalmente
Reduccin
dimensional
Estimacin de
abundancias
Identificacin
de endmembers
endmembers
Reflectancia (%*100)
5000
4000
3000
2000
1000
0
300
Mapas de abundancia
600
900
1200
1500
1800
2100
2400
Como puede apreciarse en la figura 2.3.19, la metodologa parte de una imagen preprocesada, es decir, corregida geomtricamente (Schlpfer, 1998) y atmosfricamente (Green y
Gao, 1993; Berk y col., 1999; Richter, 2000). A continuacin, se efectan los siguientes pasos:
1.-
Captulo 2. Antecedentes
- 71 -
estimacin de abundancias que parten del supuesto de que los endmembers son previamente
conocidos (Hu y col., 1999), mientras que otros mtodos se encargan de identificar los
endmembers de forma previa al proceso de clculo de abundancias (Winter, 2000; Staenz y col.,
1998; Bowles y col., 1995). En cualquier caso, la precisin con la que se realicen estos dos
pasos es fundamental en el proceso (Kruse, 1998).
A continuacin, se describen las tcnicas ms relevantes para llevar a cabo cada uno de los
pasos anteriormente mencionados.
Reduccin dimensional.
La etapa de reduccin dimensional no es, en s misma, necesaria para el anlisis de imgenes
hiperespectrales (Jimnez y Landgrebe, 1996). Sin embargo, se trata de un paso que muchos
algoritmos incorporan, debido a la alta dimensionalidad de los datos analizados.
Por otra parte, las tcnicas de reduccin dimensional suelen traer como consecuencia una
mejora de la relacin SNR en los datos a travs de la eliminacin de ruido (Chang y col., 1999),
lo cual hace atractiva su utilizacin de forma previa al paso de identificacin de endmembers. El
inconveniente que presenta esta alternativa es la dificultad para interpretar los datos espectrales
tras la etapa de reduccin.
Es importante distinguir las tcnicas de reduccin dimensional de las tcnicas de compresin
de imgenes hiperespectrales (Qian y col., 2000). Contrariamente al objetivo de los mtodos de
compresin, el proceso de simplificacin dimensional no permite, por regla general, reconstruir
la imagen original. Al contrario, el objetivo de la reduccin dimensional es obtener una
representacin mnima de la imagen que contenga la informacin indispensable para realizar el
anlisis sobre un sub-conjunto reducido de la imagen original. De este modo, los algoritmos de
reduccin dimensional suelen estar diseados de forma que minimizan los errores cometidos al
trabajar con dicho sub-conjunto, despreocupndose de la posibilidad de recuperar la imagen
original (Kaarna y col., 2000).
A continuacin describimos las tcnicas de reduccin dimensional ms ampliamente
utilizadas en anlisis hiperespectral.
- 72 -
Captulo 2. Antecedentes
1 P
T
ui ui ,
P i 1
(2.3.21)
donde los ui hacen referencia a pixels de la imagen, es el vector promedio de todos los
(2.3.22)
Captulo 2. Antecedentes
- 73 -
Banda Y
Componente 1
Componente 2
Banda X
Banda PCA 1
Banda PCA 2
Banda PCA 3
Banda PCA 4
Banda PCA 5
Banda PCA 6
Banda PCA 7
Banda PCA 8
Banda PCA 9
Banda PCA 10
Banda PCA 11
Banda PCA 12
Banda PCA 13
Banda PCA 14
Banda PCA 15
Banda PCA 16
Banda PCA 17
Banda PCA 18
Banda PCA 19
Banda PCA 20
Figura 2.3.21. Ejemplo de aplicacin de la transformada PCA sobre una imagen hiperespectral real.
- 74 -
Captulo 2. Antecedentes
50000
Banda PCA 2
40000
30000
20000
10000
0
-10000
-20000
-30000
-20000
-10000
10000
20000
Banda PCA 1
Figura 2.3.22. Representacin de las dos primeras bandas mostradas en la figura 2.2.21.
En primer lugar, se aplica una transformacin PCA sobre la imagen original, a travs
de la cual se separa la seal del ruido, que queda aislado en las ltimas bandas.
2.-
3.-
Captulo 2. Antecedentes
- 75 -
utiliza un ndice MNF que estima la proporcin entre seal y ruido presente en las
componentes proporcionadas por la transformada PCA. La componente que presenta
la fraccin mnima de ruido es aquella cuyo autovector asociado, v, maximiza la
siguiente expresin:
v T S v
(2.3.23)
v T R v
Banda MNF 1
Banda MNF 2
Banda MNF 3
Banda MNF 4
Banda MNF 5
Banda MNF 6
Banda MNF 7
Banda MNF 8
Banda MNF 9
Banda MNF 10
Banda MNF 11
Banda MNF 12
Banda MNF 13
Banda MNF 14
Banda MNF 15
Banda MNF 16
Banda MNF 17
Banda MNF 18
Banda MNF 19
Banda MNF 20
Figura 2.3.23. Ejemplo de aplicacin de la transformada MNF sobre una imagen hiperespectral real.
- 76 -
Captulo 2. Antecedentes
Identificacin de endmembers.
En esta seccin describimos los mtodos existentes en la literatura orientados a la deteccin
de endmembers a partir de imgenes hiperespectrales. Los mtodos existentes pueden agruparse
en tres categoras fundamentales (Keshava y Mustard, 2002):
1.-
Mtodos interactivos.
Los mtodos interactivos vienen caracterizados por la realizacin de procesos de prueba y
error (Stein y col., 2002). As, un analista espectral, poseedor de ciertos conocimientos acerca
de la zona de estudio o sobre conjunto de datos disponible, utiliza dichos conocimientos para
supervisar y guiar un procedimiento de anlisis de los datos. Dentro de esta categora,
destacamos dos aproximaciones, las cuales se describen a continuacin.
Captulo 2. Antecedentes
- 77 -
Mtodo MEST.
Una variante del mtodo manual es la tcnica Manual Endmember Selection Tool, MEST
(Bateson y Curtiss, 1996). Esta tcnica se caracteriza por utilizar una herramienta interactiva
que permite identificar endmembers en base a su condicin de puntos extremos en la nube de
puntos. El procedimiento seguido para identificar firmas espectrales de referencia utilizando
esta herramienta manual puede resumirse en los siguientes pasos:
1.-
2.-
- 78 -
Captulo 2. Antecedentes
los primeros D autovalores da como resultado un valor por encima del umbral
de tolerancia establecido, esto indica que la mayor parte de la varianza est
contenida en los primeros D autovectores. La anterior operacin puede
resumirse en encontrar el valor de D ms pequeo para el que se satisface la
siguiente expresin:
D
(2.3.24)
i 1
Mtodos semiautomticos.
Los mtodos semiautomticos de identificacin de endmembers se caracterizan por utilizar
mdulos totalmente automticos junto con otros mdulos total o parcialmente supervisados.
Generalmente, los mdulos supervisados se basan en procedimientos de prueba y error. El
mtodo semiautomtico ms popular en la literatura es el mtodo PPI, descrito a continuacin.
Mtodo PPI.
Este mtodo tiene como objetivo localizar los puntos espectralmente ms puros de la imagen
hiperespectral (Boardman y col., 1995). Para ello, el mtodo se basa en la suposicin de que los
Captulo 2. Antecedentes
- 79 -
puntos ms extremos de la nube de puntos son los mejores candidatos para ser utilizados como
endmembers.
Los parmetros de entrada de PPI son los que se enumeran a continuacin.
Nmero de iteraciones a realizar.
Valor umbral para seleccionar pixels puros.
Una vez fijados de antemano los anteriores parmetros, el funcionamiento del algoritmo se
basa en los siguientes pasos:
1.-
2.-
3.-
El tercer paso consiste en proyectar todos los puntos de la imagen hiperespectral sobre
el vector unitario antes generado, identificando los puntos extremos en la direccin
definida por el vector unitario. El ndice de pureza de los puntos extremos se
incrementa en una unidad.
4.-
Los pasos 2-3 del algoritmo se repiten tantas veces como el usuario especifique en el
parmetro de entrada.
5.-
6.-
7.-
Los pixels seleccionados se cargan en una herramienta interactiva denominada NDimensional Visualizer (Boardman y col., 1995). Esta herramienta es muy similar a la
herramienta de visualizacin proporcionada por la tcnica MEST (Bateson y Curtiss,
1996), y permite realizar diagramas de dispersin de los primeros autovectores
obtenidos tras la aplicacin de una transformacin MNF sobre los datos originales.
- 80 -
8.-
Captulo 2. Antecedentes
Skewer 1
Pixel extremo
Skewer 2
Pixel extremo
Skewer 3
Pixel extremo
Pixel extremo
Figura 2.3.24. Seleccin de puntos extremos a partir de la utilizacin de vectores que particionan la
nube de puntos (skewers).
Como puede deducirse a partir de los pasos mencionados, el mtodo PPI contiene etapas
totalmente automatizadas, como la fase de generacin de la imagen de pureza, pero es necesaria
una etapa final, altamente interactiva, en la que el usuario selecciona manualmente los pixels
que quiere utilizar como endmembers. A diferencia del mtodo MEST, el usuario no conoce a
priori cul es el nmero apropiado de endmembers a seleccionar, por lo que debe escoger el
nmero de endmembers en base a su intuicin. Este hecho pone de manifiesto la conveniencia
de cierto conocimiento a priori sobre la imagen. Esta caracterstica, unida a otras como la
aleatoriedad en el proceso de generacin de vectores unitarios (Theiler y col., 2000), representan
los principales inconvenientes de esta metodologa. Por otra parte, es importante destacar que el
mtodo PPI puede generar endmembers artificiales en el caso en el que el usuario del mtodo
seleccione conjuntos de puntos en el proceso interactivo de identificacin de firmas espectrales
extremas.
Existen algunos trabajos orientados a mejorar las prestaciones del mtodo PPI. Algunos
autores (Theiler y col., 2000) han basado sus esfuerzos en el planteamiento de nuevas
Captulo 2. Antecedentes
- 81 -
Banda j
B
Banda i
A simple vista, resulta sencillo localizar en la figura 2.3.25 aquellas direcciones en las que
se produce la mezcla entre componentes. En los extremos de dichas direcciones se encuentran
los endmembers de la imagen, mientras que el resto de puntos en cada direccin viene dado por
mezclas entre los componentes puros. Como ilustra la figura, la prctica totalidad de los puntos
de la imagen suele concentrase en las proximidades de alguna direccin privilegiada.
A partir de la figura 2.3.25, resulta intuitivo pensar que la identificacin de dichas
direcciones puede optimizar las prestaciones del mtodo PPI. Algunos estudios realizados
(Theiler y col., 2000), demuestran que la utilizacin de direcciones privilegiadas para
particionar la nube de puntos permite acelerar y refinar la etapa de identificacin de pixels
puros, pues las proyecciones de los endmembers sobre dichos vectores resultan siempre en
valores extremos.
- 82 -
Captulo 2. Antecedentes
Mtodos automticos.
La necesidad de disponer de metodologas automticas para la seleccin de endmembers
es una circunstancia ampliamente reconocida en la literatura (Boardman y col., 1995). El motivo
de esta necesidad es simple: los procedimientos basados en ensayo y error proporcionan
resultados que pueden ser difciles de repetir y, por tanto, de analizar de forma comparativa con
respecto a otras aproximaciones.
Recientemente se han desarrollado varios mtodos capaces de extraer endmembers a partir
de una imagen de forma automtica. Estos mtodos se caracterizan porque su funcionamiento
puede controlarse a partir de una serie de parmetros de entrada. Es importante destacar que la
salida de un mtodo parametrizado debe ser idntica siempre que se utilicen los mismos
parmetros al invocarlo. El grado de control sobre el mtodo depender en gran medida del
nmero de parmetros utilizados y de las caractersticas de los mismos. Dentro de los mtodos
comentados, destacamos las siguientes aproximaciones.
Mtodo ORASIS.
El algoritmo ORASIS (Bowles y col., 1995) fue el primer mtodo de seleccin de
endmembers capaz de ofrecer una respuesta en tiempo casi real. Este mtodo, desarrollado por
el Laboratorio de Investigaciones Navales de Estados Unidos, recibe como parmetro de entrada
nico un ngulo espectral denominado ngulo mnimo, min. Las etapas realizadas por el
algoritmo ORASIS son las que a continuacin se enumeran.
1.-
2.-
Captulo 2. Antecedentes
- 83 -
c. El proceso se repite de forma iterativa con todos los pixels capturados por el
sensor. Conviene destacar que el primer pixel obtenido se convierte
automticamente en el primer elemento ejemplar.
3.-
Una vez eliminados los pixels redundantes, los ejemplares (endmembers) se utilizan
para definir un nuevo sistema de ejes de coordenadas sobre el que se proyectan los
datos, logrando una representacin simplificada de la imagen original. Esta
aproximacin, ilustrada grficamente en la figura 2.3.26, es similar a la tcnica de
componentes principales, descrita con anterioridad en el presente captulo.
Pixel inicial
(Ejemplar 1)
Banda Y
Eje
coordenadas 2
min
2
3
Ejemplar 2
4
Banda X
Eje
coordenadas 1
endmembers
- 84 -
Captulo 2. Antecedentes
Mtodo N-FINDR.
El algoritmo N-FINDR (Winter, 1999) utiliza una tcnica basada en identificar los
endmembers como los vrtices del simplex de mayor volumen que puede formarse en la nube de
puntos. Al contrario que el mtodo ORASIS, caracterizado por una etapa previa de
simplificacin de la imagen, N-FINDR trabaja con todo el cubo de datos original, sin ningn
tipo de reduccin previa. Los parmetros iniciales recibidos por el algoritmo son los siguientes:
Nmero mximo de endmembers a identificar.
Valor de sensibilidad. Este parmetro es similar al utilizado por el mtodo ORASIS:
se trata de un ngulo espectral mnimo que ser utilizado a la hora de incorporar un
nuevo pixel al conjunto de endmembers seleccionados.
Los pasos realizados por este algoritmo son los detallados a continuacin.
1.-
2.-
3.-
4.-
Si el volumen obtenido tras el reemplazamiento es mayor que el que haba antes del
reemplazamiento, el nuevo punto trae como consecuencia un reemplazamiento en el
conjunto de endmembers. En caso contrario, se deshace el cambio. En este paso se
analiza tambin la similaridad espectral del punto con respecto a los endmembers del
conjunto (segundo parmetro), de forma que si el punto es demasiado similar en
trminos espectrales a los ya almacenados, un pequeo incremento de volumen no se
traduce en la incorporacin del punto al conjunto por motivos de redundancia.
5.-
En virtud de los pasos anteriormente descritos, es claro que el mtodo es sensible al primer
paso del algoritmo, en el que se establece de forma aleatoria un conjunto inicial de endmembers.
Si la estimacin inicial es adecuada, el algoritmo no necesitar realizar demasiadas iteraciones
Captulo 2. Antecedentes
- 85 -
hasta llegar a la solucin ptima. Por el contrario, una estimacin inicial errnea puede dar
como resultado una alta complejidad computacional del algoritmo.
Por otra parte, el algoritmo presupone que un aumento en el volumen del hiperpolgono
definido al incorporar un nuevo pixel en el conjunto de endmembers conlleva una mayor calidad
de los mismos. Sin embargo, la figura 2.3.27 demuestra que el hecho de utilizar un polgono de
mayor volumen no asegura una mejor descripcin de la nube de puntos. Un parmetro ms
fiable es el aumento en el nmero de pixels que pueden describirse utilizando el nuevo conjunto
de endmembers.
Banda Y
Volumen 1
Volumen 2
Finalmente, es importante destacar que los endmembers identificados por el algoritmo NFINDR corresponden a pixels pertenecientes al conjunto de datos original. Utilizando este
algoritmo, no es posible generar endmembers artificiales, pues los reemplazamientos se realizan
siempre utilizando puntos existentes en el conjunto de muestras disponibles. De este modo,
puede ocurrir que los endmembers seleccionados no sean los ms puros.
Mtodo IEA.
El algoritmo de anlisis de error iterativo o iterative error analysis, IEA (Staenz y col.,
1998) se basa, como su nombre indica, en un procedimiento de anlisis sucesivo del error
- 86 -
Captulo 2. Antecedentes
obtenido al utilizar un conjunto de puntos de la imagen original como endmembers. Al igual que
NFINDR, el mtodo IEA trabaja con todo el cubo de datos original, sin aplicar ningn tipo de
reduccin previa sobre los datos. Los parmetros de entrada que el algoritmo recibe son los
siguientes:
Nmero mximo de endmembers a identificar.
Umbral de error RMSE mnimo. Este parmetro se refiere a un valor de error mnimo
que ser utilizado a la hora de seleccionar los puntos.
Los pasos realizados por este algoritmo son los que se detallan a continuacin.
1.-
2.-
3.-
En un tercer paso se seleccionan aquellos puntos que dan como resultado un mayor
RMSE en la estimacin. Estos puntos, los ms alejados del centroide inicialmente
seleccionado, son buenos candidatos para ser utilizados como endmembers.
4.-
Los puntos anteriormente mencionados son ahora utilizados para estimar las
abundancias. De nuevo, la tcnica de mnimos cuadrados permite obtener una serie de
puntos en los que el RMSE en la estimacin de abundancias es significativo.
5.-
A partir de este momento, se repiten de forma iterativa los pasos 3-5 del algoritmo
hasta que el conjunto de endmembers contiene tantos puntos como se haya
especificado en el primer parmetro de entrada del algoritmo o bien hasta que se
alcance un valor global de error RMSE inferior al especificado como segundo
parmetro del algoritmo.
A partir de los pasos anteriores, podemos intuir que el mtodo IEA es sensible a la seleccin
del vector inicial a partir del que se realiza todo el proceso. En este caso, la eleccin del
centroide de la nube de puntos puede considerarse, en trminos generales, una decisin acertada,
aunque otra alternativa, no considerada por los autores del mtodo, podra ser el elemento ms
alejado del centroide; esta seleccin ahorrara una iteracin.
Por otra parte, a pesar de que no se han publicado en la literatura estimaciones de coste
computacional asociadas al algoritmo, es razonable suponer que la repeticin reiterativa del
Captulo 2. Antecedentes
- 87 -
Endmember 1
Endmember 2
Endmember 3
y
Endmember 4
Finalmente, destacamos que IEA, al igual que NFINDR y PPI, selecciona endmembers que
se corresponden en todo momento a pixels pertenecientes al conjunto de datos original, no
siendo posible generar endmembers artificiales.
Mtodo SOM
Por ltimo, destacamos un mtodo automtico para la extraccin de endmembers basado en
redes neuronales (Aguilar, 2000). En concreto, este mtodo hace uso del modelo autoorganizativo o Self-Organizing Map, SOM (Kohonen, 1998).
La arquitectura de la SOM utilizada aparece ilustrada en la figura 2.3.29. El conjunto total
de neuronas de la red se agrupa en:
Un conjunto de N neuronas de entrada, que reciben la informacin total
correspondiente a cada firma hiperespectral, de manera que cada neurona de entrada
recibe la informacin de una determinada longitud de onda o banda de cada firma.
- 88 -
Captulo 2. Antecedentes
Firmas
espectrales
W
(endmembers)
Imagen
clasificada
E
N
Entrenar la red con todas las firmas hiperespectrales de la imagen. En este caso, el
conjunto de entrenamiento es muy grande. Teniendo en cuenta que las firmas
hiperespectrales contienen un gran nmero de bandas, esta aproximacin puede ser
costosa. Adems, se plantea el problema de que la red puede aprender como
endmembers algunas firmas que se obtienen como mezcla de otras firmas puras.
2.-
Captulo 2. Antecedentes
- 89 -
Mtodo
Funcionamiento
Reduccin
dimensional
Uso de informacin
espacial
Seleccin manual
Manual
Ninguna
No
MEST
Manual
PCA
No
PPI
Semiautomtico
MNF
No
ORASIS
Automtico, parametrizado
MNF
No
N-FINDR
Automtico, parametrizado
Ninguna
No
IEA
Automtico, parametrizado
Ninguna
No
SOM
Automtico, parametrizado
Ninguna
No
Una vez descritos los principales mtodos para extraer endmembers a partir de imgenes
hiperespectrales, comentamos las tcnicas existentes para obtener los coeficientes de
abundancias del resto de puntos.
Estimacin de abundancias.
Las tcnicas de estimacin de abundancias basadas en el modelo de mezcla lineal aparecen
denominadas en la literatura como tcnicas de desmezclado espectral lineal o Linear Spectral
Unmixing (LSU). Algunos autores (Heinz y Chang, 2000) han introducido dos restricciones en
el modelo lineal de mezcla, conocidas en la literatura como restricciones de no-negatividad y
suma unitaria. Estas restricciones son las que se mencionan a continuacin:
- 90 -
Captulo 2. Antecedentes
2.-
Captulo 2. Antecedentes
- 91 -
E T s (x, y)
(2.3.25)
es un
- 92 -
Radiancia (W/cm2/nm/sr)
2.-
Captulo 2. Antecedentes
7000
Grass - trees
6000
Grass - pasture
5000
Corn - notill
4000
Soybean - notill
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
endmembers identificados
Por ltimo, destacamos que los vectores c (x, y) descritos en este apartado pueden
representarse en forma de un conjunto de mapas de abundancia de cada uno de los endmembers,
tal y como aparece ilustrado en la figura 2.3.35. Los mapas de abundancia son representaciones
de los vectores de abundancias en cada uno de los pixels de la imagen original.
MESMA.
Este mtodo utiliza el siguiente procedimiento para realizar el proceso de desmezclado
(Roberts y col., 1998):
1.-
Captulo 2. Antecedentes
2.-
- 93 -
3.-
Los coeficientes de abundancia para cada modelo probado se determinan de forma que
el espectro obtenido como combinacin lineal de endmembers produzca el menor
valor de error RMSE posible al compararlo con el espectro original presente en el
pixel. Los coeficientes de abundancia resultantes satisfacen las restricciones de no
negatividad y suma unitaria.
4.-
- 94 -
Captulo 2. Antecedentes
Por otra parte, varios autores (Madhok y Landgrebe, 1998; Pinzn y col., 1998; Peppin y
col., 2001; Hudgins y Hines, 2001) han argumentado que la principal limitacin de las tcnicas
exclusivamente espectrales radica en que el proceso de anlisis no tiene en cuenta la correlacin
espacial presente en la imagen. Para ilustrar esta idea, la parte izquierda de la figura 2.4.1
muestra una imagen hiperespectral original y la parte derecha muestra una nueva imagen
hiperespectral, obtenida a partir de un proceso de re-ordenacin aleatorio de los pixels de la
imagen anterior. La diferencia entre las imgenes mostradas en la figura 2.4.1 radica por tanto
en la disposicin de los pixels, es decir, en el dominio espacial. La aplicacin de tcnicas
exclusivamente espectrales puede producir distintos resultados dependiendo del mtodo
utilizado, aunque, en ambos casos, la informacin espectral del resultado obtenido ser la
misma.
Vegetacin
Suelo
Carretera
Zonas urbanas
Ordenacin
aleatoria
Procesamiento
espectral
Procesamiento
espectral
Mismo resultado
Captulo 2. Antecedentes
- 95 -
que los intentos realizados hasta el momento son escasos, y pueden agruparse en dos categoras
fundamentales.
1.-
En primer lugar, hay una serie de metodologas que realizan un procesamiento inicial
de los datos en el dominio espectral, refinando el resultado obtenido utilizando la
informacin espacial.
2.-
En segundo lugar, existen aproximaciones en los que una fase de anlisis espacial
precede a una etapa de refinamiento guiada por propiedades espectrales de los datos.
2.-
3.-
Como resultado del paso anterior, se identifica un conjunto de clases formadas por
puntos con propiedades similares en el dominio espectral. Cada punto de la imagen es
asociado a una clase en virtud de una medida de similaridad, como las mencionadas
SAM o SID, entre la firma espectral asociada al punto y el vector promedio o
centroide de la clase. Como resultado de esta etapa, se obtiene una clasificacin en
forma de mapa temtico en el dominio espacial.
4.-
- 96 -
Captulo 2. Antecedentes
rbol
Pasto
Proceso
Contextual
Clasificacin espectral
Clasificacin final
La figura 2.4.2 muestra un ejemplo de esta situacin: se trata de una imagen hiperespectral
que simula una zona caracterizada por vegetacin semi-rida formada por rboles y pasto, de
forma que, en trminos aproximados, cada rbol viene representado por un pixel. En este caso,
la clasificacin inicial, basada nicamente en propiedades espectrales, distingue entre una clase
rbol y una clase pasto. Sin embargo, el proceso contextual realizado posteriormente modifica
de forma incorrecta la clasificacin inicial, asignando errneamente el pixel a la clase ms
prioritaria en su vecindad.
Captulo 2. Antecedentes
- 97 -
2.-
- 98 -
Captulo 2. Antecedentes
El principal inconveniente del mtodo descrito es, como aparece ilustrado en la figura 2.4.3,
la gran dependencia del mismo con respecto a la representacin espacial inicialmente
considerada (Pina y Barata, 2000). Otro inconveniente, ya comentado anteriormente, es su
difcil adaptacin a problemas diferentes.
3000
2000
1000
3000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
Reflectancia (%*100)
4000
Reflectancia (%*100)
4000
Reflectancia (%*100)
Reflectancia (%*100)
5000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
300
600
900
1200
1500
1800
2100
2400
Imagen original
Banda en longitud
de onda 900 nm
Banda en longitud
de onda 1200 nm
Figura 2.4.3. Implicaciones de seleccionar una u otra banda de la imagen para la etapa de
procesamiento espacial.
Una evaluacin conceptual de las tcnicas presentadas en este apartado nos lleva a afirmar
que la utilizacin de la informacin espacial y espectral de forma separada puede derivar en
resultados de clasificacin errneos. Este hecho se debe a que los dominios espacial y espectral
se tratan de forma totalmente independiente, con lo que el orden en el que se aplican las etapas
espacial y espectral puede tener una influencia significativa en el resultado final obtenido. As,
la informacin que se pierde en una etapa resulta irrecuperable en la siguiente. Numerosos
trabajos recientes (Madhok y Landgrebe, 1998; Asner y Lobell, 2000; Pinzn y col., 1998;
Bielski y col., 2002; Green y Boardman, 2000) han puesto de manifiesto la necesidad de disear
algoritmos de anlisis hiperespectral capaces de combinar de forma simultnea la informacin
espacial y espectral, de forma que ninguna de ellas se vea favorecida a lo largo del proceso.
Captulo 3
Mtodos
En este captulo se describe un conjunto de nuevos algoritmos para la identificacin de
endmembers y estimacin de abundancias en imgenes hiperespectrales. El captulo se
encuentra estructurado de la siguiente forma:
1.-
2.-
- 100 -
Captulo 3. Mtodos.
En primer lugar, se describen dos imgenes test, generadas de forma artificial, que
vamos a utilizar para ilustrar y evaluar de forma preliminar los diferentes mtodos
propuestos en este captulo, as como la metodologa de evaluacin adoptada.
Conviene destacar que la metodologa de evaluacin utilizada en este captulo es muy
simple. Esta metodologa ser convenientemente extendida y complementada en el
siguiente captulo, dedicado por entero al anlisis de los resultados proporcionados por
las tcnicas propuestas.
2.-
3.-
Captulo 3. Mtodos.
- 101 -
imgenes corresponden a espectros de vegetacin y suelo, los cuales constan de 224 valores
espectrales (ver figura 4.2.1).
imagen_test_1
imagen_test_2
224
bandas
224
bandas
RV
RM
RS
RV
RM
RM
RS
Figura 3.1.1. Imgenes test utilizadas para evaluar de forma preliminar los mtodos presentados a lo
largo del captulo.
- 102 -
Captulo 3. Mtodos.
2.-
3.-
4.-
Grado de automatizacin.
5.-
6.-
Una vez presentadas las imgenes que sern utilizadas a la hora de testear los algoritmos
propuestos y la metodologa de evaluacin preliminar adoptada, procedemos a describir
nuestros primeros intentos.
Captulo 3. Mtodos.
- 103 -
2.-
4.-
El proceso descrito en el paso 3 es repetido con cada uno de los puntos que van siendo
introducidos en LP, hasta que todos los puntos de la nube han sido englobados en
algn cilindro de bsqueda.
- 104 -
Captulo 3. Mtodos.
Banda j
E2
Banda i
LP = { E1 }
E1
E3
LP = {E1, E2, E3 }
E1
Paso 1
Paso 2
E2
E4
E3
LP = {E1, E2, E3 , E4 }
E1
Paso 3
Figura 3.1.2. Procedimiento de identificacin de direcciones privilegiadas en un espacio Ndimensional.
El proceso descrito aparece ilustrado de forma grfica en la figura 3.1.2. Como puede
apreciarse en la figura, en el paso 1 se identifica el centroide, , y se obtiene el elemento ms
extremo a partir de . En los pasos 2 y 3 se efecta el proceso de barrido de todos los puntos de
la imagen, utilizando un cilindro de radio . Como resultado de este proceso, el mtodo
identifica cuatro endmembers en el conjunto de datos original.
A continuacin, evaluamos de forma preliminar el mtodo, utilizando el esquema visto en el
apartado 3.1. A partir de la experimentacin preliminar realizada, se han obtenido las siguientes
conclusiones:
1.-
cilindro, . Cuanto menor sea el radio del cilindro, mayor ser el nmero de
iteraciones que el algoritmo deber realizar hasta localizar todos los endmembers. Esta
situacin aparece ilustrada cualitativamente en la figura 3.1.3, en la que se muestran
Captulo 3. Mtodos.
- 105 -
RV
RV
Direccin
privilegiada 2
RM
RM
Direccin
privilegiada 1
rs
be s
em nte
dm nda
En edu
r
RS
RS
2.-
- 106 -
5.-
Captulo 3. Mtodos.
Para finalizar la discusin relativa al mtodo comentado, destacamos que, a pesar de que
esta tcnica no incorpora informacin acerca del grado de correlacin espacial, se trata de un
enfoque interesante para identificar endmembers en base a sus propiedades espectrales. Entre las
futuras aportaciones a realizar, consideramos imprescindible una evaluacin ms detallada del
funcionamiento de este mtodo, la cual permitir profundizar en detalles como la identificacin
automtica del radio ms adecuado del cilindro a utilizar o la aplicacin de cilindros con
diferente radio que permitan una exploracin ms eficiente de las direcciones privilegiadas en la
nube de puntos.
Asociar a cada punto de la imagen un contador de pureza. Todos los contadores son
inicializados a cero.
2.-
3.-
Calcula la distancia SAM entre cada uno de los puntos de la imagen y . El contador
de pureza asociado a cada punto considerado se actualiza cono el valor resultante de la
distancia.
4.-
A partir de los contadores de pureza obtenidos para cada punto, se realiza una
seleccin de los elementos espectralmente ms puros mediante el establecimiento
manual de un valor umbral de pureza, introducido como parmetro al algoritmo.
Aquellos puntos cuyo contador de pureza supera el umbral establecido son etiquetados
como endmembers.
Captulo 3. Mtodos.
1.-
- 107 -
RV
RV
e1
RM
SAM(,e1)
RM
RM
e1
SAM(,e1)
RS
SAM(,e2)
RS
SAM(,e2)
e2
e2
3.-
reducido que el del algoritmo anterior. Este hecho se debe a que esta aproximacin se
basa en operaciones como el clculo del centroide de la imagen y el clculo de la
distancia SAM entre cada punto de la imagen y el centroide.
- 108 -
4.-
Captulo 3. Mtodos.
Captulo 3. Mtodos.
- 109 -
Primera prueba
Segunda prueba
K3
Tercera prueba
K3
K1
- 110 -
Captulo 3. Mtodos.
distribucin espacial de los pixels que componen una de las zonas de la imagen, permitiendo as
una caracterizacin ms precisa. Esta circunstancia se traduce en una variabilidad espectral muy
reducida en las firmas espectrales visualizadas.
A continuacin, procedemos a evaluar esta sencilla aproximacin utilizando la batera de
pruebas descrita en el apartado 3.1:
1.-
tamao de kernel utilizado, de forma que el ajuste de las propiedades espaciales del
mismo permite obtener una mejor caracterizacin de los objetos presentes en la
imagen.
2.-
variabilidad espectral obtenida est en funcin del ajuste del kernel a la forma de los
objetos de la imagen.
3.-
espaciales del kernel considerado. Cuanto mayor sea el kernel, menor ser la cantidad
de informacin descartada. En cualquier caso, el mtodo considera la informacin
espacial y espectral, por lo que no se descarta informacin en dichos dominios.
6.-
Captulo 3. Mtodos.
- 111 -
continuacin describimos brevemente los primeros intentos realizados en el diseo de este tipo
de detectores.
Vegetacin pura
Reflectancia (%*100)
Reflectancia (%*100)
5000
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
Figura 3.1.6. Operador detector que utiliza propiedades espaciales y espectrales conocidas a priori.
Como puede apreciarse, el detector no es ms que un pequeo cubo de datos cuya dimensin
espectral es la misma que la de la imagen original. El detector considera tanto la informacin
espacial (tamao y distribucin de los elementos que lo componen) como espectral (asociacin
de una firma espectral a cada elemento). En el proceso de deteccin, el detector se mueve por
todos los pixels de la imagen, calculando un valor de similaridad entre las firmas
correspondientes a la zona analizada en un momento dado y las firmas espectrales almacenadas
- 112 -
Captulo 3. Mtodos.
en el detector. Para ello, se calcula la suma de las distancias SAM entre firmas espectrales
coincidentes, tal y como se muestra en la siguiente expresin:
S
SAM p( x , y), k ( x , y) ,
(3.1.1)
( x , y )K
obtenido, S, ofrece una idea de lo bien que se ajusta el detector a la zona estudiada, de forma
que, en aquellos casos en los que el operador coincide exactamente con la zona a identificar, se
obtiene un valor de S alto, mientras que en los casos en que el operador no coincide, se obtienen
valores de S bajos.
El proceso de deteccin aparece ilustrado mediante un sencillo ejemplo en la figura 3.1.7, en
la que se ha tomado como ejemplo la imagen_test_2. En la primera prueba, todos los pixels del
detector coinciden con los correspondientes pixels de la imagen, por lo que el valor de S ser
alto. Esta prueba ilustra cmo se tratan las situaciones en las que los elementos a detectar se
encuentran en el borde de la imagen: en este caso, solamente se compara la parte del detector
que coincide con los rasgos a detectar (el resto de elementos no se compara). En la segunda
prueba, solamente la mitad de los pixels del detector coinciden con los de la imagen, por lo que
el valor de S ser intermedio. Finalmente, en la tercera prueba el valor de S ser bajo al no
coincidir ninguno de los pixels del detector con los de la imagen.
Similaridad alta
Primera prueba
Similaridad intermedia
Segunda prueba
Similaridad baja
Tercera prueba
Figura 3.1.7. Uso de detectores en el dominio espacial y espectral para reconocer objetos en la
imagen.
espaciales (tamao y forma) y espectrales (firmas asociadas a cada pxel) del detector
Captulo 3. Mtodos.
- 113 -
mtodo es reducida, puesto que la distancia SAM se caracteriza, como hemos visto en
el captulo de antecedentes (apartado 2.3.2), por su independencia frente a las
pequeas variaciones en la escala motivadas por la diferente iluminacin de los
objetos, que suelen causar parte de la variabilidad presente en la imagen.
3.-
automtica. Una vez aplicado el detector sobre todos los pixels de la imagen, etapa
que se realiza de forma automtica, el usuario debe extraer los endmembers de forma
interactiva a partir de aquellas zonas de la imagen que dan como resultado valores de
similaridad altos.
5.-
informacin a lo largo del proceso, puesto que todos los pixels de la imagen son
procesados analizando la informacin espacial y espectral.
6.-
- 114 -
Captulo 3. Mtodos.
particulares.
Debe tratarse de un mtodo poco sensible a las pequeas variaciones presentes en los
pixels de la imagen hiperespectral, motivadas por irregularidades y condiciones de
iluminacin variable.
El coste computacional del mtodo debe ser lo ms reducido posible.
El grado de automatizacin del mismo debe ser elevado, permitiendo al mismo tiempo
puras debe seguir un criterio econmico, de forma que se elimine la menor cantidad
posible de informacin relevante.
Finalmente, es deseable que el mtodo diseado tenga en cuenta la informacin
Captulo 3. Mtodos.
- 115 -
2.-
- 116 -
Captulo 3. Mtodos.
Por otra parte, las tcnicas morfolgicas se caracterizan por abordar el anlisis global
Captulo 3. Mtodos.
- 117 -
Por tanto, el primer paso a la hora de abordar la extensin de las tcnicas morfolgicas a este
tipo de imgenes debe basarse en la imposicin de una relacin de orden, que puede ser parcial
como indica la expresin (2.2.11), en el conjunto de pixels de la imagen.
A continuacin, presentamos un esquema genrico que permite conseguir el objetivo
anteriormente mencionado (Plaza y col., 2001a; Plaza y col., 2002a). El esquema propuesto se
basa en la utilizacin de una medida de distancia entre vectores. El apartado concluye con una
breve discusin acerca de las diferentes distancias que pueden ser utilizadas en la construccin
de operadores morfolgicos extendidos.
Esquema genrico.
Antes de presentar el esquema propuesto para extender los operadores morfolgicos a
imgenes multi-dimensionales, introducimos una serie de definiciones:
N es el nmero de dimensiones de la imagen.
f es una imagen hiperespectral, entendida como una funcin de la forma:
f : Z2 Z N
(3.2.1)
- 118 -
Captulo 3. Mtodos.
D ( f (x, y), K )
(3.2.2)
(3.2.3)
(s , t )Z 2 ( K )
D ( f (x, y), K )
(s , t )Z2 ( K )
Como puede comprobarse en el apartado 2.2.1, las expresiones (3.2.2) y (3.2.3) son una
extensin de las expresiones (2.1.7) y (2.1.8), utilizadas respectivamente para llevar a cabo la
dilatacin y erosin de imgenes en niveles de grises.
El valor proporcionado por la distancia acumulada D en cada pixel permite imponer una
relacin de orden en el espacio N-dimensional dado por los puntos de la imagen multidimensional f. La relacin de orden es parcial, es decir, puede haber empates en los valores. A
pesar de ello, la relacin de orden D permite obtener el vector mximo y mnimo en la vecindad
dada por K, un requisito indispensable para poder realizar la operacin morfolgica en un
sentido puramente vectorial. El enfoque vectorial presenta numerosas ventajas frente a otras
aproximaciones, como la marginal, tal y como se mencion en el apartado del captulo de
antecedentes dedicado a morfologa cromtica.
Conviene destacar que la complejidad computacional para calcular D puede expresarse en
trminos del nmero de operaciones internas entre elementos de los vectores considerados como
T(MxMxN), puesto que el clculo de la distancia entre dos pixels conlleva N operaciones
puntuales y es necesario calcular esta distancia entre cada uno de los pixels y todos sus vecinos,
es decir, M2 veces. En notacin asinttica, este tiempo computacional se traduce en una
complejidad computacional cbica O(n3). Esta elevada complejidad puede reducirse a O(n2) en
el caso de que la distancia utilizada sea lineal, como veremos al final del presente apartado. Esta
complejidad resulta aceptable, en trminos generales, a la hora de procesar imgenes
hiperespectrales (Plaza y col., 2001a).
Una vez definida la distancia acumulada D, la cual permite imponer una relacin de orden
parcial de forma sencilla y computacionalmente eficiente, es posible extender las operaciones de
erosin y dilatacin a imgenes hiperespectrales. Dichas operaciones se basan, respectivamente,
en el clculo del elemento mnimo y mximo. La dilatacin hiperespectral puede expresarse
como:
Por otra parte, la erosin hiperespectral puede expresarse del siguiente modo:
(3.2.4)
Captulo 3. Mtodos.
- 119 -
K ( x , y) e ( x , y) arg_Min D - ( f (x, y)
(s, t)Z2 ( K )
(3.2.5)
2.-
Adems, los elementos estructurales utilizados en este trabajo tienen siempre forma de
cuadrado regular, siguiendo la tendencia ms habitual en las operaciones de
procesamiento espacial clsicas (ver apartado 2.2.1).
- 120 -
Captulo 3. Mtodos.
d
d
Figura 3.2.1. Interpretacin grfica de las operaciones de dilatacin (parte izquierda) y erosin (parte
derecha) utilizando la distancia acumulada D.
Una vez definidas las operaciones morfolgicas bsicas, pasamos a mostrar un ejemplo de
aplicacin de las mismas sobre una de las imgenes de prueba que se han venido utilizando a lo
largo del presente captulo. En concreto, la figura 3.2.2 muestra un ejemplo en el que se ilustra
el efecto de aplicar las operaciones de erosin y dilatacin extendidas sobre la imagen_test_2,
definida en la figura 3.1.1. En ambos casos, la distancia Dist, utilizada en (3.2.2) y (3.2.3)
corresponde a la distancia SAM, definida en el apartado 2.3.2.
Como puede apreciarse en la figura, las operaciones morfolgicas se basan en la utilizacin
de un elemento estructural plano de 3x3 pixels, que se mueve por todos los pixels de la imagen,
definiendo una vecindad local alrededor de cada punto considerado. El mximo (dilatacin) o el
mnimo (erosin) en la vecindad es seleccionado y colocado en la posicin ocupada por el pixel
analizado en una nueva imagen, denominada imagen dilatada o erosionada.
El ejemplo mostrado en la figura 3.2.2 pone de manifiesto que la operacin de dilatacin
expande las zonas espectralmente puras de la imagen; dicha expansin se realiza de una forma
que depende de las caractersticas espaciales del elemento estructural utilizado. Por el contrario,
la operacin de erosin da como resultado una reduccin de las zonas espectralmente puras
segn el tamao y forma del elemento estructural utilizado. En ambos casos, los operadores
consideran de forma simultnea la informacin espacial y espectral a la hora de producir su
resultado (Plaza y col., 2002a).
Para el caso de la operacin de dilatacin, podemos imaginar una situacin en la que se
produjese un empate a la hora de calcular el elemento mximo. En este supuesto, motivado por
la existencia de dos vectores a la misma distancia del resto, la seleccin de uno u otro vector no
tendra influencia en el comportamiento del algoritmo, ya que los dos elementos seran
igualmente puros. Al desplazar el elemento estructural, es muy probable que este equilibrio se
rompa a favor de uno de los dos endmembers.
Captulo 3. Mtodos.
- 121 -
Imagen_test_1
3x3 kernel
Mximo
Mnimo
Dilatacin
Erosin
3.2.2. Efecto de aplicar las operaciones morfolgicas de erosin y dilatacin sobre la imagen_test_1
utilizando un elemento estructural plano de 3x3 pixels.
Distancias consideradas.
La distancia acumulada mostrada en las expresiones (3.2.2) y (3.2.3) se basa en la utilizacin
de una medida Dist que calcula la distancia punto a punto entre dos vectores N-dimensionales.
A la hora de describir las posibles medidas utilizadas, consideramos dos grandes grupos:
- 122 -
Captulo 3. Mtodos.
Distancias lineales.
Dentro de este grupo destacamos las distancias SAM y RMSE, descritas previamente en el
captulo de antecedentes de la presente memoria (apartado 2.3.2). Por motivos ilustrativos, en el
presente apartado se ha mostrado un ejemplo en el que se utiliza la distancia SAM para
implementar las operaciones morfolgicas extendidas.
Como ya se ha mencionado anteriormente, en el caso de utilizar una distancia lineal, puede
reducirse la complejidad computacional en el clculo del elemento mximo y el elemento
mnimo (Plaza y col., 2001a). Para ello, es necesario realizar los siguientes pasos:
1.-
2.-
3.-
1
f (s, t )
M (s, t )Z2 ( K )
(3.2.6)
(3.2.7)
Captulo 3. Mtodos.
- 123 -
dimensin espectral (Plaza y col., 2002a). De este modo, las operaciones de erosin y dilatacin
multi-dimensional pueden definirse en trminos de la distancia D de la siguiente forma:
(3.2.8)
(x, y)Z 2 ( K )
(3.2.9)
(x, y)Z2 ( K )
K
K
Figura 3.2.3. Interpretacin grfica de las operaciones de dilatacin (parte izquierda) y erosin (parte
derecha) utilizando la distancia al centroide del kernel K.
Distancias no lineales.
La propiedad de no linealidad, caracterstica de las operaciones morfolgicas, hace que, de
forma alternativa, pueda considerarse la posibilidad de utilizar distancias no lineales a la hora de
abordar la extensin de las operaciones morfolgicas bsicas. En el captulo 2 del presente
trabajo (apartado 2.3.2) se describi una distancia no lineal que puede resultar apropiada para la
tarea mencionada anteriormente; se trata de la distancia SID, basadas en conceptos de
- 124 -
Captulo 3. Mtodos.
Captulo 3. Mtodos.
- 125 -
Aplicacin de Operadores
Morfolgicos Extendidos
Imagen
Original
Imagen de
pureza
endmembers
redundantes
Opcional
Crecimiento de
regiones
adaptativo
Identificacin
automtica de
regiones puras
Figura 3.2.4. Diagrama de bloques que resume el funcionamiento del mtodo AMEE.
Con objeto de justificar la realizacin de cada una de las etapas anteriormente mencionadas,
consideramos interesante plantear una serie de cuestiones de diseo que sern respondidas en la
descripcin de las diferentes fases. Estas cuestiones son las siguientes:
1.-
Eleccin del mtodo. Esta cuestin se refiere a las razones que justifican las tcnicas
empleadas en una determinada etapa, y a las ventajas de las mismas con respecto a
otras posibles opciones.
2.-
Consideraciones previas.
En este punto enumeramos algunas consideraciones previas sobre la metodologa propuesta,
que ser descrita en profundidad en apartados sucesivos:
En primer lugar, el mtodo utiliza como entrada la imagen hiperespectral completa, sin
necesidad de realizar ningn tipo de reduccin dimensional previa sobre la misma (Plaza y col.,
2001b). As, la metodologa de anlisis propuesta considera la totalidad de la informacin
- 126 -
Captulo 3. Mtodos.
espectral asociada a cada pixel. No obstante, el mtodo puede aplicarse de la misma forma a
imgenes que hayan sufrido un proceso de reduccin dimensional previo, con el inconveniente
que ello supondra para la identificacin de los endmembers a partir de libreras espectrales.
Esta opcin se plantea como uno de los trabajos futuros a desarrollar.
Por otra parte, el mtodo propuesto es susceptible de ser aplicado a imgenes en unidades de
radiancia y reflectancia (Plaza y col., 2002b). Uno de los objetivos fundamentales del captulo
dedicado a evaluacin de resultados ser la comprobacin del efecto de ambas opciones en el
resultado final proporcionado por el algoritmo.
Es recomendable eliminar, de forma previa al procesamiento, aquellos valores espectrales
asociados a bandas tpicamente ruidosas en el instrumento de medida, fundamentalmente en el
caso de trabajar con datos de radiancia (la prctica totalidad de las tcnicas de correccin
atmosfrica utilizadas para obtener datos de reflectancia corrige este tipo de situaciones). Los
picos en los valores de radiancia debidos a bandas ruidosas pueden tener un efecto nocivo en el
funcionamiento del algoritmo (Martnez y col., 2002).
Aparte de la circunstancia anteriormente mencionada, no es necesario realizar ningn tipo de
pre-procesamiento o acondicionamiento previo de la imagen. Como lnea futura, queda abierta
la posibilidad de aplicar un proceso de normalizacin de las firmas espectrales asociadas a los
pixels de la imagen, con el objetivo de reducir la variabilidad espectral introducida por
condiciones dispares de iluminacin a lo largo de la escena. Si bien esta opcin puede ser una
alternativa, en nuestro caso optamos por solventar esta circunstancia mediante la incorporacin
de distancias robustas a esta situacin, como SAM. Esta decisin de diseo tiene como base la
independencia de esta medida de distancia con respecto a los factores introducidos por el
iluminante y los ngulos.
Una vez presentadas estas consideraciones previas, procedemos a describir de forma
razonada las etapas del mtodo.
Captulo 3. Mtodos.
- 127 -
Sistema de votacin.
Este sistema permite obtener el grado de pureza de un determinado pixel mediante la
operacin de dilatacin morfolgica extendida. El proceso de estimacin de los ndices de
pureza se realiza mediante las etapas que se describen a continuacin.
1.-
Asociar un contador, que ser utilizado como ndice de pureza, a cada pixel de la
imagen. Los contadores son inicializados a cero.
2.-
- 128 -
3.-
Captulo 3. Mtodos.
f(0,0)
f(0,1)
..
f(0,M)
f(1,0)
f(1,1)
..
f(1,M)
..
..
..
..
f(L,0)
f(L,1)
..
f(L,M)
4.-
Captulo 3. Mtodos.
- 129 -
4.4. La operacin es repetida de forma que cada pixel asume el papel de candidato
una nica vez.
4.5. El pixel que presenta el mayor valor acumulado en la vecindad (ganador de la
votacin) es seleccionado como puro, y su contador de pureza asociado se
incrementa en una unidad. La figura 3.2.6 muestra un ejemplo del proceso de
seleccin del mximo en una vecindad muy simple formada nicamente por
cuatro pixels. El elemento seleccionado en este ejemplo es aquel que se
encuentra a mayor distancia acumulada con respecto a todos sus vecinos.
5.-
d
a
a
c
Va=Dist(b,a)+Dist(c,a)+Dist(d,a)
a
b
Vb=Dist(a,a)+Dist(c,b)+Dist(d,b)
Vc=Dist(a,c)+Dist(b,c)+Dist(d,c)
Mximo
a
b
Vd=Dist(a,d)+Dist(b,d)+Dist(c,d)
Figura 3.2.6. Seleccin del pixel mximo en una vecindad mediante un proceso de votacin.
- 130 -
Captulo 3. Mtodos.
Puro
Caso a)
Puro
Caso b)
Figura 3.2.7. Estimacin incorrecta del ndice de pureza utilizando el sistema de votacin sobre
imagen_test_1.
Como puede apreciarse en el caso a) de la figura 3.2.7, el pixel etiquetado como mximo es,
en efecto, el ms alejado con respecto a sus vecinos. No obstante, en el caso b) todos los
elementos que entran dentro de la vecindad considerada tienen un ndice de pureza bajo, pues se
obtienen a partir de una mezcla al 50% de vegetacin y suelo. A pesar de esta particularidad, en
ambos casos los pixels seleccionados incrementan su contador de pureza en una unidad. Esta
limitacin se debe a los posibles empates en el sistema de votacin.
K
Puro
Caso a)
Puro
Caso b)
Figura 3.2.8. Estimacin incorrecta del ndice de pureza utilizando el sistema de votacin sobre
imagen_test_2
Captulo 3. Mtodos.
- 131 -
Por otra parte, la figura 3.2.8 muestra otro ejemplo en el que la estimacin del ndice de
pureza no resulta satisfactoria, utilizando esta vez la imagen_test_2.
Como puede apreciarse en el caso a) de la figura 3.2.8, el mximo de la vecindad
corresponde a un elemento que no es totalmente puro (75% vegetacin y 25% suelo). Sin
embargo, en el caso b) el mximo corresponde a un elemento totalmente puro (100%
vegetacin). En ambos casos, el contador de pureza asociado al pixel seleccionado se
incrementa en una unidad, aunque lo ms adecuado sera que el contador asociado al pixel
seleccionado en el caso b) se incrementase en mayor medida que el contador asociado al pixel
seleccionado en el caso a). A partir de este sencillo ejemplo, intuimos la conveniencia de
incorporar informacin acerca de la extremidad de los puntos seleccionados en el proceso.
Las limitaciones mencionadas ponen de manifiesto la necesidad de disear un sistema capaz
de evaluar la pureza relativa de cada pixel de la imagen. Nuestra propuesta en dicha direccin es
descrita a continuacin.
Sistema de evaluacin.
Este sistema se caracteriza por tener en cuenta no slo el pixel mximo en cada vecindad,
sino tambin el pixel mnimo. Cada elemento es por tanto evaluado utilizando las operaciones
morfolgicas de erosin y dilatacin, mediante el proceso que a continuacin se detalla.
1.-
El primer paso consiste en asociar un ndice de excentricidad a cada uno de los pixels
de la imagen. Inicialmente, el valor del ndice ser cero para todos los puntos.
2.-
3.-
4.-
5.-
El siguiente paso consiste en realizar una evaluacin del pixel seleccionado como
mximo en funcin de su extremidad. Este proceso se basa en el clculo de una
medida de distancia entre el pixel mximo y el mnimo. Para ello, introducimos una
medida de calidad denominada ndice de excentricidad morfolgico o Morphological
- 132 -
Captulo 3. Mtodos.
3.2.9. Siguiendo la notacin utilizada en dicha figura, sean (n,m) las coordenadas
espaciales del pixel (fK)(x,y), seleccionado como mximo en la vecindad que rodea
a f(x,y), y sea (fK)(x,y) el pixel mnimo en dicha vecindad. El ndice de
excentricidad asociado al pixel (n,m) se calcula utilizando la siguiente expresin,
donde Dist es una medida de distancia punto a punto entre vectores:
MEI(n , m) Dist f K ( x , y), f K ( x , y)
6.-
(3.2.10)
Los pasos 3-5 son repetidos para todos los pixels de la imagen, independientemente de
cul sea el orden escogido para recorrer dichos pixels.
Imagen original f
K
f (x,y)
(f K)(x,y)
(f K)(x,y)
MEI
Erosin f K
Dilatacin f K
Actualizar
MEI(n,m)
Imagen pureza
Figura 3.2.9. Clculo del ndice MEI mediante la combinacin de operaciones morfolgicas de
erosin y dilatacin.
Captulo 3. Mtodos.
- 133 -
MEI alto
Caso a)
MEI bajo
Caso b)
Figura 3.2.10. Mejoras del sistema de evaluacin con respecto al sistema de votacin, ilustradas
utilizando imagen_test_1.
- 134 -
Captulo 3. Mtodos.
K
MEI bajo
Caso a)
K
MEI alto
No evaluado
Caso b)
En el caso a), el elemento estructural contiene muestras cuya pureza espectral es muy
similar. En este caso, a pesar de que el elemento est totalmente incluido en una zona
espectralmente pura, no hay suficiente informacin para contrastar el grado de pureza de las
muestras disponibles, con lo que la estimacin del MEI da como resultado un valor bajo. Este
ejemplo pone de manifiesto que el tamao y la forma de los elementos estructurales empleados
debe ajustarse a los objetos que se desean caracterizar.
Como solucin al problema anteriormente comentado, proponemos una definicin
alternativa del ndice MEI que puede ser considerada en futuros desarrollos del mtodo. La
alternativa consiste en definir el ndice MEI de forma global, como se muestra en la siguiente
expresin:
(3.2.11)
Donde I denota la imagen completa, de forma que MEIG mide la distancia entre el mximo
local en K y el mnimo global de toda la imagen.
Captulo 3. Mtodos.
- 135 -
Por otra parte, en el caso b) de la figura 3.2.11 se muestra otra situacin en la que el
elemento estructural no resulta apropiado para la correcta interpretacin de la vecindad
analizada, pues nicamente se evala uno de los dos pixels extremos presentes en dicha
vecindad. Esta circunstancia hace que se pierda un elemento espectralmente singular, cuyo
ndice de pureza debera haber sido tambin incrementado. En la prctica, hemos comprobado
que esta solucin no compromete de manera significativa los resultados finales, debido a que el
elemento estructural se va desplazando por todos los pixels de la imagen; no obstante, es posible
que se produzcan leves efectos no deseados (Plaza y col., 2001b).
Como solucin al problema de prdida de elementos puros, proponemos una nueva
definicin alternativa del ndice MEI para su consideracin en lneas futuras de trabajo. En esta
definicin, todos los pixels de la escena son evaluados. Sea f(x,y) un determinado pixel de la
imagen y K el elemento estructural que determina la vecindad alrededor de dicho punto.
Podemos asociar un ndice MEIT al pixel f(x,y) utilizando la siguiente expresin.
(3.2.12)
De este modo, cada punto de la imagen ser evaluado con respecto al mnimo en la vecindad
que lo rodea, evitando casos como el mostrado en el caso b) de la figura 3.2.11. La nueva
definicin aparece ilustrada grficamente en la figura 3.2.12.
K
Imagen original f
f (x,y)
MEI
(f K)(x,y)
Erosin f K
Actualizar
MEI(x,y)
Imagen pureza
La principal caracterstica de las dos definiciones alternativas del ndice MEI es su menor
dependencia respecto a las propiedades espaciales del elemento estructural considerado. Esta
- 136 -
Captulo 3. Mtodos.
K1
K3
K2
K4
Pixel analizado (MEI alto en todos los casos)
Figura 3.2.13. Influencia del tamao y forma del elemento estructural en la definicin alternativa del
ndice MEI.
Captulo 3. Mtodos.
- 137 -
2.-
(3.2.13)
- 138 -
3.-
Captulo 3. Mtodos.
Como ltimo paso del proceso, se obtiene una imagen de pureza a partir de los valores
obtenidos para el ndice MEI en iteraciones sucesivas. La imagen resultante puede
entenderse como una matriz de datos o imagen digital en niveles de gris que contiene
un ndice de pureza asociado a cada uno de los pixels. Este ndice de pureza ha sido
Captulo 3. Mtodos.
- 139 -
- 140 -
Captulo 3. Mtodos.
2.-
d1 ( x , y) f K ( x, y)
(3.2.14)
e1 ( x , y) f K ( x , y)
(3.2.15)
(3.2.16)
(3.2.17)
Captulo 3. Mtodos.
- 141 -
e L ( x, y) d L1 K ( x, y)
(3.2.18)
(3.2.19)
Como resultado del proceso anteriormente descrito se obtiene una imagen digital en niveles
de gris a partir de los valores de pureza proporcionados por el ndice MEI en escalas sucesivas.
La imagen resultante contiene un ndice de pureza asociado a cada uno de los pixels. El proceso
completo aparece ilustrado en la figura 3.2.15.
Imagen original f
f (x,y)
Elemento estructural K
(constante en todas las
iteraciones)
Nivel 0
d1(x,y)=(f K)(x,y)
e1(x,y)=(f K)(x,y)
Nivel 1
MEI1
dL(x,y)=(dL-1K)(x,y)
eL(x,y)=(eL-1K)(x,y)
Nivel L
MEIL
- 142 -
Captulo 3. Mtodos.
la utilizacin de un ndice MEI multi-escala hace que el mtodo propuesto sea robusto
en presencia de variabilidad espectral.
3.-
Captulo 3. Mtodos.
6.-
- 143 -
2.-
- 144 -
Captulo 3. Mtodos.
Como resultado del proceso se obtiene una imagen digital en niveles de gris a partir
formada por los valores de pureza proporcionados por el ndice MEI en iteraciones
sucesivas. El proceso completo aparece ilustrado de forma grfica en la figura 3.2.16.
utilizado, el cual permanece constante a lo largo del proceso. Este hecho permite
ajustar el mtodo a situaciones en las que existe un cierto conocimiento previo sobre
la imagen a analizar.
Captulo 3. Mtodos.
2.-
- 145 -
- 146 -
Captulo 3. Mtodos.
ndice de pureza asociado es mayor o igual que el valor umbral proporcionado por el
mtodo de Otsu.
Pixels mezcla. Esta clase est formada por los pixels de la imagen original cuyo
Captulo 3. Mtodos.
- 147 -
caso, la medida de similaridad entre pixels vecinos, descrita en la expresin 2.2.22 del mismo
apartado, es la distancia SAM. Por lo dems, el proceso de crecimiento se realiza de forma
exacta a la descrita en dicho apartado, dando como resultado un conjunto de regiones coherentes
desde un punto de vista espacial y espectral, a partir de las cuales se obtiene una lista de
endmembers. Entendemos que una regin es coherente en el dominio espacial y espectral si
Eleccin del mtodo. Como vimos en el apartado 2.2.3, las tcnicas de crecimiento
alternativas de secuenciamiento:
3.1. Una primera alternativa, que puede estudiarse en futuras implementaciones,
consistira en incorporar el proceso de crecimiento de regiones durante la
bsqueda de endmembers, considerando informacin competitiva entre
- 148 -
Captulo 3. Mtodos.
en extraer el conjunto final de endmembers a partir de los pixels puros resultantes del
proceso de umbralizado automtico (es decir, la etapa de crecimiento de regiones no
se utiliza en el proceso).
2.-
Por este motivo, proponemos como ltimo paso del mtodo la realizacin de un proceso de
eliminacin de firmas redundantes.
Captulo 3. Mtodos.
- 149 -
firmas espectrales redundantes se realiza al final, una vez que se han completado las
etapas anteriores. En nuestro caso se trata, por tanto, de una tcnica de post-procesado.
3.-
2.-
(3.2.20)
- 150 -
Captulo 3. Mtodos.
(3.2.21)
5. El proceso realizado en el paso 3 se repite con todos los endmembers de LC, dando como
resultado un conjunto final de elementos ejemplares LE que sern las firmas espectrales de
referencia extradas por el algoritmo.
En nuestro caso, la medida de similaridad utilizada se basa en la distancia SAM. Entre las
lneas futuras de trabajo, destacamos la realizacin de un estudio comparativo entre distintas
medidas de similaridad a la hora de realizar esta tarea, incluyendo distancias lineales y no
lineales, como las presentadas en el apartado 2.3.2.
Captulo 3. Mtodos.
- 151 -
Imagen original
Imagen
Original
Aplicacin de Operadores
Morfolgicos Extendidos
KMIN, K MAX
Radiancia (W/cm2/nm/sr)
Endmembers
7000
Grass - trees
6000
Grass - pasture
5000
Corn - notill
4000
Soybean - notill
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
Mapa temtico
Informacin espectral
Mapas de
abundancia
Informacin espacial
Captulo 4
Anlisis y discusin de
resultados
La propuesta de una nueva metodologa en cualquier disciplina cientfica y, en particular, en
aplicaciones de anlisis de imgenes multi-dimensionales obtenidas de forma remota, debe venir
acompaada de una etapa de prueba en la que dicha propuesta sea evaluada de forma intensiva y
comparada con otras aproximaciones existentes en la literatura, con vistas a calibrar su posible
utilizacin en aplicaciones reales. Despus de haber contextualizado el problema y de haber
detallado una nueva metodologa, en este captulo mostramos los resultados obtenidos por la
misma, as como su posterior anlisis y comparacin con los proporcionados por otros mtodos
existentes.
El captulo est organizado de la siguiente forma:
1.-
2.-
- 154 -
2.-
- 155 -
3.-
4.-
Imagen
Original
Informacin
Verdad Terreno
Medidas de
comparacin
Algoritmo
Resultado
- 156 -
Este esquema general se mantiene en todas las situaciones analizadas en este captulo,
incorporando ligeras variaciones que sern destacadas en cada momento. A continuacin
describimos brevemente la forma en que se utilizan los datos sintticos y reales en nuestro
estudio y la metodologa de trabajo en cada caso.
Seleccin
1
Superposicin
c)
b)
a)
Degradacin
Verdad Terreno
Imagen
Sinttica
Imagen
pureza
V.T.
Mapas
abundancia
V.T.
Firmas
espectrales
V.T.
4
Algoritmo
Imagen
pureza
obtenida
Mapas
abundancia
obtenidos
Firmas
espectrales
obtenidas
Resultado
Como puede observarse, el proceso consta de una serie de etapas que se describen a
continuacin:
1.-
Generacin de la imagen. Esta fase comprende todos los pasos necesarios para
obtener una imagen generada artificialmente (imagen sinttica) sobre la que se realiza
un proceso de anlisis. Mencionamos brevemente cada uno de dichos pasos:
a. Seleccin de firmas. La mayor parte de los estudios relacionados con imgenes
sintticas en la bibliografa aconsejan su generacin utilizando firmas
- 157 -
- 158 -
Aplicacin del algoritmo. A la hora de aplicar el algoritmo propuesto sobre los datos
sintticos generados, tendremos en cuenta diferentes valores para los parmetros de
entrada con objeto de analizar el impacto de los mismos sobre el resultado final
obtenido. Para analizar el efecto de cada uno de ellos por separado, el procedimiento
utilizado consiste en variar el valor del parmetro estudiado manteniendo fijo el valor
de los restantes. En concreto, los parmetros sobre los que centramos nuestro estudio
son los siguientes:
a. Tamao del elemento estructural empleado.
b. Relacin seal-ruido considerada en la fase de generacin de las imgenes.
c. Uso de datos de radiancia/reflectancia.
4.-
- 159 -
- 160 -
Firmas
espectrales
V.T.
Mapas
Abundancia
V.T.
Imagen
real
c)
b)
a)
Mapas
Abundancia
extrados
Firmas
espectrales
extradas
Imagen
generada
Algoritmo
Resultado
Como se observa en la figura, las variantes de este esquema vienen dadas por las
caractersticas de la verdad terreno. En este sentido, distinguimos una serie de posibilidades que
se detallan a continuacin:
1.-
2.-
3.-
Cada una de las posibilidades antes mencionadas va a condicionar de forma clara el proceso
de comparacin de resultados. En el diagrama mostrado en la figura 4.1.3, las flechas
discontinuas indican los elementos que intervienen en cada etapa de la comparacin. A
continuacin, detallamos la metodologa a seguir en cada caso:
- 161 -
- 162 -
firmas espectrales y sus correspondientes mapas de abundancia, siendo posible generar a partir
de esta informacin la imagen original. Proponemos por tanto incluir en la metodologa de
anlisis de imgenes reales un estudio detallado de los ratios de compresin obtenidos al realizar
la compresin de las imgenes y relacionar estos ndices de compresin con los parmetros de
calidad antes mencionados. El objetivo fundamental de estos experimentos consiste en evaluar
la capacidad de los algoritmos propuestos para ser empleados como alternativa a los algoritmos
de compresin con prdida de imgenes de alta dimensionalidad existentes en la literatura,
algunos de los cuales fueron mencionados en el apartado 2.3.2.2.
2.-
3.-
- 163 -
Edificio
Vegetacin
Reflectancia (%*100)
Reflectancia (%*100)
5000
3000
2000
1000
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
300
2400
600
900
Carretera
1500
1800
2100
2400
Suelo
3000
4000
2000
1000
Reflectancia
0
Reflectancia (%*100)
Reflectancia (%*100)
1200
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.1.a. Seleccin de firmas espectrales en unidades de reflectancia a partir de una imagen
AVIRIS sobre Jasper Ridge, California.
- 164 -
Radiancia (W/cm2/nm/sr)
Edificio
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
6000
5000
4000
3000
2000
1000
0
300
2400
600
900
5000
4000
3000
2000
Radiancia
1000
0
600
900
1200
1500
1800
1500
1800
2100
2400
Suelo
2100
2400
Radiancia (W/cm2/nm/sr)
Radiancia (W/cm2/nm/sr)
Carretera
6000
300
1200
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.1.b. Seleccin de firmas espectrales en unidades de radiancia a partir de una imagen
AVIRIS sobre Jasper Ridge, California.
2.-
La figura 4.2.2.a muestra un ejemplo de creacin de una imagen sinttica sencilla a partir de
firmas espectrales en reflectancia, mientras que la figura 4.2.2.b muestra el proceso de creacin
de la misma imagen a partir de datos de radiancia. La imagen generada tiene un tamao de
60x60 pixels con 224 valores por pixel y consta de tres objetos concntricos: R3, un cuadrado de
20x20 pixels de lado que est enmarcado por R2, un objeto de 40x40 pixels de lado, y R1, de
60x60 pixels de lado, que enmarca a los dos objetos anteriores.
La asignacin de abundancias para estas regiones se ha escogido en este ejemplo de forma
que R1 y R3 estn compuestas por espectros puros (correspondientes a suelo y vegetacin,
respectivamente) mientras que R2 est compuesta por mezclas equitativas entre vegetacin y
suelo. Como puede apreciarse en la figura 4.2.2, los pixels que componen R1 estn
caracterizados por un coeficiente de abundancia 1 para el espectro de suelo y 0 para el espectro
- 165 -
60 x 60
R1
R2
20 x 20
Suelo
Vegetacin
3000
2000
1000
5000
Reflectancia (%*100)
Reflectancia (%*100)
4000
Reflectancia (%*100)
40 x 40
R3
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.2.a. Creacin de una imagen sinttica sencilla en unidades de reflectancia a partir de dos
espectros puros y un espectro obtenido como mezcla lineal entre ambos.
60 x 60
R1
R2
20 x 20
2000
1000
0
900
1200
1500
1800
2100
2400
Radiancia (W/cm2/nm/sr)
3000
600
Vegetacin
Radiancia (W/cm2/nm/sr)
Suelo
4000
300
40 x 40
R3
5000
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
6000
5000
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.2.b. Creacin de una imagen sinttica sencilla en unidades de radiancia a partir de dos
espectros puros y un espectro obtenido como mezcla lineal entre ambos.
- 166 -
Ruido blanco
Una primera opcin a la hora de simular el ruido del sensor es utilizar ruido blanco,
caracterstico de los componentes electrnicos (ver apartado 2.3.1). La principal propiedad de
este tipo de ruido es que aparece por igual en todas las frecuencias.
Nuestro proceso de simulacin de ruido en imgenes sintticas se ha llevado a cabo
utilizando un generador aleatorio de nmeros entre 1 y 1. Estos valores siguen un modelo de
distribucin de probabilidad normal, con lo que su valor medio es 0 y su desviacin estndar es
1. El ruido se aade a cada pixel de la imagen en una determinada proporcin que determina la
relacin seal-ruido presente en la escena. De entre todas las definiciones existentes para dicha
relacin, se ha escogido la denominada como SNR (ver apartado 2.3.1 y expresin 2.3.3), dada
su utilidad para imponer una relacin seal-ruido predeterminada en cada una de las bandas de
una imagen simulada. En lo sucesivo, siempre que mencionamos la relacin SNR nos
referimos a la definicin SNR.
Vegetacin (reflectancia)
Reflectancia (%*100)
5000
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
SNR = 10:1
SNR = 50:1
5000
4000
3000
2000
1000
0
5000
Reflectancia (%*100)
Reflectancia (%*100)
Reflectancia (%*100)
SNR = 90:1
5000
6000
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.3. Contaminacin de una firma espectral en unidades de reflectancia mediante ruido
blanco, utilizando diferentes valores de SNR.
- 167 -
La figura 4.2.3. muestra un ejemplo en el que se ilustra el efecto de contaminar con ruido
blanco una firma espectral correspondiente a vegetacin en unidades de reflectancia, utilizada
en la generacin de la imagen sinttica mostrada en la figura 4.2.2. Por otra parte, la figura 4.2.4
muestra el efecto de contaminar con ruido blanco la misma firma de vegetacin pero en
unidades de radiancia. En ambos casos, la firma original se contamina con diferentes
proporciones de ruido hasta dar lugar a diferentes valores de SNR, en concreto 10:1, 50:1 y
90:1. Como puede apreciarse, cuanto menor es la relacin SNR, mayor es el efecto de distorsin
introducido en la firma espectral, independientemente de si se utilizan datos de reflectancia o
radiancia. Este experimento pone de manifiesto el impacto de la relacin SNR en la coherencia
espectral de las firmas utilizadas.
Radiancia (W/cm2/nm/sr)
Vegetacin (radiancia)
6000
5000
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
SNR = 90:1
Radiancia (W/cm2/nm/sr)
SNR = 50:1
Radiancia (W/cm2/nm/sr)
Radiancia (W/cm2/nm/sr)
SNR = 10:1
8000
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.4. Contaminacin de una firma espectral en unidades de radiancia mediante ruido blanco,
utilizando diferentes valores de SNR.
Ruido coloreado
La segunda opcin considerada en la simulacin de ruido viene caracterizada por un estudio
detallado de las caractersticas del sensor utilizado. Por regla general, los sensores
hiperespectrales estn formados por una variedad de sensores individuales, cada uno con unas
caractersticas concretas en cuanto a calidad y prestaciones (ver apartado 2.3.1).
Puesto que los espectros base utilizados para simular la imagen de ejemplo fueron
adquiridos por el sensor AVIRIS en 1997, en esta segunda opcin utilizamos como referencia la
SNR caracterstica en dicho ao. La figura 2.3.5 muestra una descripcin detallada de los
- 168 -
valores de SNR presentes en los diferentes canales del sensor AVIRIS en el citado ao. Como
puede apreciarse, en casi todas las bandas el valor de la SNR de AVIRIS supera el ratio 100:1,
alcanzando ratios de ms de 500:1 en algunas bandas.
La figura 4.2.5 muestra un ejemplo en el que se ilustra el efecto de contaminar con ruido
coloreado una firma espectral utilizadas en la generacin de la imagen sinttica mostrada en la
figura 4.2.2. En la simulacin, se ha contaminado el espectro original de forma que la
proporcin de ruido aadida en cada longitud de onda cumple la SNR definida para el sensor en
el ao en que se tomaron los datos. Como puede apreciarse en la figura, las elevadas
prestaciones de AVIRIS hacen que la firma contaminada resulte muy similar, en trminos
Vegetacin
Vegetacin (radiancia)
(radiancia)
6000
5000
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
Radiancia (W/cm2/nm/sr)
Radiancia (W/cm2/nm/sr)
Firma contaminada
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.5. Contaminacin de una firma espectral en reflectancia mediante ruido coloreado,
utilizando diferentes valores de SNR.
- 169 -
Imagen_simulada_1.
La primera imagen sinttica aparece descrita en la figura 4.2.6. Como ya se ha comentado,
esta imagen consta de tres regiones: R1, cuyos pixels se caracterizan por tener un coeficiente de
abundancia 1 para suelo y 0 para vegetacin; R2, cuyos pixels tienen coeficiente de abundancia
0.5 para suelo y 0.5 para vegetacin; y R3, cuyos pixels tienen coeficiente de abundancia 1 para
vegetacin y 0 para suelo.
60
R1
Asignacin de abundancias
R2
40
Regin
R3
10
20
10
Suelo
Vegetacin
R1
R2
0.5
0.5
R3
Imagen_simulada_2.
La segunda imagen simulada utilizada en el estudio, con dimensin de 60x60 pixels, se
caracteriza por representar una situacin de mezcla progresiva entre los dos componentes puros
- 170 -
ya utilizados en la imagen anterior: suelo y vegetacin. Esta imagen est formada por seis
regiones en forma de bandas verticales con anchura de 10 pixels. La regin R1 (regin vertical
situada ms a la izquierda) est caracterizada por un coeficiente de abundancia 0 para
vegetacin y 1 para suelo, mientras que R6 (regin vertical situada ms a la derecha) se
caracteriza por un coeficiente de abundancia 1 para vegetacin y 0 para suelo. Las regiones
R2..R5 presentan coeficientes ajustados para simular una situacin de mezcla progresiva, como
puede apreciarse en la figura 4.2.7.
60
Asignacin de abundancias
60
R1
R2
R3
10
R4
R5
R6
Regin
Suelo
Vegetacin
R1
R2
0.2
0.8
R3
0.4
0.6
R4
0.6
0.4
R5
0.2
0.8
R6
Imagen_simulada_3.
La imagen que describimos en el presente apartado simula objetos o "targets" homogneos
en un fondo uniforme, y viene ilustrada en la figura 4.2.8. Los objetos simulados corresponden a
un edificio de 10x10 pixels (regin R2) y una carretera de 10 pixels de ancho que cruza la
imagen de norte a sur (regin R3). Para simular estos objetos se han utilizado firmas espectrales
reales en unidades de radiancia y reflectancia extradas directamente de una imagen real (ver
figura 4.2.1). El fondo de la imagen (regin R1) se ha generado utilizando la firma espectral de
suelo.
Como puede apreciarse en la tabla de asignacin de abundancias mostrada en la figura 4.2.8,
esta imagen sinttica est caracterizada por cambios muy abruptos en la abundancia de
materiales. Contrariamente a las imgenes sintticas antes descritas, en la presente imagen no
hay ninguna mezcla lineal entre firmas espectrales. As, cada pixel de la escena se caracteriza
por tener coeficiente de abundancia 1 para alguno de los materiales utilizados (suelo, edificio o
carretera) y 0 para el resto.
- 171 -
60
Asignacin de abundancias
R2
10
60
R3
10
10
Regin
Suelo
Edificio
Carretera
R1
R2
R3
R1
Imagen_simulada_4.
Esta imagen simulada tiene dimensiones 100x100 pixels, y viene caracterizada por una
situacin de mezcla entre componentes progresiva, a intervalos de abundancia muy cortos. A
diferencia de las anteriores imgenes, los cambios en la abundancia en las regiones que
componen esta imagen son muy sutiles. En total, hay 100 regiones de 1 pixel de ancho y 100
pixels de alto. La abundancia del componente suelo decrece de forma lineal de izquierda a
derecha, mientras que la abundancia del componente vegetacin crece de izquierda a derecha.
100
R1
Asignacin de abundancias
R2
.................
100
Regin
Suelo
Vegetacin
Ri
1 (i / 100)
i / 100
R99
R100
11
11
La figura 4.2.9 ilustra el proceso de construccin de esta imagen sinttica, que proporciona
un conjunto de datos muy apropiado para analizar el proceso de estimacin de abundancias
realizado por el algoritmo. Este hecho se debe, fundamentalmente, a la complicada situacin de
mezcla representada en la imagen.
- 172 -
Primer experimento. Evala la capacidad del algoritmo para discriminar entre pixels
puros y pixels mezcla. La realizacin de este experimento se justifica en base a que la
identificacin de pixels puros es el primer paso realizado por el algoritmo; el proceso
de seleccin de endmembers y, por consiguiente, el de estimacin de abundancias, va
a depender en gran medida de la precisin con la que se ejecuta este primer paso, que
vendr condicionado por los parmetros de entrada del algoritmo.
2.-
3.-
4.-
- 173 -
Primera prueba
La primera prueba realizada tiene como objetivo analizar la influencia del tamao del
elemento estructural utilizado en el proceso de deteccin de pixels puros (ver apartado 3.2.2.1).
Con objeto de evaluar este parmetro de entrada de forma independiente, aplicaremos el
algoritmo sobre la imagen_simulada_1 (mezcla abrupta) y la imagen_simulada_2 (mezcla
progresiva), utilizando elementos estructurales de diferente tamao. De forma paralela a la
realizacin de esta prueba, realizaremos algunas consideraciones acerca de la complejidad
computacional de los algoritmos cuando se utilizan diferentes tamaos de ventana. En ambos
casos, se consideran las imgenes obtenidas a partir de datos de radiancia y reflectancia para
comprobar as el efecto de ambas opciones en el resultado proporcionado por el algoritmo.
- 174 -
las imgenes de pureza mencionadas, se ha construido una curva ROC utilizando un conjunto de
valores umbrales equidistantes entre el ND ms bajo y el ND ms alto, y se ha estimado el rea
bajo la curva. La parte inferior de la figura 4.2.10 muestra el rea total bajo las curvas ROC
antes mencionadas.
Los resultados obtenidos para la imagen de radiancia y reflectancia indican que el mejor
rendimiento del algoritmo se obtiene cuando se utiliza un elemento estructural cuyo tamao
vara entre 11x11 pixels y 20x20 pixels, disminuyendo claramente el rendimiento cuando el
tamao del elemento estructural se encuentra fuera de este rango.
Cuando se utilizan elementos estructurales de tamao inferior a 11x11 pixels, el descenso en
el rendimiento se debe a situaciones en las que el kernel aparece totalmente incluido en una
regin, caso en el que no se puede realizar una estimacin correcta del grado de pureza de los
pixels al no disponer de suficientes muestras para realizar la comparacin. Esta circunstancia
aparece ilustrada mediante un sencillo ejemplo en la figura 4.2.11, en la que se ilustran algunos
casos de estimacin correcta y estimacin errnea del grado de pureza de ciertos pixels de la
imagen. En el ejemplo, se han considerado dos tamaos de ventana: 9x9 y 11x11 pixels.
A partir de las circunstancias antes mencionadas, el tamao de ventana ptimo para la
imagen_simulada_1 est comprendido entre 11x11 y 20x20 pixels. Para seleccionar el tamao
ms apropiado en este rango, procedemos a realizar un estudio detallado de la relacin entre la
complejidad computacional del algoritmo y la precisin con que se calculan los resultados al
considerar los valores antes referidos.
Computacionalmente, podemos expresar el coste de aplicar el algoritmo con una ventana
cuadrada de dimensiones KxK como T(MxLxK2xN), donde M es el nmero de muestras de la
imagen, L es el nmero de lneas y N es el nmero de bandas. Dentro de cada vecindad de KxK
elementos, expresados como vectores formados por tantos valores como bandas, se realiza la
comparacin de cada elemento con el centroide utilizando la distancia angular. Esta distancia
lleva implcito un producto entre dos vectores de N componentes. Hechas estas consideraciones,
la tabla 4.2.1 muestra el nmero de productos realizados al aplicar el proceso de identificacin
de pixels puros considerando tamaos de ventana de 11x11 y 20x20 pixels.
Por otra parte, el uso de elementos estructurales de tamao mayor que 20x20 pixels en la
figura 4.2.10 viene motivado por la situacin descrita en la figura 4.2.12: al estimarse
nicamente el ndice de pureza de un endmember en cada ventana, la existencia de dos
componentes puros en la ventana hace que uno de ellos se pierda, por lo que se produce un error
en la estimacin del grado de pureza de uno de los componentes.
- 175 -
Rad. 11x11
Rad. 19x19
Rad. 21x21
Rad. 25x25
Ref. 5x5
Ref. 11x11
Ref. 19x19
Ref. 21x21
Ref. 25x25
Rad. 5x5
100
90 85
96
96
94
93
80
79
70
Radiancia
60
61
Reflectancia
61
60
57
50
11
13
15
17
19
21
23
25
Figura 4.2.10. Imgenes resultantes obtenidas al procesar, utilizando diferentes tamaos de ventana,
la imagen_simulada_1 en unidades de radiancia (parte superior) y reflectancia (parte intermedia).
rea bajo la curva ROC en cada caso (parte inferior).
Kernel
11x11 pixels
Kernel
9x9 pixels
ESTIMACIN
INCORRECTA
ESTIMACIN
INCORRECTA
ESTIMACIN
CORRECTA
R1
R1
R2
40
ESTIMACIN
CORRECTA
R2
R3
10
20
40
10
R3
10
20
10
60
60
Figura 4.2.11. Ejemplo ilustrativo de la influencia del tamao y forma del elemento estructural
utilizado en el proceso de identificacin de pixels puros.
- 176 -
Kernel
21x21 pixels
ESTIMACIN
INCORRECTA
ESTIMACIN
CORRECTA
R1
R2
40
R3
20
10
60
Tamao ventana
11x11
20x20
- 177 -
Rad. 21x21
Rad. 31x31
Rad. 41x41
Rad. 51x51
Ref. 11x11
Ref. 21x21
Ref. 31x31
Ref. 41x41
Ref. 51x51
Rad. 11x11
100
93
90 94
98
95
100
100
96
94
80
73
70
71
60
Radiancia
Reflectancia
50
11
21
31
41
51
Figura 4.2.13. Imgenes resultantes obtenidas al procesar, utilizando diferentes tamaos de ventana,
la imagen_simulada_3 en unidades de radiancia (parte superior) y reflectancia (parte intermedia).
rea bajo la curva ROC en cada caso (parte inferior).
Los resultados obtenidos en este experimento reflejan una serie de circunstancias que
conviene resaltar:
- 178 -
Cuando se utilizan elementos estructurales de 11x11 pixels, a pesar de que las zonas
con espectros puros (regiones R1 y R6) presentan ndice de pureza superior al resto de
regiones, las zonas con mezclas (regiones R2, R3, R4 y R5) presentan tambin ndice de
pureza alto, como puede apreciarse en las imgenes de pureza resultantes. Esto se
debe a que el tamao de kernel no es lo suficientemente grande para albergar muestras
de todas las posibles mezclas, con lo que el ndice de pureza de ciertos pixels puede
ser sobreestimado.
El resultado obtenido al utilizar elementos estructurales de 41x41 pixels es ptimo,
tanto en datos de radiancia como en datos de reflectancia. No obstante, la curva de
precisin mostrada en la parte inferior de la figura 4.2.13 revela que los problemas de
sobreestimacin del ndice de pureza al utilizar kernels de 11x11 pixels no son
demasiado significativos en trminos de rendimiento general.
Para corroborar las anteriores afirmaciones, la figura 4.2.14 muestra las curvas ROC
asociadas a las imgenes de pureza obtenidas utilizando elementos estructurales de 11x11 pixels
(parte izquierda) y de 41x41 pixels (parte derecha) para procesar la imagen_simulada_2 en
unidades de radiancia (el resultado obtenido para la imagen en unidades de reflectancia es
equivalente). En ambos casos, la curva ROC presenta un punto en el que el compromiso entre
verdaderos positivos y falsos positivos es apropiado. La imagen correspondiente a este punto
ptimo se ha resaltado en la figura, revelando gran similaridad con la verdad terreno (parte
inferior).
Curva ROC (Rad. 41x41)
1
0,8
0,8
0,6
0,4
0,2
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
0,2
0,4
0,6
0,8
Verdad terreno
Figura 4.2.14. Curvas ROC asociadas a las imgenes de pureza obtenidas al procesar la
imagen_simulada_2 en unidades de radiancia, utilizando elementos estructurales de 11x11 pixels
(parte izquierda) y 41x41 pixels (parte derecha). Imagen de verdad terreno indicando en blanco los
pixels puros y en negro los pixels mezcla.
- 179 -
Tamao de ventana
11x11
41x41
Segunda prueba
En la segunda prueba realizada dentro de este primer experimento pretendemos estudiar la
influencia de la relacin SNR sobre el proceso de deteccin de pixels puros. Este parmetro se
analiza de forma independiente, manteniendo constante el tamao del elemento estructural
utilizado y variando la relacin SNR utilizada al generar las imgenes (ver expresin 2.3.3). De
nuevo, consideramos la imagen_simulada_1 y la imagen_simulada_2. En ambos casos,
consideramos las imgenes obtenidas a partir de datos de radiancia y reflectancia para
comprobar as el efecto de ambas opciones en el resultado proporcionado por el algoritmo.
- 180 -
Rad. SNR=50
Rad. SNR=70
Rad. SNR=90
Ref. SNR=10
Ref. SNR=30
Ref. SNR=50
Ref. SNR=70
Ref. SNR=90
Rad. SNR=10
100
96
96
96
93
94
94
97
96
80
62
60
60
Radiancia
Reflectancia
40
10
30
50
70
90
SNR
- 181 -
Rad. SNR=30
Rad. SNR=50
Rad. SNR=70
Rad. SNR=90
Ref. SNR=10
Ref. SNR=30
Ref. SNR=50
Ref. SNR=70
Ref. SNR=90
Rad. SNR=10
100
92
95
94
97
98
95
96
90
80 76
78
60
Radiancia
Reflectancia
40
10
30
50
70
90
SNR
- 182 -
- 183 -
Primera prueba
En esta primera prueba consideramos el mecanismo de extraccin de endmembers
denominado como MEPP (ver apartado 3.2.2.3). Los experimentos realizados se detallan a
continuacin.
- 184 -
Radiancia (W/cm2/nm/sr)
Vegetacin
Suelo
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
MEPP_1
MEPP_2
6000
3000
0
300
600
900
1200
1500
1800
2100
2400
endmembers (SNR=50:1)
8000
MEPP_1
MEPP_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Radiancia (W/cm2/nm/sr)
endmembers (SNR=30:1)
Radiancia (W/cm2/nm/sr)
Radiancia (W/cm2/nm/sr)
endmembers (SNR=10:1)
9000
8000
MEPP_1
MEPP_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.17. Firmas espectrales originales y endmembers extrados segn el mecanismo MEPP a
partir de imagen_simulada_1 en unidades de radiancia, generada utilizando diferentes valores de
SNR (parte inferior).
La figura 4.2.17 pone de manifiesto el gran impacto de la relacin SNR en la forma espectral
de las firmas extradas por el mecanismo MEPP. Los endmembers seleccionados para cada valor
de SNR pueden compararse visualmente con las firmas espectrales originales de vegetacin y
suelo utilizadas para generar la imagen, dando as una idea de la gran distorsin que puede
introducir el componente ruidoso en los espectros de la imagen.
- 185 -
contribuciones ruidosas de la atmsfera sigue un modelo muy simple. A pesar de que la tabla
pone de manifiesto una cierta mejora cuando la relacin SNR es de 30:1 o superior, los valores
de similaridad obtenidos por el mecanismo MEPP son bajos en trminos generales.
SNR = 10:1
SNR = 30:1
SNR = 50:1
MEPP_1
MEPP_2
MEPP_1
MEPP_2
MEPP_1
MEPP_2
Vegetacin
0.161
0.534
0.072
0.498
0.038
0.496
Suelo
0.547
0.169
0.497
0.059
0.493
0.036
TABLA 4.2.3. MATRIZ SAM ENTRE ENDMEMBERS EXTRADOS SEGN EL MECANISMO MEPP A PARTIR
DE IMAGEN_SIMULADA_1 (UNIDADES DE RADIANCIA) Y FIRMAS ORIGINALES.
6000
Vegetacin
Suelo
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
endmembers (SNR=10:1)
endmembers (SNR=30:1)
endmembers (SNR=50:1)
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
MEPP_1
MEPP_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Reflectancia (%*100)
MEPP_1
MEPP_2
6000
Reflectancia (%*100)
Reflectancia (%*100)
6000
MEPP_1
MEPP_2
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.18. Firmas espectrales originales y endmembers extrados segn el mecanismo MEPP a
partir de imagen_simulada_1 en unidades de reflectancia, generada utilizando diferentes valores de
SNR (parte inferior).
- 186 -
La tabla 4.2.4 revela que, al igual que ocurra con los datos de radiancia, la similaridad
espectral entre los endmembers extrados por el mtodo MEPP y sus correspondientes firmas
originales es baja para valores de SNR inferiores a 30:1.
SNR = 10:1
SNR = 30:1
SNR = 50:1
MEPP_1
MEPP_2
MEPP_1
MEPP_2
MEPP_1
MEPP_2
Vegetacin
0.177
0.713
0.062
0.712
0.039
0.712
Suelo
0.735
0.201
0.709
0.065
0.708
0.038
TABLA 4.2.4. MATRIZ SAM ENTRE ENDMEMBERS EXTRADOS SEGN EL MECANISMO MEPP A PARTIR
DE IMAGEN_SIMULADA_1 (UNIDADES DE REFLECTANCIA) Y FIRMAS ORIGINALES.
Radiancia (W/cm2/nm/sr)
Vegetacin
Suelo
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
MEPP_1
MEPP_2
6000
3000
0
300
600
900
1200
1500
1800
2100
2400
endmembers (SNR=50:1)
8000
MEPP_1
MEPP_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Radiancia (W/cm2/nm/sr)
endmembers (SNR=30:1)
Radiancia (W/cm2/nm/sr)
Radiancia (W/cm2/nm/sr)
endmembers (SNR=10:1)
9000
8000
MEPP_1
MEPP_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.19. Firmas espectrales originales y endmembers extrados segn el mecanismo MEPP a
partir de imagen_simulada_2 en unidades de radiancia, generada utilizando diferentes valores de
SNR (parte inferior).
- 187 -
SNR = 10:1
SNR = 30:1
SNR = 50:1
MEPP_1
MEPP_2
MEPP_1
MEPP_2
MEPP_1
MEPP_2
Vegetacin
0.169
0.514
0.079
0.423
0.044
0.416
Suelo
0.517
0.178
0.437
0.069
0.487
0.049
TABLA 4.2.5. MATRIZ SAM ENTRE ENDMEMBERS EXTRADOS SEGN EL MECANISMO MEPP A PARTIR
DE IMAGEN_SIMULADA_2 (UNIDADES DE RADIANCIA) Y FIRMAS ORIGINALES.
La figura 4.2.19 muestra las firmas originales utilizadas en la generacin de esta imagen y
los endmembers extrados siguiendo el procedimiento MEPP para dicha imagen, considerando
valores de la relacin SNR de 10:1, 30:1 y 50:1.
Por su parte, la tabla 4.2.5 revela que los valores de similaridad entre los endmembers
extrados por el procedimiento MEPP y las firmas espectrales originales son reducidos para
valores de SNR por debajo de 30:1.
6000
Vegetacin
Suelo
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
endmembers (SNR=10:1)
endmembers (SNR=30:1)
endmembers (SNR=50:1)
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
MEPP_1
MEPP_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Reflectancia (%*100)
MEPP_1
MEPP_2
6000
Reflectancia (%*100)
Reflectancia (%*100)
6000
MEPP_1
MEPP_2
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.20. Firmas espectrales originales y endmembers extrados segn el mecanismo MEPP a
partir de imagen_simulada_2 en unidades de reflectancia, generada utilizando diferentes valores de
SNR (parte inferior).
- 188 -
SNR = 30:1
SNR = 50:1
MEPP_1
MEPP_2
MEPP_1
MEPP_2
MEPP_1
MEPP_2
Vegetacin
0.193
0.631
0.051
0.745
0.047
0.721
Suelo
0.682
0.219
0.698
0.069
0.718
0.051
TABLA 4.2.6. MATRIZ SAM ENTRE ENDMEMBERS EXTRADOS SEGN EL MECANISMO MEPP A PARTIR
DE IMAGEN_SIMULADA_2 (UNIDADES DE REFLECTANCIA) Y FIRMAS ORIGINALES.
La tabla 4.2.6 pone de manifiesto que los valores de similaridad entre los endmembers
extrados por el procedimiento MEPP y las firmas espectrales originales son reducidos para
valores de SNR por debajo de 30:1. Adems, no se aprecian diferencias notables al considerar
datos de radiancia y reflectancia.
Segunda prueba
En esta segunda prueba evaluamos el mecanismo de extraccin de endmembers denominado
MECR (ver apartado 3.2.2.3). A continuacin, detallamos los experimentos realizados.
8000
Vegetacin
Suelo
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
4000
2000
0
300
2400
600
900
1200
1500
1800
2100
2400
endmembers (SNR=30:1)
endmembers (SNR=50:1)
MECR_1
MECR_2
6000
4000
2000
0
300
MECR_1
MECR_2
6000
Radiancia (W/cm2/nm/sr)
Radiancia (W/cm2/nm/sr)
Radiancia (W/cm2/nm/sr)
600
900
1200
1500
1800
2100
MECR_1
MECR_2
6000
4000
2000
2400
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.21. Firmas espectrales originales y endmembers extrados segn procedimiento MECR a
partir de imagen_simulada_1 en unidades de radiancia, generada utilizando diferentes valores de
SNR.
SNR = 10:1
SNR = 30:1
SNR = 50:1
MECR_1
MECR_2
MECR_1
MECR_2
MECR_1
MECR_2
Vegetacin
0.007
0.486
0.003
0.481
0.001
0.481
Suelo
0.483
0.006
0.479
0.002
0.478
0.001
La tabla 4.2.7 muestra la matriz de correlacin espectral entre los endmembers extrados por
el procedimiento MECR y las firmas originales utilizadas para generar la imagen_simulada_1
en unidades de radiancia. Los resultados mostrados en la tabla ponen de manifiesto que la
similaridad espectral de los endmembers con respecto a las firmas espectrales originales es muy
elevada. Es destacable que, incluso en el caso en el que la SNR es slo de 10:1 (considerado
inaceptable en la mayor parte de aplicaciones prcticas), los endmembers finales presentan ya
una similaridad espectral muy elevada. Por otra parte, cuando la SNR es de 50:1 los
endmembers se recuperan de forma casi perfecta.
- 190 -
endmembers obtenidos por el procedimiento MECR para esta imagen concreta, junto con las
firmas originales utilizadas en la creacin de la imagen.
endmembers (SNR=10:1)
Vegetacin
Suelo
Reflectancia (%*100)
Reflectancia (%*100)
6000
4000
2000
0
300
MECR_1
MECR_2
6000
4000
2000
0
600
900
1200
1500
1800
2100
300
2400
600
1500
1800
2100
2400
endmembers (SNR=50:1)
MECR_1
MECR_2
Reflectancia (%*100)
Reflectancia (%*100)
1200
endmembers (SNR=30:1)
6000
900
4000
2000
MECR_1
MECR_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.22. Firmas espectrales originales y endmembers extrados segn procedimiento MECR a
partir de imagen_simulada_1 en unidades de reflectancia, generada utilizando diferentes valores de
SNR.
La elevada similaridad espectral de los endmembers obtenidos por el mecanismo MECR con
respecto a las firmas originales aparece ilustrada en la matriz de correlacin espectral que se
muestra en la tabla 4.2.8. Al igual que ocurra con la imagen_simulada_1 en unidades de
radiancia, la similaridad espectral al utilizar datos de reflectancia es siempre muy elevada,
incluso en presencia de condiciones de ruido extremas.
SNR = 10:1
SNR = 30:1
SNR = 50:1
MECR_1
MECR_2
MECR_1
MECR_2
MECR_1
MECR_2
Vegetacin
0.008
0.721
0.005
0.735
0.002
0.739
Suelo
0.743
0.007
0.729
0.004
0.733
0.001
- 191 -
8000
6000
4000
2000
0
300
endmembers (SNR=10:1)
Radiancia (W/cm2/nm/sr)
Radiancia (W/cm2/nm/sr)
MECR_1
MECR_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
600
2400
MECR_1
MECR_2
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
1200
1500
1800
2100
2400
endmembers (SNR=50:1)
Radiancia (W/cm2/nm/sr)
Radiancia (W/cm2/nm/sr)
endmembers (SNR=30:1)
6000
900
MECR_1
MECR_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.23. Firmas espectrales originales y endmembers extrados segn procedimiento MECR a
partir de imagen_simulada_2 en unidades de radiancia, generada utilizando diferentes valores de
SNR.
La alta similaridad espectral entre endmembers y firmas originales que se intuye en la figura
4.2.23 aparece reflejada cuantitativamente en la tabla 4.2.9. A partir de los resultados mostrados
en la tabla, podemos concluir que el procedimiento MECR es capaz de extraer endmembers de
forma muy precisa, incluso en condiciones de ruido muy elevadas. Por otra parte, la situacin de
mezcla progresiva simulada en esta imagen no supone un obstculo a la hora de realizar la
identificacin de endmembers.
- 192 -
SNR = 30:1
SNR = 50:1
MECR_1
MECR_2
MECR_1
MECR_2
MECR_1
MECR_2
Vegetacin
0.008
0.421
0.003
0.439
0.001
0.433
Suelo
0.436
0.009
0.422
0.002
0.441
0.001
endmembers (SNR=10:1)
Vegetacin
Suelo
4000
2000
0
300
Reflectancia (%*100)
Reflectancia (%*100)
6000
MECR_1
MECR_2
6000
4000
2000
0
600
900
1200
1500
1800
2100
300
2400
600
MECR_1
MECR_2
1500
1800
2100
2400
4000
2000
endmembers (SNR=50:1)
Reflectancia (%*100)
Reflectancia (%*100)
1200
endmembers (SNR=30:1)
6000
900
MECR_1
MECR_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
300
600
900
1200
1500
1800
2100
2400
Figura 4.2.24. Firmas espectrales originales y endmembers extrados segn procedimiento MECR a
partir de imagen_simulada_2 en unidades de reflectancia, generada utilizando diferentes valores de
SNR.
De nuevo, llama la atencin el irregular proceso de crecimiento de regiones que tiene lugar
en el caso en el que la SNR es de 10:1. A pesar de ello, se aprecia un gran parecido los
endmembers resultantes y las firmas originales.
La tabla 4.2.10 muestra los valores de similaridad espectral entre los endmembers obtenidos
y las firmas originales. Esta tabla pone de manifiesto que el irregular proceso de crecimiento en
el caso en el que la SNR es de 10:1 no tiene una influencia decisiva en la calidad de los
- 193 -
endmembers extrados, que sigue siendo elevada en virtud de su parecido con las firmas de
referencia. En general, las conclusiones que pueden extraerse a partir de los resultados
mostrados en la tabla son idnticas a las ya mencionadas a lo largo de esta batera de pruebas.
SNR = 10:1
SNR = 30:1
SNR = 50:1
MECR_1
MECR_2
MECR_1
MECR_2
MECR_1
MECR_2
Vegetacin
0.008
0.710
0.005
0.719
0.003
0.721
Suelo
0.707
0.007
0.712
0.003
0.734
0.002
- 194 -
2.-
3.-
- 195 -
Abundancia
endmember_1
(SNR=10:1)
Abundancia
endmember_1
(SNR=30:1)
Abundancia
endmember_1
(SNR=50:1)
Abundancia
Suelo
(verdad terreno)
Abundancia
endmember_2
(SNR=10:1)
Abundancia
endmember_2
(SNR=30:1)
Abundancia
endmember_2
(SNR=50:1)
Como puede apreciarse en la figura, los mapas de abundancia obtenidos cuando la relacin
SNR es baja presentan un ligero componente ruidoso. Este hecho no viene provocado por la
calidad de los endmembers extrados, la cual es muy alta como se comprob en el experimento
anterior, sino por la distorsin introducida en la imagen.
A medida que la relacin SNR aumenta, las abundancias estimadas presentan mayor
similitud respecto a las abundancias reales. Con objeto de corroborar cuantitativamente la
anterior afirmacin, comparamos los valores de abundancia estimados con los valores de
abundancia reales mediante diagramas de dispersin, mostrados en la figura 4.2.26.
La figura 4.2.26 muestra los resultados obtenidos para los dos endmembers seleccionados
utilizando diferentes relaciones SNR. En cada caso, se muestra el coeficiente de correlacin de
Pearson de los datos representados, siendo la correlacin muy cercana a 1 cuando la relacin
SNR es igual a 50:1.
Por el contrario, cuando la relacin SNR es igual a 10:1 (condiciones de ruido extremas),
existen algunas derivas en la estimacin de abundancias, de forma que para un mismo valor de
abundancia real se obtienen mltiples valores de abundancia estimada. A pesar de esta
circunstancia, el coeficiente de correlacin sigue presentando valores muy elevados, en torno a
0.98.
- 196 -
Figura 4.2.26. Diagramas de dispersin de abundancias reales frente a abundancias estimadas para
endmembers extrados a partir de la imagen_simulada_1 en unidades de radiancia.
SNR
10:1
30:1
50:1
Endmember
MECR_1
MECR_2
MECR_1
MECR_2
MECR_1
MECR_2
RMSE total
RMSE relativo
0.12
0.12
0.03
0.03
0.02
0.02
abundancia 0
0.03
0.04
0.01
0.00
0.00
0.00
abundancia 0.5
0.04
0.04
0.01
0.01
0.00
0.01
abundancia 1
0.04
0.04
0.01
0.01
0.01
0.01
Con objeto de obtener una descripcin ms detallada del anterior resultado, la tabla 4.2.11
muestra una comparativa entre el error RMSE (ver expresin 2.3.10) cometido en el proceso de
estimacin de abundancias para la imagen_simulada_1 en unidades de radiancia. En el
experimento se considera tanto el RMSE total, cometido cuando se estima la abundancia en
todos los pixels de la imagen, como el RMSE relativo, que describe la contribucin al error total
cuando se intenta estimar cada uno de los valores de abundancia reales.
Los resultados mostrados en la tabla revelan que, cuando el valor de la relacin SNR es
10:1, el RMSE total es del 12% para cada uno de los endmembers considerados. Por otra parte,
cuando la SNR aumenta hasta 30:1, los valores estimados se sitan en torno al 3% de error,
mientras que si el valor se incrementa hasta 50:1, la estimacin no supera el 2% de error total.
Por otra parte, es importante destacar que la contribucin de los errores relativos (cometidos
al estimar las diferentes abundancias reales) al error total es muy similar en todos los casos. Este
hecho pone de manifiesto que el proceso de estimacin de la abundancia de los endmembers en
- 197 -
esta imagen es independiente del porcentaje de abundancia real que se desea estimar. En otras
palabras, el algoritmo propuesto estima con eficacia similar la proporcin de endmembers muy
abundantes en la imagen y la proporcin de endmembers poco abundantes.
Abundancia
Vegetacin
(verdad terreno)
Abundancia
endmember_1
(SNR=10:1)
Abundancia
endmember_1
(SNR=30:1)
Abundancia
endmember_1
(SNR=50:1)
Abundancia
Suelo
(verdad terreno)
Abundancia
endmember_2
(SNR=10:1)
Abundancia
endmember_2
(SNR=30:1)
Abundancia
endmember_2
(SNR=50:1)
Una simple comparacin visual con los mapas de abundancia obtenidos para la imagen de
radiancia (ver figura 4.2.25) revela que los mapas de abundancia obtenidos para datos de
reflectancia con SNR muy baja (10:1) son visualmente menos ruidosos que los obtenidos para
datos de radiancia con la misma SNR. Con objeto de comprobar de forma cuantitativa este
resultado, la figura 4.2.28 muestra diagramas de dispersin que relacionan abundancias
estimadas con abundancias reales, tal y como se describi en el experimento anterior.
La figura 4.2.28 revela que, al igual que ocurra al utilizar datos de radiancia, la correlacin
obtenida en el mejor caso (relacin SNR igual a 50:1) es muy elevada para los dos endmembers
seleccionados. Cuando la SNR es de 10:1, el coeficiente de correlacin obtenido al utilizar la
imagen de reflectancia es ligeramente superior al obtenido con la imagen de radiancia (0.99
- 198 -
frente a 0.98). Este resultado pone de manifiesto que la utilizacin de datos de reflectancia al
simular la imagen puede producir resultados ligeramente superiores, aunque el impacto de
utilizar datos de radiancia o reflectancia no es significativo, especialmente si los valores de SNR
utilizados son moderados (a partir de 30:1).
Figura 4.2.28. Diagramas de dispersin de abundancias reales frente a abundancias estimadas para
endmembers extrados a partir de la imagen_simulada_1 en unidades de reflectancia.
SNR
10:1
30:1
50:1
Endmember
MECR_1
MECR_2
MECR_1
MECR_2
MECR_1
MECR_2
RMSE total
0.09
0.10
0.03
0.03
0.01
0.01
abundancia 0
0.02
0.01
0.01
0.00
0.00
0.00
abundancia 0.5
0.03
0.00
0.01
0.01
0.00
0.01
abundancia 1
0.0.4
0.01
0.01
0.00
0.01
0.01
RMSE relativo
- 199 -
Si comparamos los errores absolutos obtenidos para la imagen de reflectancia con los
obtenidos para la imagen de radiancia (ver tabla 4.2.11), podemos apreciar que la utilizacin de
datos de reflectancia cuando la relacin SNR es muy pobre (10:1) puede producir una mejora en
el error total en torno al 2% para cada endmember. En el resto de valores de SNR considerados,
el impacto de utilizar datos de radiancia/reflectancia resulta prcticamente despreciable.
Abundancia
Vegetacin
(verdad terreno)
Abundancia
endmember_1
(SNR=10:1)
Abundancia
endmember_1
(SNR=30:1)
Abundancia
endmember_1
(SNR=50:1)
Abundancia
Suelo
(verdad terreno)
Abundancia
endmember_2
(SNR=10:1)
Abundancia
endmember_2
(SNR=30:1)
Abundancia
endmember_2
(SNR=50:1)
Visualmente, se observa gran similaridad entre los mapas obtenidos y la verdad terreno, si
bien es cierto que, cuando la SNR es de 10:1, los mapas asociados a los dos endmembers
extrados presentan un apariencia ligeramente ruidosa. Esta circunstancia aparece reflejada en
los diagramas de dispersin mostrados en la figura 4.2.30, en los que se aprecia que los valores
de correlacin obtenidos en este caso son inferiores a los obtenidos cuando la SNR es moderada
(30:1) y aceptable (50:1).
- 200 -
Figura 4.2.30. Diagramas de dispersin de abundancias reales frente a abundancias estimadas para
endmembers extrados a partir de la imagen_simulada_2 en unidades de radiancia.
SNR
10:1
30:1
50:1
Endmember
MECR_1
MECR_2
MECR_1
MECR_2
MECR_1
MECR_2
RMSE total
0.12
0.11
0.04
0.03
0.01
0.02
abundancia 0
0.02
0.02
0.00
0.01
0.00
0.00
abundancia 0.2
0.01
0.02
0.01
0.01
0.00
0.00
abundancia 0.4
0.02
0.02
0.00
0.00
0.00
0.00
abundancia 0.6
0.02
0.02
0.01
0.00
0.00
0.00
abundancia 0.8
0.02
0.01
0.01
0.00
0.00
0.00
abundancia 1
0.02
0.02
0.01
0.00
0.00
0.01
RMSE relativo
La tabla 4.2.13 muestra el error RMSE absoluto y relativo al estimar la abundancia de los
endmembers en la imagen analizada. Los resultados mostrados en la tabla revelan que el error
total cuando la SNR es de 10:1 supera el 10%, mientras que los errores totales cometidos
cuando la SNR es moderada son inferiores al 4%. Por otra parte, los errores relativos
contribuyen de forma proporcional al error total.
En trminos generales, a pesar de que la situacin de mezcla en la imagen_simulada_2 es
progresiva y, por tanto, ms compleja que el caso de mezcla abrupta estudiado en la
imagen_simulada_1, los errores totales cometidos al considerar ambas imgenes en unidades de
radiancia son muy similares, como puede comprobarse al contrastar los resultados de la tabla
4.2.13 con los resultados mostrados en la tabla 4.2.11.
- 201 -
Abundancia
Vegetacin
(verdad terreno)
Abundancia
endmember_1
(SNR=10:1)
Abundancia
endmember_1
(SNR=30:1)
Abundancia
endmember_1
(SNR=50:1)
Abundancia
Suelo
(verdad terreno)
Abundancia
endmember_2
(SNR=10:1)
Abundancia
endmember_2
(SNR=30:1)
Abundancia
endmember_2
(SNR=50:1)
En trminos generales, se observa gran similaridad entre los mapas obtenidos y la verdad
terreno. En particular, cuando la SNR es de 10:1, la similaridad entre mapas obtenidos y verdad
terreno parece ligeramente superior que la obtenida al utilizar datos de radiancia para esta
misma imagen. Esta primera impresin se corrobora de forma cuantitativa en los diagramas de
dispersin mostrados en la figura 4.2.32.
La tabla 4.2.14 muestra los valores de RMSE total y relativo cometidos en el proceso de
estimacin de abundancias para esta imagen. Los resultados mostrados en esta tabla reflejan, de
forma cuantitativa, los comentarios anteriormente realizados. En particular, el error total al
utilizar la imagen_simulada_2 en unidades de reflectancia desciende en torno al 3% con
respecto al caso de utilizar la misma imagen en unidades de radiancia cuando la SNR es de 10:1.
Para valores mayores de SNR, el error total cometido en ambos casos es equiparable. Los
errores
relativos
al
estimar
las
abundancias
individuales
presentan
contribuciones
- 202 -
Figura 4.2.32. Diagramas de dispersin de abundancias reales frente a abundancias estimadas para
endmembers extrados a partir de la imagen_simulada_2 en unidades de reflectancia.
SNR
10:1
30:1
50:1
Endmember
MECR_1
MECR_2
MECR_1
MECR_2
MECR_1
MECR_2
RMSE total
0.09
0.08
0.03
0.03
0.01
0.01
abundancia 0
0.02
0.01
0.00
0.00
0.00
0.00
abundancia 0.2
0.01
0.01
0.00
0.01
0.00
0.00
abundancia 0.4
0.01
0.02
0.01
0.00
0.00
0.00
abundancia 0.6
0.02
0.02
0.01
0.00
0.00
0.00
abundancia 0.8
0.02
0.01
0.00
0.00
0.00
0.00
abundancia 1
0.01
0.01
0.01
0.00
0.00
0.00
RMSE relativo
- 203 -
Abundancia
Vegetacin
(verdad terreno)
Abundancia
endmember_1
(SNR=10:1)
Abundancia
endmember_1
(SNR=30:1)
Abundancia
endmember_1
(SNR=50:1)
Abundancia
Suelo
(verdad terreno)
Abundancia
endmember_2
(SNR=10:1)
Abundancia
endmember_2
(SNR=30:1)
Abundancia
endmember_2
(SNR=50:1)
Visualmente, se observa que el efecto del ruido cuando la SNR de la imagen es de 10:1 trae
como consecuencia pequeos errores en la estimacin de abundancias que pueden tener un
efecto nocivo en la correlacin de los valores de abundancia estimados respecto a los reales.
Para analizar de forma cuantitativa esta situacin, la figura 4.2.34 muestra una serie de
diagramas de dispersin de abundancias estimadas frente a abundancias reales para diferentes
valores de SNR.
Figura 4.2.34. Diagramas de dispersin de abundancias reales frente a abundancias estimadas para
endmembers extrados a partir de la imagen_simulada_3 en unidades de radiancia.
- 204 -
SNR
RMSE
relativo
10:1
30:1
50:1
Endmember
MECR_1
MECR_2
MECR_1
MECR_2
MECR_1
MECR_2
RMSE total
0.14
0.13
0.04
0.05
0.03
0.02
abundancia de 0 a 0.1
0.01
0.01
0.00
0.00
0.00
0.00
0.02
0.01
0.00
0.00
0.00
0.00
0.01
0.01
0.01
0.01
0.00
0.00
0.01
0.02
0.00
0.00
0.00
0.01
0.01
0.01
0.01
0.01
0.01
0.00
0.02
0.02
0.00
0.01
0.00
0.00
0.01
0.01
0.00
0.00
0.00
0.00
0.02
0.01
0.00
0.00
0.00
0.00
0.01
0.01
0.01
0.00
0.01
0.00
abundancia de 0.9 a 1
0.01
0.01
0.00
0.01
0.01
0.01
- 205 -
Abundancia
Vegetacin
(verdad terreno)
Abundancia
endmember_1
(SNR=10:1)
Abundancia
endmember_1
(SNR=30:1)
Abundancia
endmember_1
(SNR=50:1)
Abundancia
Suelo
(verdad terreno)
Abundancia
endmember_2
(SNR=10:1)
Abundancia
endmember_2
(SNR=30:1)
Abundancia
endmember_2
(SNR=50:1)
Una simple comparacin visual entre los mapas mostrados en la figura 4.2.35 revela que el
efecto nocivo del ruido en el proceso de estimacin se hace ms patente cuando la SNR de la
imagen es de 10:1. Por otra parte, una comparacin visual entre los mapas obtenidos para esta
imagen en unidades de reflectancia con los correspondientes mapas obtenidos para la misma
imagen en unidades de radiancia (ver figura 4.2.33) muestra que los resultados obtenidos son
muy similares en ambos casos.
El anterior resultado se manifiesta de forma cuantitativa en los diagramas de dispersin
generados (en los que los coeficientes de correlacin son prcticamente idnticos a los
obtenidos en el caso de trabajar con la imagen de radiancia) y en los valores de RMSE total y
relativo. Ante la gran similaridad cuantitativa con los resultados mostrados en la figura 4.2.34 y
en la tabla 4.2.15, optamos por no mostrar estos resultados en la presente memoria.
La interpretacin de este resultado, que contrasta con los obtenidos al trabajar con la
imagen_simulada_1 (mezcla abrupta) y con la imagen_simulada_2 (mezcla progresiva), en las
que la utilizacin de datos de reflectancia daba como consecuencia resultados ligeramente
superiores. Este hecho puede deberse a que la mezcla en la imagen_simulada_3 se produce de
forma que la abundancia de los componentes cambia en proporciones muy pequeas, con lo que
los cambios en la forma espectral de pixels vecinos son mnimos. De este modo, la forma
original de los espectros utilizados para generar las mezclas carece totalmente de importancia,
siendo equivalente la utilizacin de datos de radiancia y reflectancia.
- 206 -
- 207 -
1.-
2.-
3.-
Con motivo de obtener una medida cualitativa acerca de la facilidad para separar los
objetos del fondo, se descompone la imagen original en su componentes principales
(autovectores) mediante la transformacin PCA (ver apartado 2.3.2.2). Como
resultado, se obtiene un conjunto de imgenes en NDs, ordenadas de mayor a menor
varianza, y mutuamente ortogonales. A partir de la representacin de estas imgenes
una frente a otra puede realizarse una inspeccin visual de la distribucin de los datos
en el espacio N-dimensional.
4.-
5.-
Los
experimentos
presentados
en
este
apartado
han
sido
realizados
con
la
- 208 -
construidos para los objetos edificio y carretera. Finalmente, en la parte inferior de la figura se
muestra el resultado de aplicar el mtodo de umbralizado automtico de Otsu sobre las
imgenes anteriormente comentadas.
Radiancia (SNR=30:1)
Radiancia (W/cm /nm/sr)
Edific io
Carrete ra
Sue lo
6000
5000
Edificio
Carretera
Suelo
6000
5000
Radiancia (SNR=10:1)
4000
4000
3000
3000
2000
2000
1000
1000
0
300
600
900
1200
1500
1800
2100
2400
0
300
600
Edificio
900
1200
1500
1800
2100
2400
Carretera
Edificio
Carretera
Edificio
Carretera
Filtros de
Similaridad
Edificio
Carretera
Umbralizado
automtico
Figura 4.2.36. Endmembers extrados a partir de imagen_simulada_4 en unidades de radiancia
considerando diferentes valores de SNR (parte superior); filtros de similaridad asociados a los
endmembers extrados (parte intermedia); imgenes resultantes tras aplicar el mtodo de umbralizado
automtico de Otsu sobre filtros de similaridad (parte inferior).
Los resultados mostrados por la figura 4.2.36 muestran que, en condiciones de ruido
extremo (SNR de 10:1), resulta difcil, en trminos generales, separar visualmente objetos de
fondo. A pesar de que la forma del objeto edificio puede recuperarse de forma ms o menos
satisfactoria, la deteccin del objeto carretera resulta ms complicada.
No obstante, cuando la SNR es 30:1 (valor considerado como muy pobre en la prctica
totalidad de aplicaciones existentes), las imgenes de probabilidad proporcionadas por los filtros
de similaridad son mucho ms indicativas acerca de la ubicacin de los objetos individuales,
que aparecen claramente contrastados con respecto al fondo. La aplicacin del algoritmo de
umbralizado automtico de Otsu sobre estas imgenes permite recuperar la forma de los objetos
de forma muy adecuada.
- 209 -
SNR
10:1
30:1
Endmember
Edificio
Carretera
Edificio
Carretera
0.85
0.33
1.00
1.00
0.27
0.25
0.01
0.01
La figura 4.2.37 muestra los diagramas de dispersin obtenidos a partir de las dos primeras
componentes principales de la imagen, considerando las dos relaciones SNR utilizadas hasta el
momento.
En el primer caso (SNR igual a 10:1), el diagrama de dispersin de los dos primeros
autovectores revela una dispersin amplia de los datos que hace difcil, en ciertas situaciones,
separar unas agrupaciones de puntos con respecto a otras.
Dispersin Radiancia (SNR=10:1)
5000
Suelo
2000
Banda PCA 2
Banda PCA 2
2000
Edificio
-1000
-4000
-7000
Suelo
-1000
-4000
-7000
Carretera
Carretera
-10000
-2000
Edificio
2000
Banda PCA 1
4000
-10000
-2000
2000
Banda PCA 1
4000
Cuando el valor de la SNR es 30:1, las agrupaciones de puntos son mucho ms claras (en
concreto, se aprecian tres agrupaciones de puntos o clusters correspondientes a los puntos de
suelo, edificio y carretera). Por razones ilustrativas, resaltamos la ubicacin de los endmembers
- 210 -
en la representacin, dando una idea acerca de la extremidad de los puntos. Los tres
endmembers identificados definen un objeto tridimensional que se proyecta sobre un espacio de
dos dimensiones dado por los dos primeros autovectores de la descomposicin PCA. Dos
componentes aparecen como extremos de la nube de puntos (edificio y suelo), mientras que el
tercer componente (carretera) aparece englobado en una agrupacin de puntos alejada de los
componentes anteriores. A pesar de que el endmember carretera no aparece como extremo en
esta proyeccin, sin duda aparecer como extremo al seleccionar otros autovectores por su
condicin de elemento espectralmente puro.
SNR
10:1
30:1
Endmember
Edificio
Carretera
Edificio
Carretera
0.85
0.33
1.00
1.00
0.27
0.25
0.01
0.01
- 211 -
ptimo, es decir, fraccin de verdaderos positivos cercana al 100% con porcentaje de falsos
positivos cercano al 0%.
)1:01=RNS( ai cnat celf eR
)1:03=RNS( aicnatcelfeR
0 004
0 002
0 001
0 003
0 002
0 001
0
0 042
0 012
0 081
0 051
0 021
0 09
0 06
0 042
0 03
ar et erraC
0 004
0 012
0 081
0 051
0 021
0 09
0 06
0 003
0 005
oi cif idE
ar et erra C
ol euS
oi cifidE
ar ete rraC
ol euS
0
0 03
)m n( adn o ed du tignoL
oi cifidE
ar et erraC
oi cifidE
ar et erraC
oi cifidE
ed sortliF
dadiralimis
ar et erraC
oi cifidE
od azilarbmU
ocitmotua
Figura 4.2.38. Endmembers extrados a partir de imagen_simulada_3 en unidades de reflectancia
considerando diferentes valores de SNR (parte superior); filtros de similaridad asociados a los
endmembers extrados (parte intermedia); imgenes resultantes tras aplicar el mtodo de umbralizado
automtico de Otsu sobre filtros de similaridad (parte inferior).
- 212 -
2.-
- 213 -
Descriptor
Sensor
Zona cubierta
Ao
AVCUP95
AVIRIS
1995
50
AVIP92
AVIRIS
Unidades
Aplicacin
2 2.5 m
Reflectancia
Geologa
220
0.4 2.5 m
Radiancia
Agricultura
2001
72
0.4 0.94 m
CASI01_01
...
CASI01_12
CASI
AVJRAD97
AVIRIS
1997
224
0.4 2.5 m
Radiancia
Ecologa
AVJREF97
AVIRIS
1997
224
0.4 2.5 m
Reflectancia
Ecologa
DSCA01L,
DSCA01H
DAIS
Cceres, Espaa
2001
79
0.5 12.5 m
Reflectancia Agricultura
RSCA01L,
RSCA01H
ROSIS
Cceres, Espaa
2001
115
0.4 0.9 m
Reflectancia Agricultura
Reflectancia Silvicultura
4.3.1.1. AVCUP95.
Esta imagen fue adquirida en 1995 por el sensor AVIRIS, descrito en el apartado 2.3.1,
sobre la regin minera denominada Cuprite, en el estado de Nevada, Estados Unidos. La figura
4.3.1 muestra la ubicacin de la imagen sobre una fotografa area de la zona. Visualmente,
puede apreciarse la existencia de zonas compuestas por minerales, as como abundantes suelos
desnudos y una carretera interestatal que cruza la zona en direccin norte-sur.
La imagen AVCUP95 consta de 400x350 pixels, cada uno de los cuales contiene 50 valores
de reflectancia en el rango espectral 2 a 2.5 m. Este rango, situado en la regin SWIR-II del
espectro, se caracteriza por que en l se manifiestan singularidades que permiten discriminar
entre una amplia gama de minerales de tipo calizo (Clark, 1999a).
Cada valor espectral en el rango anteriormente mencionado equivale a 10 veces el tanto por
ciento de la reflectancia en una determinada longitud de onda. Estos valores han sido obtenidos
como resultado de la aplicacin del mtodo de correccin atmosfrica ATREM, seguido de un
post-procesado mediante el mtodo EFFORT sobre la imagen en unidades de radiancia,
originalmente capturada por el sensor.
- 214 -
AVCUP95
Figura 4.3.1. Ubicacin de la imagen AVCUP95 sobre una fotografa area de la regin minera
Cuprite, Nevada, Estados Unidos.
La informacin de verdad terreno para la imagen AVCUP95 ha sido hecha pblica por el
Instituto Norteamericano de Estudios Geolgicos o U.S. Geological Survey (USGS en lo
sucesivo). La disponibilidad de esta informacin de verdad terreno variada y de gran calidad ha
propiciado que AVCUP95 sea una imagen utilizada como referencia a la hora de testear el
funcionamiento de nuevos algoritmos. Esta informacin viene expresada de la siguiente forma:
1.-
- 215 -
Alunite SUSTDA
1,0
0,8
Reflectancia
0,8
Reflectancia
Buddingtonite NHB2301
0,6
0,4
0,6
0,4
0,2
0,2
0,0
2000
2100
2200
2300
0
2000
2400
2100
Calcite WS272
1,0
2300
2400
Kaolinite CM9
1,0
0,8
0,6
AVCUP95
0,4
Reflectancia
0,8
Reflectancia
2200
0,6
0,4
0,2
0,2
0,0
2000
2100
2200
2300
0,0
2000
2400
2100
2200
2300
2400
Figura 4.3.2. Verdad terreno para la imagen CUP95AV, expresada como un conjunto de firmas
espectrales de referencia para los minerales ms abundantes en la zona.
Alunite SUSTDA
Calcite WS272
0.9
Buddingtonite NHB2301
0.9
0.6
0.6
0.3
0.3
0.0
0.0
1.0
Kaolinite CM9
0.9
0.8
0.6
0.4
0.6
0.3
0.2
0.0
0.0
Figura 4.3.3. Verdad terreno para la imagen CUP95AV, expresada como un conjunto de mapas de
abundancia de los minerales caractersticos de la zona.
2.-
- 216 -
4.3.1.2. AVIP92.
Esta imagen fue obtenida por el sensor AVIRIS sobre la regin Indian Pines, Indiana, en el
ao 1992. La imagen consta de 68x86 pixels de 17 metros, cada uno de los cuales contiene 220
valores de radiancia en el rango 0.4 a 2.5 m, expresados en W/cm2/nm/sr (no disponemos de
datos de reflectancia para la misma).
Los valores de la relacin SNR en los diferentes canales del sensor AVIRIS en el ao en que
se tom la imagen han sido mostrados con anterioridad en la figura 2.3.5. Como puede
apreciarse en dicha figura, esta imagen representa un caso de estudio en que el la relacin SNR
resulta desfavorable.
La figura 4.3.4 muestra una composicin en color de la imagen AVIP92 junto con sus clases
de verdad terreno asociadas. La composicin est formada a partir de las bandas espectrales 50
(827 nm), 30 (655 nm) y 20 (557 nm), y sobre ella se han resaltado los bordes de las clases
verdad terreno. Esta informacin ha sido hecha pblica a la comunidad cientfica (Landgrebe,
1998), y cubre aproximadamente el 80% de la escena. La figura muestra 4 clases verdad terreno,
en las cuales el nmero de pixels vara entre 1885 para la clase ms abundante y 702 para la
menos abundante.
Como puede apreciarse en la figura, la mayor parte de la escena est constituida por cultivos
agrcolas (soja y maz), bosques y otros tipos de vegetacin. La imagen que nos ocupa fue
tomada en el mes de junio, por lo que los cultivos presentes en la misma se encuentran en una
etapa temprana de crecimiento, con un porcentaje de cobertura del suelo inferior al 5%.
Finalmente, mencionamos que, de forma previa al procesado de esta imagen, se eliminaron
algunas bandas espectrales (104-108, 150-163, 220), correspondientes a las zonas de absorcin
de agua, en las que la SNR del sensor es reducida. Como resultado, se obtuvo una imagen con
200 bandas espectrales en el rango 0.4 a 2.5 m.
- 217 -
Soybean notill
Grass trees
Corn notill
Grass pasture
4.3.4. Composicin en color de la imagen AVIP92 y clases verdad terreno asociadas a la misma.
4.3.1.3. CASI01.
El juego de imgenes denominado CASI01 est compuesto por 12 imgenes etiquetadas
como CASI01_01 a CASI01_12. Estas imgenes constituyen una simulacin, realizada en
laboratorio, de un paisaje real formado por rboles dispersos sobre un fondo de caractersticas
espectrales variables (Hu y col., 2002). A diferencia de las imgenes simuladas descritas con
anterioridad en esta memoria, este conjunto de datos fue obtenido mediante el procedimiento
que se describe a continuacin, el cual fue supervisado por el Dr. John R. Miller en el
CRESTech (Center for Research in Earth and Space Technology), en Toronto, Canad:
1.-
2.-
3.-
4.-
- 218 -
Como resultado del proceso anterior, se obtuvo un conjunto de 12 imgenes con 72 valores
de reflectancia en el rango 0.4 0.9 nm. Las tablas 4.3.2 y 4.3.3 muestran, respectivamente, las
dimensiones en centmetros de los rboles simulados y las caractersticas generales de las
imgenes.
Tipo de objeto
Opaco
Translcido
7.4
7.4
Altura de la estaca
4.8
4.0
Radio vertical
1.3
1.7
Radio horizontal
1.3
1.7
Imagen
Pixels
Fondo
Nmero de rboles
Tipo de rboles
CASI01_01
148x216
Verde
40
Opacos
CASI01_02
148x185
Verde
40
Translcidos
CASI01_03
148x192
Verde
100
Opacos
CASI01_04
148x203
Verde
100
Translcidos
CASI01_05
148x204
Claro
40
Opacos
CASI01_06
148x184
Claro
40
Translcidos
CASI01_07
149x186
Claro
100
Opacos
CASI01_08
148x207
Claro
100
Translcidos
CASI01_09
148x200
Oscuro
40
Opacos
CASI01_10
148x178
Oscuro
40
Translcidos
CASI01_11
148x200
Oscuro
100
Opacos
CASI01_12
148x213
Oscuro
100
Translcidos
Como puede apreciarse en la tabla 4.3.3, las imgenes simuladas se diferencian en el tipo de
fondo utilizado, en la naturaleza opaca o transparente de los rboles y en la concentracin de los
mismos en la zona de 40 cm por 40 cm, que puede ser dispersa (40 rboles en dicha zona) o
densa (100 rboles en dicha zona).
Por razones ilustrativas, la figura 4.3.5 muestra una composicin en color de las diferentes
imgenes obtenidas. Las bandas espectrales utilizadas en la composicin son la 50 (770 nm), 30
(618 nm) y 20 (543 nm). Estas mismas bandas sern utilizadas en lo sucesivo a la hora de
realizar representaciones de estas imgenes.
CASI01_01
CASI01_05
CASI01_09
- 219 -
CASI01_02
CASI01_03
CASI01_04
CASI01_06
CASI01_07
CASI01_08
CASI01_10
CASI01_11
CASI01_12
- 220 -
La tabla 4.3.4 muestra los valores de abundancia verdad terreno, obtenidos mediante
SPRINT, para los componentes presentes en las imgenes descritas en la tabla 4.3.3.
Abundancia global
Imagen
rbol
Fondo
Sombra
0.1094
0.7231
0.1675
0.1041
0.7016
0.1944
0.2947
0.3837
0.3180
0.2794
0.3578
0.3628
TABLA 4.3.4. VALORES DE ABUNDANCIA VERDAD TERRENO PARA LOS COMPONENTES PRESENTES
EN LAS IMGENES CASI01.
Por ltimo, destacamos que, de forma previa al procesado de estas imgenes, fue necesario
eliminar algunas bandas con SNR baja, producidas por ruido en los dispositivos electrnicos del
sensor. Se han eliminado las bandas espectrales comprendidas entre 0.4 y 0.5 nm (13 bandas) y
las comprendidas entre 0.9 y 0.94 nm (6 bandas). Las imgenes resultantes presentan por tanto
un total de 53 bandas espectrales en la regin 0.5 nm a 0.9 nm.
4.3.1.4. AVJR97.
Esta imagen fue tomada por el sensor AVIRIS sobre la regin Jasper Ridge, California, en el
mes de abril de 1997, y consta de 300x250 pixels de 20 metros, cada uno de los cuales contiene
224 valores. La principal caracterstica de esta imagen es que se encuentra disponible de forma
pblica en unidades de radiancia y reflectancia (California Insitute of Technology, 2002):
En el caso de la imagen de radiancia (AVJRAD97), los valores se encuentran
expresados en W/cm2/nm/sr.
En el caso de la imagen de reflectancia (AVJREF97), cada valor equivale a 100 veces
el tanto por ciento de la reflectancia en una determinada longitud de onda. Estos
valores fueron obtenidos como resultado de la aplicacin del mtodo de correccin
atmosfrica ATREM, seguido de un post-procesado con la tcnica EFFORT.
La escena cubierta por estas imgenes est fundamentalmente constituida por vegetacin,
suelos desnudos y zonas urbanas, incluyendo edificaciones y carreteras. Esta variabilidad de
componentes hace que la imagen constituya un conjunto de datos muy apropiado para testear la
- 221 -
4.3.1.5. DSCA01.
Esta imagen fue obtenida por el sensor DAIS 7915, descrito en el apartado 2.3.1, sobre la
finca El Cuartillo, situada en las afueras de la ciudad de Cceres, en julio de 2001. Este vuelo
fue financiado por la Comisin Europea, dentro de la iniciativa HySens, coordinada por la
Agencia Espacial Alemana, DLR.
La toma de datos sobre la finca mencionada se realiz a dos alturas diferentes (1.940 m y
890 m sobre la superficie). Como resultado, se obtuvieron dos imgenes a las que nos referimos
en lo sucesivo como DSCA01H (mayor altura) y DSCA01L (menor altura). A continuacin,
describimos las caractersticas concretas de estas dos imgenes.
DSCA01H
Esta imagen consta de 94x77 pixels de 5 metros, cada uno de los cuales contiene 79 valores
de reflectancia en el rango 0.5 a 12.5 m. Cada valor equivale a 10 veces el tanto por ciento de
la reflectancia en una determinada longitud de onda. Estos valores fueron obtenidos como
resultado de la aplicacin del mtodo de correccin atmosfrica ATCOR (Richter, 2000).
La figura 4.3.6 muestra la ubicacin de la imagen DSCA01H sobre la lnea de vuelo de
mayor altura realizada por el sensor DAIS 7915, junto con una composicin en color de dicha
imagen. Las bandas espectrales utilizadas en la composicin son la 12 (695 nm), 7 (607 nm) y 2
(517 nm).
Como puede apreciarse en la figura, la imagen DSCA01H ha sido ubicada en la zona central
de la lnea de vuelo, en un rea adehesada. La Dehesa es un agro-ecosistema tpico del suroeste
de la Pennsula Ibrica, caracterizado por vegetacin semi-rida compuesta en su mayora por
- 222 -
pastos y encinas (Quercus ilex), distribuidas de forma dispersa sobre el pasto (Pulido y col.,
2001).
4.3.6. Ubicacin de la imagen DSCA01H sobre la lnea de vuelo de mayor altura del sensor DAIS
7915 sobre la finca El Cuartillo, en las afueras de Cceres y composicin en color de dicha
imagen.
Al oeste de la zona de Dehesa seleccionada pueden apreciarse las instalaciones del Campus
de la Universidad de Extremadura. Al este se encuentra el embalse del ro Guadiloba, que da
servicio a la ciudad de Cceres. Por ltimo, en la parte ms septentrional de la lnea de vuelo
puede apreciarse la existencia de una amplia zona compuesta por vegetacin rida,
fundamentalmente pasto seco, sin presencia de encinas.
- 223 -
DSCA01L
Esta imagen consta de 155x126 pixels de 3 metros, cada uno de los cuales consta de 79
valores de reflectancia en el rango 0.5 a 12.5 m. Cada valor equivale a 10 veces el tanto por
ciento de la reflectancia en una determinada longitud de onda. Al igual que en la imagen
DSCA01L, los valores de reflectancia fueron obtenidos mediante la aplicacin del mtodo de
correccin atmosfrica ATCOR sobre los datos obtenidos por el sensor.
La figura 4.3.7 muestra una composicin en color de la imagen DSCA01L, utilizando las
bandas 12 (695 nm), 7 (607 nm) y 2 (517 nm). Como puede apreciarse, la zona abarcada por
esta imagen es exactamente la misma que la definida para la imagen DSCA01H. Este hecho
permite comprobar el funcionamiento del algoritmo propuesto sobre una misma zona capturada
a diferentes alturas, comprobando as el impacto de la resolucin espacial en el mismo.
Por ltimo, destacamos que, tanto en el caso de la imagen DSCA01L como en DSCA01H,
las siguientes bandas espectrales fueron eliminadas debido a problemas de ruido en el sensor:
41-53 (regin 1.948-2.137 m), 66-72 (2.317 2.395 m). Como resultado, se obtienen
imgenes con un total de 59 bandas espectrales.
4.3.1.6. RSCA01.
Esta imagen fue obtenida por el sensor ROSIS (ver apartado 2.3.1), sobre la finca El
Cuartillo, en las afueras de la ciudad de Cceres, en julio de 2001. El vuelo fue coordinado por
el DLR y financiado por la Comisin Europea dentro de la iniciativa HySens.
Al igual que en el caso de la imagen DSCA01, la toma de datos se realiz a dos alturas
diferentes (1.940 metros y 890 metros sobre la superficie). Como resultado, se obtuvieron dos
- 224 -
imgenes a las que nos referimos en lo sucesivo como RSCA01H (mayor altura) y RSCA01L
(menor altura). A continuacin, describimos las caractersticas concretas de estas dos imgenes.
RSCA01H
Esta imagen consta de 196x155 pixels de 2.4 metros, cada uno de los cuales contiene 115
valores de reflectancia en el rango 0.43 a 0.86 m. Cada valor equivale a 100 veces el tanto por
ciento de la reflectancia en una determinada longitud de onda. Estos valores fueron obtenidos
mediante el mtodo de correccin atmosfrica ATCOR.
La figura 4.3.8 muestra una composicin en color de la imagen RSCA01H, utilizando las
bandas 72 (696 nm), 50 (608 nm) y 27 (516 nm). Como puede apreciarse, la zona abarcada por
esta imagen es exactamente la misma que la definida para las imgenes DSCA01L y DSCA01L.
RSCA01L
Por ltimo, la imagen RSCA01L imagen consta de 387x307 pixels de 1.2 metros, cada uno
de los cuales contiene 115 valores de reflectancia en el rango 0.43 a 0.86 m. Al igual que en la
imagen RSCA01H, cada valor equivale a 100 veces el tanto por ciento de la reflectancia en una
determinada longitud de onda. Estos valores fueron obtenidos mediante el mtodo de correccin
atmosfrica ATCOR.
La figura 4.3.9 muestra una composicin en color de la imagen RSCA01L, utilizando las
bandas 72 (696 nm), 50 (608 nm) y 27 (516 nm). De nuevo, la zona abarcada por la imagen es
la misma que la definida para las anteriores imgenes con los sensores DAIS 7915 y ROSIS.
- 225 -
Este hecho permite comprobar el funcionamiento del algoritmo propuesto sobre una misma
escena, adquirida por diferentes sensores y a diferentes alturas.
Finalmente, destacamos que algunas bandas espectrales (en concreto, las bandas 1-23)
fueron eliminadas en las imgenes RSCA01L y RSCA01H debido a la baja SNR del sensor para
longitudes de onda inferiores a 0.5 m. La eliminacin de estas bandas fue recomendada por los
desarrolladores de ROSIS como paso previo al procesamiento de los datos. Como resultado, se
obtienen imgenes con un total de 92 bandas espectrales.
- 226 -
3.-
Tercer experimento. Parte del supuesto de que la informacin de verdad terreno est
expresada en forma de un conjunto de mapas de abundancia (ver apartado 2.3.2.2),
uno por componente, que describen la abundancia real de cada material en todos los
pixels de la escena. En esta situacin, debemos obtener las abundancias de los
endmembers extrados por nuestro algoritmo en cada pixel, con objeto de poder
compararlos con las abundancias reales antes mencionadas.
4.-
Cuarto experimento. Se trata de una variante del anterior. En este caso, se parte del
supuesto de que se dispone de informacin verdad terreno relativa a la abundancia
global de cada material en la imagen. En estas circunstancias, es necesario calcular la
abundancia global de cada uno de los endmembers obtenidos por el mtodo propuesto.
Como proponen algunos autores (Hu y col., 2002), esta tarea puede realizarse
sumando las fracciones de abundancia obtenidas para el endmember en todos los
pixels de la imagen y dividiendo el valor obtenido por el nmero total de pixels,
procedimiento que nicamente es vlido si los valores de abundancia han sido
obtenidos utilizando un procedimiento FCLSU.
5.-
- 227 -
Sexto experimento. Parte del supuesto de que la imagen original no tiene ningn tipo
de informacin verdad terreno asociada, pero s se dispone de varias versiones de la
misma con diferentes resoluciones espaciales, motivadas por la realizacin de vuelos a
diferente altura sobre la zona abarcada por la imagen. En este caso, se utiliza la
imagen de mayor resolucin espacial (menor altura) para validar las imgenes de baja
resolucin (mayor altura). As, la imagen de mayor resolucin acta como verdad
terreno para las de menor resolucin.
2.-
3.-
- 228 -
Los endmembers reales se comparan de forma global con los extrados a partir de la
imagen, analizando las principales coincidencias.
Las pruebas desarrolladas en este experimento han sido realizadas con la imagen AVCUP95,
descrita en el apartado 4.3.1.1. El esquema comparativo adoptado se repite para cada uno de los
mtodos de extraccin de endmembers considerados (PPI, N-FINDR y AMEE) y, en ltima
instancia, se comparan los resultados obtenidos por los tres mtodos. A continuacin
describimos las pruebas realizadas dentro de este experimento.
2.-
3.-
4.-
- 229 -
La tabla 4.3.5 muestra una matriz de correlacin espectral entre las firmas extradas por el
algoritmo PPI y las firmas espectrales de referencia pertenecientes a la librera USGS. Los
valores representados en la matriz corresponden a la distancia angular (SAM). Los endmembers
extrados por el mtodo PPI han sido etiquetados en la tabla como P1..P10, mientras que las
firmas de referencia se han etiquetado con su nombre original en la librera USGS.
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
Alunite SUSTDA
0.084
0.091
0.159
0.141
0.228
0.169
0.172
0.143
0.161
0.170
0.173
Buddingt.NHB2301
0.242
0.221
0.181
0.142
0.272
0.163
0.290
0.306
0.182
0.251
0.244
Calcite WS272
0.194
0.150
0.104
0.135
0.080
0.104
0.149
0.187
0.100
0.124
0.137
Kaolinite CM9
0.172
0.179
0.223
0.241
0.212
0.242
0.120
0.067
0.217
0.181
0.228
TABLA 4.3.5. MATRIZ DE DISTANCIAS ANGULARES ENTRE LOS ENDMEMBERS SELECCIONADOS POR
EL MTODO PPI Y LOS ESPECTROS DE REFERENCIA DE LA LIBRERA USGS.
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P11
Alunite SUSTDA
0.003
0.008
0.026
0.021
0.056
0.030
0.030
0.021
0.027
0.029
0.031
Buddingt.NHB2301
0.066
0.055
0.035
0.022
0.081
0.028
0.089
0.102
0.035
0.070
0.067
Calcite WS272
0.042
0.026
0.012
0.019
0.008
0.012
0.025
0.039
0.011
0.019
0.023
Kaolinite CM9
0.030
0.031
0.048
0.057
0.046
0.057
0.014
0.005
0.046
0.032
0.050
TABLA 4.3.6. MATRIZ SID ENTRE LOS ENDMEMBERS SELECCIONADOS POR EL MTODO PPI Y LOS
ESPECTROS DE REFERENCIA DE LA LIBRERA USGS.
A partir de los resultados mostrados en las tablas 4.3.5 y 4.3.6, los endmembers emparejados
al considerar las distancias SAM y SID son P1 (alunite), P4 (buddingtonite), P5 (calcite) y P8
(kaolinite).
- 230 -
Reflectancia (%*10)
Reflectancia (%*10)
400
300
200
100
P1
0
2000
P4
2100
2200
P5
2300
500
P9
400
P11
P10
P3
300
P1
P7
200
P6
100
P8
2400
2500
0
2000
2100
2200
2300
2400
2500
Figura 4.3.10. Endmembers emparejados (parte izquierda) y adicionales (parte derecha) extrados por
el algoritmo PPI .
La figura 4.3.10 (parte izquierda) muestra las firmas espectrales de los endmembers
emparejados. Las unidades en que vienen expresadas estas firmas son las mismas que las de la
imagen original (10 veces la reflectancia expresada en tanto por ciento). La parte derecha de la
figura muestra los endmembers adicionales. Como puede apreciarse en la figura, PPI detecta un
total de 7 endmembers adicionales, entre los que se encuentran P6, probablemente debido a
efectos de sombra; P3 y P9, que pueden deberse a efectos de iluminacin excesiva; P2, que
parece una variante de alunite, al igual que P10, P7, probablemente asociados a calcite y
kaolinite, respectivamente. Es probable que el resto de endmembers adicionales se deba a
mezclas ntimas entre minerales.
- 231 -
etiquetan como N1..N9, respetando el nombre asignado a las firmas de referencia en dicha
librera. De nuevo, los emparejamientos aparecen destacados en negrita en cada tabla.
Endmembers extrados por el mtodo N-FINDR
Firmas USGS
N1
N2
N3
N4
N5
N6
N7
N8
N9
N10
Alunite SUSTDA
0.174
0.163
0.053
0.203
0.152
0.177
0.147
0.161
0.130
0.172
Buddingt.NHB2301
0.147
0.286
0.238
0.237
0.137
0.257
0.140
0.228
0.267
0.157
Calcite WS272
0.105
0.152
0.191
0.064
0.152
0.148
0.142
0.113
0.150
0.107
Kaolinite CM9
0.248
0.118
0.173
0.214
0.259
0.227
0.250
0.188
0.103
0.238
TABLA 4.3.7. MATRIZ DE DISTANCIAS ANGULARES ENTRE LOS ENDMEMBERS SELECCIONADOS POR
EL MTODO N-FINDR Y LOS ESPECTROS DE REFERENCIA DE LA LIBRERA USGS.
En vista de los resultados mostrados en las tablas 4.3.7 y 4.3.8, los endmembers emparejados
son N3 (alunite), N4 (calcite), N5 (buddingtonite) y N9 (kaolinite). La figura 4.3.11 muestra los
endmembers emparejados (parte izquierda) y adicionales (parte derecha). Como puede
apreciarse, N-FINDR detecta un total de 6 endmembers adicionales: N1, que puede deberse a
efectos de sombra; N8 y N10; probablemente producidos por condiciones de iluminacin
excesivas; y finalmente N2, N6 y N7, que parecen, respectivamente, variantes de kaolinite,
calcite y buddingtonite.
Endmembers extrados por el mtodo N-FINDR
USGS spectra
N1
N2
N3
N4
N5
N6
N7
N8
N9
N10
Alunite SUSTDA
0.032
0.027
0.003
0.044
0.024
0.032
0.023
0.026
0.017
0.055
Buddingt.NHB2301
0.022
0.087
0.063
0.061
0.021
0.076
0.026
0.056
0.076
0.044
Calcite WS272
0.012
0.026
0.041
0.005
0.025
0.027
0.021
0.015
0.025
0.026
Kaolinite CM9
0.060
0.013
0.030
0.045
0.066
0.050
0.061
0.034
0.010
0.074
TABLA 4.3.8. MATRIZ DE DISTANCIAS ANGULARES ENTRE LOS ENDMEMBERS SELECCIONADOS POR
EL MTODO N-FINDR Y LOS ESPECTROS DE REFERENCIA DE LA LIBRERA USGS.
Reflectancia (%*10)
Reflectancia (%*10)
500
400
300
200
100
N3
0
2000
2100
N4
2200
N5
2300
N10
500
N6
400
300
N8
N7
N2
200
N1
100
N9
2400
600
2500
0
2000
2100
2200
2300
2400
2500
Figura 4.3.11. Endmembers emparejados (parte izquierda) y adicionales (parte derecha) extrados por
el algoritmo N-FINDR.
- 232 -
2.-
3.-
4.-
A1
A2
A3
A4
A5
A6
A7
A8
A9
Alunite SUSTDA
0.052
0.162
0.149
0.206
0.202
0.111
0.188
0.162
0.154
Buddingt.NHB2301
0.242
0.179
0.136
0.243
0.259
0.267
0.362
0.262
0.171
Calcite WS272
0.194
0.099
0.146
0.070
0.164
0.159
0.235
0.132
0.084
Kaolinite CM9
0.172
0.220
0.254
0.215
0.268
0.139
0.061
0.178
0.185
TABLA 4.3.9. MATRIZ DE DISTANCIAS ANGULARES ENTRE LOS ENDMEMBERS SELECCIONADOS POR
EL MTODO AMEE Y LOS ESPECTROS DE REFERENCIA PRESENTES EN LA LIBRERA USGS.
A1
A2
A3
A4
A5
A6
A7
A8
A9
Alunite SUSTDA
0.003
0.027
0.023
0.045
0.042
0.014
0.037
0.028
0.026
Buddingt.NHB2301
0.066
0.034
0.020
0.065
0.078
0.082
0.144
0.078
0.030
Calcite WS272
0.042
0.011
0.022
0.006
0.033
0.031
0.062
0.023
0.007
Kaolinite CM9
0.030
0.047
0.063
0.046
0.071
0.020
0.006
0.031
0.035
TABLA 4.3.10. MATRIZ SID ENTRE LOS ENDMEMBERS SELECCIONADOS POR EL MTODO AMEE Y
LOS ESPECTROS DE REFERENCIA PRESENTES EN LA LIBRERA USGS.
Las tablas 4.3.9 y 4.3.10 muestran, respectivamente, la matriz SAM y la matriz SID entre las
firmas extradas por el algoritmo AMEE y las firmas espectrales de referencia en la librera
- 233 -
USGS. Los endmembers extrados por AMEE se etiquetan como A1..A9, mientras que las
firmas de referencia se etiquetan con su nombre en la librera.
El proceso de emparejamiento da como resultado las asociaciones que aparecen destacadas
en negrita en las tablas: A1 (alunite), A3 (budingtonite), A4 (calcite) y A7 (kaolinite). La figura
4.3.12 muestra las firmas espectrales de los endmembers emparejados (parte izquierda) y
adicionales (parte derecha) para el mtodo AMEE. Como puede apreciarse, nuestro mtodo
detecta 5 endmembers adicionales: A5, que puede estar producido por condiciones de escasa
iluminacin o sombra y A2, probablemente debido a condiciones de iluminacin excesivas. El
resto de endmembers adicionales puede estar asociado a variantes de alguno de los minerales
detectados. As, A6 parece una variante de alunite y A9 puede interpretarse como un espectro
de calcite. La deteccin de varios endmembers asociados a un mismo mineral demuestra que
nuestro mtodo es capaz de modelar pequeas variaciones en las caractersticas espectrales de
los minerales, producidas por condiciones variables de distribucin en la escena.
Reflectancia (%*10)
Reflectancia (%*10)
400
300
200
100
A1
0
2000
A3
2100
2200
A4
2300
400
300
A2
200
A9
A8
100
A6
A7
2400
A5
2500
0
2000
2100
2200
2300
2400
2500
Figura 4.3.12. Endmembers emparejados (parte izquierda) y adicionales (parte derecha) extrados por
el algoritmo AMEE.
- 234 -
para dicho mineral. Para facilitar la comparacin, se han expresado todas las firmas en las
unidades de la imagen original (10 veces el tanto por ciento de reflectancia). Para cada uno de
los endmembers representados en la figura se muestran, entre parntesis, los valores de la
distancia SAM entre el endmember y su firma USGS correspondiente.
Los resultados mostrados en la figura 4.3.13 revelan que, a pesar de las diferencias
existentes en cuanto a unidades y escalas, los tres mtodos extraen endmembers que presentan
una forma espectral muy similar entre s.
Alunite
300
USGS
A1 (0.052)
N3 (0.053)
P1 (0.084)
200
100
2000
2100
2200
2300
Buddingtonite
400
Reflectancia (%*100)
Reflectancia (%*10)
400
2400
300
100
2000
2500
USGS
A3 (0.136)
N5 (0.137)
P4 (0.142)
200
2100
Calcite
400
300
USGS
A4 (0.070)
N4 (0.064)
P5 (0.080)
200
100
2000
2100
2200
2300
2300
2400
2500
Kaolinite
600
Reflectancia (%*10)
Reflectancia (%*10)
500
2200
2400
2500
USGS
A7 (0.061)
N9 (0.103)
P8 (0.067)
500
400
300
200
100
2000
2100
2200
2300
2400
2500
Figura 4.3.13. Endmembers emparejados obtenidos por los diferentes algoritmos y firmas USGS de
referencia para los minerales considerados, junto con los valores de la distancia angular.
- 235 -
extrados por los tres mtodos en el caso del mineral buddingtonite presentan
valores de similaridad reducidos con respecto a la firma USGS verdad terreno,
particularmente en longitudes de onda entre 2.400 y 2500 nm. Este hecho puede
deberse a la existencia de efectos de transmisin atmosfrica que no han sido
modelados de forma adecuada por el algoritmo de correccin ATREM en dicho
intervalo de longitudes de onda.
Los endmembers extrados por el mtodo AMEE presentan los mejores valores de
similaridad (segn las medidas SAM y SID) con respecto a las firmas verdad
terreno para los minerales alunite, buddingtonite y kaolinite. Por su parte, el
mtodo N-FINDR es el ms apropiado para identificar el mineral calcite. El
mtodo PPI, en general, ofrece los resultados de similaridad ms bajos en todos
los casos.
El uso combinado de informacin espacial y espectral puede ser la principal causa
de los alentadores resultados obtenidos por el algoritmo AMEE en el anlisis de
esta imagen.
2.-
- 236 -
Las pruebas descritas en este apartado se han realizado utilizando la imagen AVIP92, en la
que la verdad terreno viene expresada como mapa temtico (ver descripcin de la imagen en
4.3.1.2). Esta imagen se caracteriza por representar un problema de clasificacin complejo,
debido a la elevada similaridad espectral entre las cubiertas presentes en la escena. Con objeto
de ilustrar esta circunstancia, la figura 4.3.14 muestra un espectro caracterstico de cada una de
las clases verdad terreno presentes en la imagen (ver figura 4.3.4). Estas firmas espectrales se
han obtenido mediante el clculo del espectro promedio de los pixels que componen cada una de
dichas regiones.
Radiancia (W/cm2/nm/sr)
Espectros promedio
7000
Grass - trees
6000
Grass - pasture
5000
Corn - notill
4000
Soybean - notill
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
La gran similitud entre las firmas espectrales promedio nos da una idea de la alta dificultad a
la hora de distinguir entre las clases de la escena. En un problema de clasificacin complejo
- 237 -
como el que nos ocupa, el uso de informacin espacial debe jugar un papel importante en la
mejora de los resultados finales, como se apunt en el apartado 2.4.
Para evaluar la precisin a la hora de clasificar la imagen, se utiliz el procedimiento WTA a
partir de los endmembers proporcionados los mtodos PPI, N-FINDR y AMEE. Estos mtodos
fueron aplicados sobre la imagen AVIP92 en nuestro laboratorio, gracias a la disponibilidad de
ambos mtodos, facilitados por sus autores. Los parmetros utilizados son los que aparecen
descritos en la tabla 4.3.11, los cuales coinciden con los empleados al analizar la imagen
AVCUP95. En todos los casos, los mtodos dieron como resultado 4 endmembers, que fueron
asociados con las clases verdad terreno tras un simple proceso de observacin de sus
correspondientes mapas de abundancia.
PPI
Parmetro
Valor
N-FINDR
AMEE
Nmero
iteraciones
Umbral seleccin
pixels puros
N mximo de
endmembers
Sensibilidad
Tamao
Ventana
10.000
100
15
0.005
15x15
TABLA 4.3.11. PARMETROS UTILIZADOS AL APLICAR LOS MTODOS PPI, N-FINDR Y AMEE SOBRE
LA IMAGEN AVIP92.
La figura 4.3.15 muestra los mapas temticos de clasificacin obtenidos a partir de los
endmembers seleccionados por los mtodos PPI, N-FINDR y AMEE. Para una mejor
interpretacin visual de los resultados obtenidos, los colores empleados en los mapas temticos
obtenidos son los mismos que los del mapa temtico verdad terreno, que tambin se muestra en
la figura para facilitar la comparacin.
Con objeto de cuantificar los resultados de clasificacin obtenidos, la tabla 4.3.12 muestra
un estudio comparativo del porcentaje de acierto y fallo obtenido por cada uno de los mtodos.
En concreto, la tabla muestra la fraccin de verdaderos positivos y la fraccin de falsos
positivos para cada una de las clases verdad terreno. La fraccin de verdaderos positivos en una
clase cuantifica el porcentaje de pixels que han sido correctamente etiquetados como
pertenecientes a la clase. Por su parte, la fraccin de falsos positivos en una clase ofrece una
medida acerca del porcentaje de pixels que han sido etiquetados errneamente como
pertenecientes a dicha clase. A ttulo comparativo, la tabla tambin muestra los valores
promedio obtenidos para todas las clases y el nmero de pixels de cada una de ellas.
Como puede apreciarse en la tabla 4.3.12, los tres mtodos presentan porcentajes globales de
fallo similares y relativamente bajos, siendo las diferencias entre los mtodos ms notorias
cuando se evala el porcentaje de acierto. En concreto, el mtodo AMEE presenta los mejores
- 238 -
resultados globales en cuanto a acierto, manteniendo un porcentaje global del 82% (nueve
puntos por encima de N-FINDR y a gran distancia de PPI).
Verdad-terreno
AMEE
Soybean notill
Grass trees
Corn notill
Grass pasture
N-FINDR
PPI
4.3.15. Mapa temtico verdad terreno para la imagen AVIP92 y mapas temticos, obtenidos
mediante el procedimiento WTA, para los mtodos PPI, N-FINDR y AMEE.
AMEE
N-FINDR
PPI
Clase
N de pixels
VP
FP
VP
FP
VP
FP
soybean notill
1885
0.86
0.04
0.82
0.06
0.45
0.07
grass trees
733
0.85
0.09
0.89
0.01
0.89
0.01
corn notill
702
0.82
0.03
0.63
0.08
0.79
0.25
grass pasture
955
0.76
0.09
0.54
0.11
0.34
0.04
0.82
0.05
0.73
0.06
0.55
0.08
Promedios globales
Tabla 4.3.12. Fraccin de verdaderos positivos y falsos positivos generados por cada uno de los
mtodos empleados en el proceso de clasificacin de la imagen AVIP92.
Un anlisis individual de los resultados mostrados en la tabla 4.3.8 para cada clase revela
que el mtodo AMEE presenta porcentajes de acierto superiores al 75% en todas las clases,
siendo los porcentajes de fallo siempre inferiores al 10%. En particular, el mayor porcentaje de
acierto (86%) se logra en la clase con mayor nmero de pixels (soybean notill).
Los resultados obtenidos por N-FINDR son, en general, ligeramente inferiores a los
obtenidos por AMEE, siendo destacable el pobre comportamiento del algoritmo en la clase
- 239 -
grass pasture (la segunda clase con mayor nmero de pixels), en la que el porcentaje de
acierto apenas supera el 50%.
Por su parte, el mtodo PPI presenta un porcentaje de acierto cercano al 90% para la clase
grass trees, pero el rendimiento en otras clases es mucho ms bajo. En concreto, este mtodo
presenta un porcentaje de acierto del 45% para la clase con mayor nmero de puntos (soybean
notill), y un 34% para la clase grass pasture. Adems, la elevada fraccin de falsos positivos
en la clase corn notill contrasta con la alta tasa de acierto para la clase (79%). Esto hace que,
en trminos globales, el mtodo PPI sea el que presenta los resultados menos precisos en esta
imagen.
- 240 -
2.-
3.-
Se comparan pixel a pixel los valores de abundancia obtenidos con las abundancias
reales, utilizando para ello diagramas de dispersin de abundancias reales frente a
abundancias estimadas y medidas estadsticas como el coeficiente de correlacin y el
error RMSE (ver apartado 2.3.2).
Las pruebas descritas en este apartado se han realizado utilizando la imagen AVCUP95,
caracterizada por disponer de informacin de verdad terreno en forma de mapas que contienen
la abundancia de cada mineral en cada pixel de la imagen. A la hora de analizar esta imagen, al
igual que en el primer experimento realizado, centramos nuestro estudio en los minerales ms
caractersticos de la regin, es decir, alunite, buddingtonite, calcite y kaolinite.
La figura 4.3.16 muestra los mapas de abundancia verdad terreno (USGS) asociados al
mineral alunite, junto con los mapas obtenidos mediante FCLSU para los endmembers extrados
en el primer experimento, es decir, P1 (mtodo PPI), N3 (mtodo N-FINDR) y A1 (mtodo
AMEE).
Como puede apreciarse de forma visual, los resultados en cuanto a la estimacin de
abundancias en el mineral alunite son muy precisos en los tres mtodos probados. Los
resultados obtenidos en el primer experimento revelaron que el endmember extrado por el
mtodo PPI para el mineral alunite presentaba menor similaridad espectral con respecto a la
- 241 -
verdad terreno que los extrados por N-FINDR y AMEE. Sin embargo, este hecho no parece
afectar de manera significativa al proceso de estimacin de abundancias.
USGS
N-FINDR
0.9
PPI
0.9
0.6
0.6
0.3
0.3
0.0
0.0
1.0
AMEE
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
Figura 4.3.16. Mapas de abundancia verdad terreno para el mineral alunite (USGS) y mapas de
abundancia para los endmembers asociados a este mineral segn los mtodos PPI, N-FINDR y
AMEE.
La figura 4.3.17 muestra los mapas verdad terreno asociados al mineral buddingtonite, junto
con los mapas obtenidos para los endmembers asociados a este mineral: P4 (mtodo PPI), N5
(mtodo N-FINDR) y A3 (mtodo AMEE).
En el caso del mineral buddingtonite, se aprecian visualmente pequeas diferencias entre los
mapas de abundancia obtenidos por los tres mtodos y el mapa verdad terreno. Este resultado es
coherente con los resultados obtenidos en el primer experimento, en el que se comprob que la
identificacin del endmember asociado a este mineral resultaba problemtica en longitudes de
onda superiores a 2400 nm. Puede apreciarse como las zonas en las que el mineral es muy
abundante (marcadas en tonos rojizos en el mapa de abundancia verdad terreno) tienden a ser
estimadas a la baja por los mtodos PPI y N-FINDR, situacin que no tiene lugar cuando se
utiliza el mtodo AMEE.
Por su parte, la figura 4.3.18 muestra los mapas verdad terreno asociados al mineral calcite,
junto con los mapas obtenidos para los endmembers asociados a este mineral, es decir, P5
(mtodo PPI), N4 (mtodo N-FINDR) y A4 (mtodo AMEE).
- 242 -
USGS
N-FINDR
1.0
PPI
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0.9
AMEE
1.0
0.8
0.6
0.6
0.4
0.3
0.2
0.0
0.0
Figura 4.3.17. Mapas de abundancia verdad terreno para el mineral buddingtonite (USGS) y mapas de
abundancia para los endmembers asociados a este mineral segn los mtodos PPI, N-FINDR y
AMEE.
USGS
1.0
PPI
0.9
0.8
0.6
0.6
0.4
0.3
0.2
0.0
N-FINDR
0.9
0.0
AMEE
1.0
0.8
0.6
0.3
0.6
0.4
0.2
0.0
0.0
Figura 4.3.18. Mapas de abundancia verdad terreno para el mineral calcite (USGS) y mapas de
abundancia para los endmembers asociados a este mineral segn los mtodos PPI, N-FINDR y
AMEE.
- 243 -
N-FINDR
1.0
PPI
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
1.0
AMEE
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
Figura 4.3.19. Mapas de abundancia verdad terreno para el mineral kaolinite (USGS) y mapas de
abundancia para los endmembers asociados a este mineral segn los mtodos PPI, N-FINDR y
AMEE.
- 244 -
Los resultados de la tabla 4.3.13 revelan un comportamiento muy similar de los tres
mtodos, en trminos globales, para el mineral alunite, siendo el error cometido del 5% en todos
los casos. Este resultado es consistente con la primera impresin visual obtenida en la figura
4.3.16.
Mineral
AMEE
N-FINDR
PPI
Alunite
0.05
0.05
0.05
Buddingtonite
0.12
0.13
0.15
Calcite
0.07
0.08
0.09
Kaolinite
0.05
0.06
0.04
TABLA 4.3.13. RMSE GLOBAL ENTRE LAS ABUNDANCIAS ESTIMADAS Y LAS REALES PARA CADA
MINERAL.
En el caso del mineral buddingtonite, el error cometido aumenta en los tres casos, siendo
siempre superior al 10%. Este resultado viene a confirmar los ya obtenidos en el primer
experimento, en el que se demostr que hay ciertos errores en la determinacin de la forma
espectral del endmember, probablemente debido a efectos atmosfricos (ver figura 4.3.13).
Por ltimo, la estimacin de la abundancia en el caso de los minerales calcite y kaolinite es
bastante precisa en todos los casos, siendo el algoritmo PPI el que ofrece los resultados ms
bajos para el mineral calcite, con un error global del 9%, y N-FINDR el que ofrece los
resultados ms bajos para el mineral kaolinite, con un error global del 6%.
El estudio comparativo mostrado en la tabla 4.3.13 resulta til para obtener una visin
global acerca de la precisin de los mtodos considerados a la hora de estimar las abundancias.
No obstante, este estudio no refleja los cambios en el error cometido a medida que la
abundancia del componente vara. Una cuestin de gran inters para profundizar en la
evaluacin de los mtodos presentados es analizar la magnitud del error cometido cuando la
abundancia del material es pequea y cuando la abundancia es grande. Para estudiar de forma
detallada esta circunstancia, utilizamos diagramas de dispersin de abundancias reales frente a
abundancias estimadas, al igual que en los experimentos realizados con imgenes sintticas.
La figura 4.3.20 muestra los diagramas de dispersin de abundancias reales frente a
abundancias estimadas para los tres mtodos comparados en el caso del mineral alunite. Esta
figura muestra que la correlacin entre las abundancias estimadas y las abundancias reales para
el mineral alunite es muy elevada en todos los casos (en torno a 0.99), si bien los valores ms
elevados son obtenidos por los mtodos PPI y AMEE. Este resultado viene a confirmar los
anteriormente obtenidos, que ya apuntaban la precisin de los tres mtodos a la hora de
identificar este mineral concreto.
- 245 -
Por otra parte, la figura 4.3.21 muestra los diagramas de dispersin de abundancias reales
frente a abundancias estimadas en el caso del mineral buddingtonite.
- 246 -
Los resultados de la figura 4.3.22 revelan un comportamiento similar por parte de los tres
mtodos evaluados en la estimacin de la abundancia del mineral calcite. En los tres casos, la
estimacin es ms precisa cuando el mineral se encuentra en proporciones pequeas o muy
altas. Para abundancias intermedias, se produce un ensanchamiento del diagrama de dispersin
y algunos efectos de desviacin, que podran venir de nuevo motivados por efectos
atmosfricos. Por ltimo, la figura 4.3.23 muestra los diagramas de dispersin en el caso del
mineral kaolinite. La correlacin obtenida por los tres mtodos en el proceso de estimacin de la
abundancia de este mineral es muy elevada, si bien es cierto que los mtodos PPI y N-FINDR
vienen caracterizados por una tendencia general a estimar a la baja los valores de abundancia
reales.
- 247 -
- 248 -
- 249 -
entre el mtodo FCLSU, utilizado para calcular de forma lineal las abundancias de los
endmembers, y un mtodo que permite obtener abundancias teniendo en cuenta
efectos no lineales (SPRINT).
Dado que uno de los objetivos fundamentales de la presente prueba es comparar
FCLSU/SPRINT y, en vista de la previsible facilidad a la hora de extraer endmembers
debido a la simplicidad de las imgenes utilizadas, hemos considerado nicamente
nuestro mtodo AMEE en las pruebas realizadas con las imgenes CASI01.
Finalmente, destacamos que la estimacin de la abundancia global de cada
endmember en la imagen se realiza, siguiendo la propuesta de algunos autores (Hu y
col., 2002), sumando los valores de abundancia, obtenidos mediante FCLSU, del
endmember en todos los pixels de la imagen y dividiendo el valor acumulado por el
nmero total de pixels.
Procedemos a detallar los resultados obtenidos para estas imgenes, diferenciando entre
cuatro pruebas con los distintos tipos de imgenes disponibles.
rbol
Fondo
Sombra
RMSE
rbol
RMSE
Fondo
RMSE
Sombra
RMSE
global
0,1136
0.7401
0.1463
+0.0042
+0.0170
-0.0212
0.0424
0.0921
0.7889
0.1185
-0.0173
+0.0558
-0.0490
0.1221
0.1160
0.6988
0.1991
+0.0066
+0.0257
+0.0316
0.0539
SPRINT
0.1094
0.7231
0.1675
En la tabla 4.3.14 tambin se muestran los valores de abundancia reales y el error RMSE
global y relativo cometido en las estimaciones. Los errores relativos se calculan como la
diferencia entre la fraccin obtenida para cada uno de los endmembers utilizando FCLSU y la
fraccin obtenida por el modelo SPRINT. El signo utilizado en los errores relativos indica si el
- 250 -
endmembers
rbol
Fondo
Sombra
Reflectancia
0,8
0,6
0,4
0,2
0
500
600
700
800
rbol
Fondo
Sombra
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
Figura 4.3.24. Conjunto de endmembers obtenidos a partir de la imagen CASI01_01 (parte superior) y
mapas de abundancia asociados a dichos endmembers (parte inferior).
Para la imagen con fondo blanco (CASI01_05), la tabla 4.3.14 muestra que la abundancia
global del endmember rbol es ligeramente sub-estimada (1.7%), mientras que la abundancia de
rbol y sombra es sobre-estimada en torno a un 5% en cada caso, dando como resultado un error
global elevado. Este resultado, que aparece reflejado de forma cualitativa en la figura 4.3.25,
- 251 -
puede deberse a los mayores efectos de dispersin mltiple que se producen cuando el fondo es
blanco.
CASI01_05
endmembers
rbol
Suelo
Sombra
Reflectancia
0,8
0,6
0,4
0,2
0
500
600
700
800
rbol
Fondo
Sombra
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
Figura 4.3.25. Conjunto de endmembers obtenidos a partir de la imagen CASI01_05 (parte superior) y
mapas de abundancia asociados a dichos endmembers (parte inferior).
CASI01_09
endmembers
rbol
Fondo
Sombra
Reflectancia
0,8
0,6
0,4
0,2
0
500
600
700
800
rbol
Fondo
Sombra
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
Figura 4.3.26. Conjunto de endmembers obtenidos a partir de la imagen CASI01_09 (parte superior) y
mapas de abundancia asociados a dichos endmembers (parte inferior).
- 252 -
Finalmente, los resultados de la tabla 4.3.14 muestran que, en el caso de la imagen con
fondo oscuro (CASI01_09), se produce una ligera sobre-estimacin de la abundancia de los tres
endmembers extrados, que resulta ms acusada en el caso de fondo y sombra. La abundancia
del endmember rbol es estimada de forma muy precisa, como puede apreciarse
cualitativamente en la figura 4.3.26.
rbol
Fondo
Sombra
RMSE
rbol
RMSE
Fondo
RMSE
Sombra
RMSE
global
0.1123
0.7345
0.1531
-0.0118
+0.0330
+0.0413
0.0861
0.1250
0.6345
0.2505
+0.0109
-0.0671
+0.0561
0.1341
0.1222
0.6543
0.2321
+0.0181
-0.0473
+0.0377
0.1031
SPRINT
0.1041
0.7016
0.1944
La tabla 4.3.15 revela que los errores cometidos al estimar las abundancias de los
endmembers en las imgenes con rboles translcidos y poblacin dispersa son superiores a los
obtenidos al utilizar rboles opacos y la misma poblacin (ver tabla 4.3.14).
En particular, el error ms elevado es cometido al utilizar la imagen con fondo blanco
(CASI01_06), para la que el error global se sita en un 13.4%. El error cometido en las
imgenes con fondo verde y fondo oscuro se sita en un 8.6% y en un 10.3%, respectivamente.
Estos resultados parecen indicar que los efectos de dispersin mltiple son ms acusados
cuando se utilizan rboles translcidos y fondo blanco.
Por otra parte, resulta destacable que las mayores contribuciones al error global en el caso de
la imagen con fondo blanco vienen producidas por la sub-estimacin de la abundancia del fondo
(en un 6.7%) y la sobre-estimacin de la abundancia de la sombra (en un 5.6%). El error
cometido al estimar la abundancia de los rboles es muy reducido (inferior al 2%). Estos
- 253 -
errores, ilustrados de forma cualitativa en la figura 4.3.27, parecen deberse a los efectos de
dispersin mltiple provocados por la naturaleza transparente de los rboles y el fondo blanco.
CASI01_06
endmembers
rbol
Fondo
Sombra
Reflectancia
0,8
0,6
0,4
0,2
0
500
600
700
800
rbol
Fondo
Sombra
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
Figura 4.3.27. Conjunto de endmembers obtenidos a partir de la imagen CASI01_06 (parte superior) y
mapas de abundancia asociados a dichos endmembers (parte inferior).
La figura 4.3.27 pone de manifiesto que la firma espectral del endmember asociado a rboles
translcidos es diferente, en trminos espectrales, a la obtenida en el caso de rboles opacos (ver
figuras 4.3.24, 4.3.25 y 4.3.26). Esta naturaleza puede hacer pensar que el endmember obtenido
es, de hecho, una mezcla entre rbol y fondo. El aumento en el error global cometido puede
venir motivado, en parte, por esta circunstancia.
A pesar del error global del 13.4% con respecto al modelo SPRINT, los mapas de
abundancia obtenidos mediante FCLSU presentan una apariencia adecuada, permitiendo
identificar la ubicacin exacta de rboles, sombra y fondo. Este resultado parece indicar que el
mtodo lineal puede resultar adecuado, an en presencia de rboles translcidos y efectos de
dispersin mltiple.
Al igual que en la imagen con fondo blanco, en el caso de las imgenes con fondo verde
(CASI01_02) y fondo oscuro (CASI01_10), los mayores errores cometidos vienen en la
estimacin de la abundancia de fondo y sombra (ver tablas 4.3.14 y 4.3.15). Este resultado
indica que la naturaleza transparente de los rboles trae como consecuencia errores ms
elevados en la estimacin de la abundancia de dichos endmembers, independientemente del
fondo utilizado. En ambos casos, la estimacin de la abundancia del endmember rbol resulta
- 254 -
muy precisa, con errores relativos del 1.1% en la imagen CASI01_02 y del 1% en la imagen
CASI01_10.
rbol
Fondo
Sombra
RMSE
rbol
RMSE
Fondo
RMSE
Sombra
RMSE
global
0.2356
0.4021
0.3543
-0.0591
+0.0184
+0.0363
0.1138
0.2412
0.4023
0.3695
-0.0535
+0.0186
+0.0515
0.1436
0.2791
0.3529
0.3663
-0.0156
-0.0308
+0.0483
0.0947
SPRINT
0.2947
0.3837
0.3180
La tabla 4.3.16 muestra que, en general, los errores cometidos al estimar las abundancias de
los endmembers en las imgenes con rboles opacos y poblacin dispersa son superiores a los
obtenidos al utilizar rboles opacos y poblacin densa (ver tabla 4.3.10). Este resultado revela
que, a pesar de que los efectos de dispersin mltiple entre rboles y fondo son reducidos al
tratarse de rboles opacos, la mayor poblacin de rboles existente en estas imgenes da como
resultado errores ms elevados en la estimacin de la abundancia de los endmembers.
El error ms elevado, es de nuevo, cometido al utilizar la imagen con fondo blanco
(CASI01_07), para la que el error global se sita en un 14.3%. Por el contrario, las imgenes
con fondo verde y fondo oscuro presentan un error global del 11.3% y 9.4%, respectivamente.
Este resultado parece indicar que el incremento en el error que se produce en estas imgenes con
respecto al caso en el que la poblacin de los rboles era menor (ver tabla 4.3.10 en el primer
experimento) se debe, fundamentalmente, al aumento del nmero de rboles, y no a la presencia
de efectos de dispersin mltiple, que nicamente son notorios en el caso de la imagen con
fondo blanco. Con motivo de evaluar cualitativamente la precisin global del algoritmo al
analizar esta imagen, mostramos en la figura 4.3.28 los endmembers extrados para la misma
junto con sus correspondientes mapas de abundancia.
- 255 -
endmembers
rbol
Fondo
Sombra
Reflectancia
0,8
0,6
0,4
0,2
0
500
600
700
800
rbol
Fondo
Sombra
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
Figura 4.3.28. Conjunto de endmembers obtenidos a partir de la imagen CASI01_07 (parte superior) y
mapas de abundancia asociados a dichos endmembers (parte inferior).
- 256 -
rbol
Fondo
Sombra
RMSE
rbol
RMSE
Fondo
RMSE
Sombra
RMSE
global
0.3250
0.3875
0.2875
+0.0456
+0.0297
-0.0753
0.1506
0.3415
0.3803
0.2735
+0.0621
+0.0225
-0.0893
0.1739
0.3121
0.3938
0.2941
+0.0327
0.0360
-0.0685
0.1374
SPRINT
0.2794
0.3578
0.3628
endmembers
rbol
Fondo
Sombra
Reflectancia
0,8
0,6
0,4
0,2
0
500
600
700
800
rbol
Fondo
Sombra
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
Figura 4.3.29. Conjunto de endmembers obtenidos a partir de la imagen CASI01_08 (parte superior) y
mapas de abundancia asociados a dichos endmembers (parte inferior).
- 257 -
0,9576
0,9461
0,9139
0,9
0,8779
0,8969
0,8659
0,9053
0,8862
0,8564
0,8626
0,8494
Precisin
0,8261
0,8
0,7
0,6
CA
SI
01
_0
CA
1
SI
01
_0
CA
5
SI
01
_0
CA
9
SI
01
_0
CA
2
SI
01
_0
6
CA
SI
01
_1
0
CA
SI
01
_0
CA
3
SI
01
_0
7
CA
SI
01
_1
1
CA
SI
01
_0
CA
4
SI
01
_0
8
CA
SI
01
_1
1
0,5
rboles opacos
Poblacin dispersa
rboles translcidos
Poblacin dispersa
rboles opacos
Poblacin densa
rboles translcidos
Poblacin densa
Figura 4.3.30. Precisin en la estimacin de los valores de abundancia globales en las diferentes
imgenes utilizadas.
- 258 -
La figura 4.3.30 muestra que, a pesar de las diferentes condiciones de dificultad de las
imgenes utilizadas, el rendimiento del mtodo propuesto se sita siempre entre un 95%
(obtenido para la imagen con rboles opacos, poblacin dispersa y fondo verde) y un 82%
(imagen con rboles translcidos, poblacin densa y fondo blanco). Este ltimo resultado podra
parecer bajo ante la aparente simplicidad de los componentes de la imagen, pero se justifica en
base a la abundante presencia de efectos de dispersin mltiple.
- 259 -
- 260 -
Primera prueba
En esta prueba evaluamos la calidad de la reconstruccin de la imagen original obtenida a
partir de los mtodos de extraccin de endmembers PPI, N-FINDR y AMEE, analizando el
impacto de la utilizacin de datos de radiancia o reflectancia en el proceso de reconstruccin. En
la realizacin de esta prueba se han seguido los pasos que se describen a continuacin:
1.-
2.-
3.-
4.-
- 261 -
Por ltimo, se calcula el error RMSE entre la imagen original y la imagen reconstruida
para obtener una medida de la calidad de la reconstruccin.
El mtodo PPI fue aplicado sobre las imgenes AVJRAD97 y AVJREF97 por los autores
del algoritmo. Los mtodos N-FINDR y AMEE fueron aplicados sobre dichas imgenes en
nuestro laboratorio. Los parmetros utilizados en los tres casos fueron los que se muestran en la
tabla 4.3.18. La principal diferencia con respecto a los parmetros utilizados en experimentos
previos es el parmetro nmero mximo de endmembers del mtodo N-FINDR, que se ha fijado
a un valor muy alto (50) debido a la posible presencia de muchos endmembers al tratarse de una
imagen muy heterognea (ver descripcin de la imagen en apartado 4.3.1.4).
PPI
Parmetro
Valor
N-FINDR
AMEE
Nmero
iteraciones
Umbral seleccin
pixels puros
N mximo de
endmembers
Sensibilidad
Tamao
Ventana
10.000
100
50
0.005
15x15
TABLA 4.3.18. PARMETROS UTILIZADOS AL APLICAR LOS MTODOS PPI, N-FINDR Y AMEE SOBRE
LAS IMGENES AVJRAD97 Y AVJREF97.
La tabla 4.3.19 muestra los errores RMSE globales cometidos al realizar la reconstruccin
de las imgenes AVJRAD97 y AVJREF97 utilizando el procedimiento anteriormente descrito
con los endmembers extrados por los mtodos PPI, N-FINDR y AMEE. Esta tabla tambin
muestra el nmero total de endmembers extrado en cada caso. Resulta destacable que el
nmero de endmembers identificado por PPI es mucho mayor que en el caso de N-FINDR y
AMEE.
AVJRAD97
AVJREF97
AMEE
N-FINDR
PPI
AMEE
N-FINDR
PPI
Nmero de endmembers
13
12
28
12
15
28
RMSE
0.014
0.012
0.008
0.013
0.015
0.009
Los resultados mostrados en la tabla 4.3.19 parecen indicar que, en trminos globales, el uso
de un nmero elevado de endmembers no garantiza una mejora sustancial de la calidad de la
reconstruccin. Mientras que el mtodo PPI comete un error inferior a un 1% utilizando 28
endmembers, el error promedio cometido por PPI y AMEE utilizando aproximadamente la
mitad de endmembers nunca supera el 2%. Por otra parte, los errores globales cometidos por los
- 262 -
diferentes mtodos son muy similares en el caso de utilizar datos de radiancia y datos de
reflectancia.
Las conclusiones que podemos obtener a partir de un anlisis de los valores de error globales
mostrados en la tabla 4.3.19 son reveladoras, pero demasiado generales. Sera deseable realizar
un anlisis ms detallado sobre la distribucin del error a lo largo de la imagen. Esta evaluacin
de la distribucin del error en la imagen permitira calibrar la aportacin en el error final de
ciertos endmembers, determinando as la importancia de detectar y utilizar dichos endmembers
en el proceso de reconstruccin.
Idealmente, si se utilizasen todos los puntos de la imagen como endmembers, el RMSE
cometido en cada pixel sera 0, pues siempre sera posible formar una combinacin lineal que
diese como resultado el pixel original. Los coeficientes de dicha combinacin seran 1 para el
espectro del pixel y 0 para los espectros del resto de pixels de la imagen. A medida que se va
reduciendo el nmero de endmembers, las combinaciones lineales formadas sern menos
precisas, y el error en aquellas zonas de la imagen que no dispongan de un representante en la
combinacin lineal ser ms elevado. Estos errores pueden representarse en forma de imagen de
error en NDs, donde el ND indica el error cometido en la reconstruccin de cada punto.
La figura 4.3.31 muestra las imgenes de error obtenidas al reconstruir la imagen
AVJRAD97 utilizando los endmembers proporcionados por PPI, N-FINDR y AMEE.
PPI
N-FINDR
0.20
0.20
0.15
0.15
0.10
0.10
0.05
0.05
0.00
0.00
AMEE
0.20
0.15
0.10
0.05
0.00
- 263 -
Los resultados mostrados en la figura 4.3.31 revelan que el error cometido en el proceso de
reconstruccin de la imagen AVJRAD97 cuando se utiliza el mtodo AMEE presenta una
distribucin muy regular a lo largo de los puntos de la escena. Resulta difcil destacar
visualmente zonas espaciales homogneas en las que el error sea marcadamente distinto al de
otras zonas. Este hecho puede justificarse en base a la inclusin de informacin espacial en el
proceso de seleccin de los endmembers.
Sin embargo, en el caso de los mtodos PPI y N-FINDR, es posible identificar visualmente
algunas zonas en las que el error es ms acusado. Por ejemplo, en el caso de N-FINDR, la
imagen de error obtenida parece indicar que los endmembers asociados a la carretera que cruza
la imagen en direccin norte-sur y los asociados a las construcciones urbanas al este de la
carretera no han sido detectados de forma correcta, lo cual deriva en un mayor error en dichas
zonas. Esto puede deberse a la menor frecuencia con que aparecen estos puntos en la imagen.
Por su parte, la figura 4.3.32 muestra las imgenes de error obtenidas al reconstruir la
imagen AVJREF97 utilizando los endmembers proporcionados por PPI, N-FINDR y AMEE.
PPI
N-FINDR
0.20
0.20
0.15
0.15
0.10
0.10
0.05
0.05
0.00
0.00
AMEE
0.20
0.15
0.10
0.05
0.00
De nuevo, los resultados de la figura 4.3.32 muestran que la distribucin del error al utilizar
el mtodo AMEE es ms regular que en el caso de los otros mtodos. Llama la atencin la
diferente distribucin del error en el mtodo N-FINDR cuando se consideran datos de radiancia
o reflectancia. As, una simple comparacin visual de la imagen de error para este mtodo en la
figura 4.3.32 con la imagen de error mostrada en la figura 4.3.31 revela que las zonas con valor
de error elevado en la imagen de radiancia (carretera y construcciones urbanas) pasan a tener
- 264 -
valor muy bajo en la imagen de reflectancia, en la que aparecen otras zonas de error diferentes,
en su mayora asociadas a suelos desnudos. Este hecho parece indicar que el mtodo N-FINDR
puede ser sensible a la utilizacin de datos de radiancia o reflectancia.
Para resumir los resultados presentados en esta primera prueba, destacamos una serie de
valoraciones generales:
A pesar de que los errores totales cometidos en la reconstruccin son similares en
los tres mtodos comparados (PPI, N-FINDR y AMEE), la distribucin del error
en los pixels de la imagen es mucho ms homognea cuando se utiliza el mtodo
AMEE. Este hecho puede deberse a la incorporacin de informacin espacial en el
proceso de seleccin de endmembers.
Por otra parte, el nmero de endmembers seleccionado por PPI es mucho mayor
que al utilizar N-FINDR o AMEE. Sin embargo, esto no se traduce en una mejora
demasiado significativa en el proceso de reconstruccin.
Finalmente, el impacto de utilizar datos de radiancia o reflectancia en esta prueba
no parece muy significativo para los mtodos PPI y AMEE, mientras que, en el
mtodo N-FINDR, este factor podra condicionar la precisin final de los
resultados obtenidos.
Segunda prueba
A lo largo de la prueba anterior se apunt la importancia que tiene la abundancia de los
endmembers en el proceso de reconstruccin. De manera intuitiva, podemos suponer que si un
determinado mtodo es capaz de detectar los endmembers ms abundantes de la imagen, el error
en la reconstruccin ser bajo. No obstante, puede ocurrir que necesitemos detectar tambin
endmembers poco abundantes (por ejemplo, en aplicaciones de deteccin de targets es
importante no perder la informacin relativa a objetos pequeos). Este razonamiento nos lleva a
plantear una nueva prueba cuyo objetivo es analizar en qu proporcin disminuye el error
cometido en la reconstruccin cuando se utilizan endmembers muy abundantes y endmembers
poco abundantes.
Para realizar esta prueba, se ha seguido el procedimiento que se describe a continuacin:
1.-
2.-
- 265 -
3.-
4.-
El proceso se repite hasta que se utilizan todos los endmembers extrados por el
mtodo en la reconstruccin.
La figura 4.3.33 muestra dos grficas comparativas que indican cmo disminuye el error
cometido en la reconstruccin de las imgenes AVJRAD97 y AVJREF97 a medida que vamos
utilizando un mayor nmero de endmembers para realizar dicha reconstruccin. Como se ha
mencionado, los endmembers seleccionados por cada mtodo estn ordenados de mayor a
menor abundancia en la imagen.
AVJRAD97
AVJREF97
50
AMEE
50
N-FINDR
40
PPI
30
1.2
20
0.8
1.45
10
AMEE
N-FINDR
40
PPI
30
20
1.8
1.3
0.8
10
0
3
12
15
18
21
24
27
30
12
15
18
21
24
27
30
Los resultados mostrados en la figura revelan que los endmembers ms abundantes son los
ms determinantes a la hora de reducir el error en la reconstruccin. En todos los casos, las
curvas descienden rpidamente al principio, indicando que el error disminuye de forma
pronunciada a medida que se van incorporando los endmembers ms abundantes. Para los
menos abundantes las curvas se estabilizan, lo cual parece indicar que estos endmembers no
contribuyen demasiado a reducir el error global cometido en la reconstruccin.
A ttulo comparativo, en el caso de la imagen AVJRAD97, los mtodos N-FINDR y AMEE
nicamente necesitan 9 endmembers para reconstruir la imagen original con error inferior al 5%.
Por el contrario, el algoritmo PPI necesita como mnimo 20 endmembers para lograr un
- 266 -
resultado similar. Este hecho parece indicar que, a pesar de que el error final en la
reconstruccin utilizando PPI es inferior al obtenido usando N-FINDR o AMEE, la calidad de
los endmembers extrados por estos dos ltimos mtodos podra ser mayor. El trmino "calidad"
en este punto debe ser entendido desde la perspectiva de la utilidad de dichos endmembers para
reconstruir la imagen original.
En el caso de la imagen AVJREF97, el mtodo PPI necesita al menos 21 endmembers para
producir un error inferior al 5%, mientras que AMEE y N-FINDR slo necesitan 8 y 9,
respectivamente. Como puede apreciarse, los resultados al utilizar la imagen de reflectancia son
similares a los obtenidos en el caso de utilizar la imagen en unidades de radiancia.
Tercera prueba
La posibilidad de utilizar un nmero reducido de endmembers para reconstruir la imagen
resulta beneficiosa desde el punto de vista de la posibilidad de alcanzar mayores ratios de
compresin. Intuitivamente, cuanto ms reducido sea el nmero de endmembers a partir del cual
se puede reconstruir la imagen con un grado de fiabilidad aceptable, mayor ser el ratio de
compresin obtenido. Con objeto de profundizar en este punto, el cual fue introducido en la
prueba anterior, se ha realizado una tercera prueba en la que se analizan en detalle los ndices de
compresin que pueden llegar a obtenerse y su relacin con la calidad de la reconstruccin.
- 267 -
2.-
3.-
4.-
El proceso se repite hasta que se utilizan todos los endmembers extrados para
reconstruir la imagen.
- 268 -
AVJREF97
Error en la reconstruccin (%)
AVJRAD97
50
AMEE
40
N-FINDR
PPI
30
20
10
Zona de inters
0
20
30
40
50
60
70
Ratio de compresin
80
50
AMEE
40
N-FINDR
PPI
30
20
10
Zona de inters
0
20
30
40
50
60
70
80
Ratio de compresin
Figura 4.3.34. Aumento del error en la reconstruccin de AVJRAD97 y AVJREF97 a medida que el
ratio de compresin de las mismas es mayor.4
- 269 -
Para ratios de compresin de 40:1 o superiores, el rendimiento del mtodo N-FINDR supera
al de AMEE, pero a expensas de cometer un error muy elevado en la reconstruccin de la
imagen, en torno a un 20% para el ratio de 40:1 y cercano al 50% para un ratio de 70:1.
A partir de los resultados mostrados en esta prueba, podemos destacar las siguientes
valoraciones generales:
El mtodo AMEE es el que proporciona un mejor compromiso entre ratio de
compresin alcanzado y calidad de la reconstruccin, en particular cuando la
reconstruccin de la imagen es de alta calidad (90% o superior).
El uso de datos de radiancia/reflectancia no tiene un impacto significativo en los
resultados obtenidos para estos elevados requerimientos de calidad en la
reconstruccin.
Cuando los requerimientos en cuanto a calidad de la reconstruccin no son tan
elevados, el rendimiento de los mtodos comparados se equipara, y el uso de datos
de radiancia o reflectancia puede tener un impacto menor en los resultados
obtenidos. Estos casos han sido analizados en detalle debido al escaso inters de
obtener versiones reconstruidas de baja calidad.
- 270 -
Validar los endmembers extrados por el mtodo propuesto utilizando imgenes con
distintas resoluciones.
Analizar el efecto de la resolucin espacial en el proceso de seleccin de endmembers.
El procedimiento de comparacin utilizado en el presente experimento se basa en los pasos
que a continuacin se enumeran:
1.-
2.-
3.-
4.-
5.-
6.-
Las pruebas descritas en este apartado se han realizado utilizando las imgenes DSCA01 y
DSRS01. En ambos casos, se dispone de una imagen de mayor resolucin (menor altura) y una
imagen de menor resolucin (mayor altura). El estudio realizado se centra en la identificacin
de los tres endmembers ms representativos de la escena: encina (Quercus ilex), pasto y suelo.
A continuacin, se describen las pruebas realizadas.
- 271 -
5 metros), utilizando como referencia los endmembers extrados a partir de la imagen DSCA01L
(mayor resolucin, pixels de 3 metros).
Con objeto de seleccionar los endmembers de encina, pasto y suelo, el mtodo AMEE fue
aplicado sobre las imgenes DSCA01H y DSCA01L en nuestro laboratorio. La figura 4.3.35
muestra los endmembers finales seleccionados a partir de ambas imgenes. En cada caso, se
muestra el ngulo espectral (SAM) entre las firmas seleccionadas.
Como puede apreciarse en la figura 4.3.35, existe una gran similaridad, en trminos
generales, entre los endmembers seleccionados por AMEE a partir de las imgenes de menor y
mayor resolucin, siendo el valor de similaridad ms reducido el que se obtiene para el caso de
las encinas, que son los objetos de tamao ms reducido en la imagen.
Quercus
Pasto
400
SAM = 0.081
Reflectancia (%*10)
Reflectancia (%*10)
400
300
200
DS_Quercus_L
DSCA01H
DS_Quercus_H
DSCA01L
100
500
SAM = 0.059
300
200
DS_Pasto_L
DSCA01H
DS_Pasto_H
DSCA01L
100
1000
1500
2000
2500
500
1000
1500
2000
2500
Suelo
Reflectancia (%*10)
400
300
200
SAM = 0.051
100
DS_Suelo_L
DSCA01H
DS_Suelo_H
DSCA01L
0
500
1000
1500
2000
2500
- 272 -
estimacin de abundancias en ambas imgenes. La figura 4.3.36 revela que existe una gran
similaridad entre los mapas de abundancia de los endmembers DS_Quercus_L y
DS_Quercus_H. No obstante, en la zona magnificada se aprecia una ligera variabilidad en los
valores de abundancia. Esta variabilidad se repite a lo largo de toda la imagen, lo cual es
coherente con los experimentos realizados con imgenes simuladas CASI (ver apartado 4.3.3.4),
y puede ser achacable a efectos de dispersin mltiple.
DS_Quercus_L
DS_Quercus_H
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
1.0
1.0
0.5
0.5
0.0
0.0
Por su parte, la figura 4.3.37 muestra los mapas de abundancia asociados a los endmembers
DS_Pasto_L, DS_Pasto_H, DS_Suelo_L y DS_Suelo_H. Visualmente, los mapas de
abundancia correspondientes a los endmembers DS_Pasto_L y DS_Pasto_H son muy similares.
Igualmente, los mapas asociados a DS_Suelo_L y DS_Suelo_H presentan una apariencia visual
global muy parecida.
Quercus
Pasto
Suelo
Abundancia
Abundancia
RMSE Abundancia Abundancia RMSE Abundancia Abundancia RMSE
DS_Quercus_L DS_Quercus_H Global DS_Pasto_L DS_Pasto_H Global DS_Suelo_H DS_Suelo_L Global
0.12
0.20
0.08
0.49
0.47
0.02
0.39
0.33
0.06
TABLA 4.3.20. ABUNDANCIA GLOBAL DE LOS ENDMEMBERS EXTRADOS PARA LAS IMGENES
DSCA01L, DSCA01H Y ERROR RMSE GLOBAL PARA CADA ENDMEMBER.
- 273 -
Para corroborar esta impresin cualitativa, la tabla 4.3.20 muestra una anlisis cuantitativo
del error RMSE global cometido en el proceso de estimacin de abundancias en todos los
endmembers identificados.
DS_Pasto_L
DS_Suelo_L
0.9
DS_Pasto_H
0.9
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
1.0
DS_Suelo_H
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
Como puede apreciarse en la tabla 4.3.20, el error global cometido para las encinas es del
8%, mientras que el cometido para pasto y suelo es inferior (2% y 6%, respectivamente). El
mayor error cometido en las zonas de encina puede deberse a la resolucin espacial del sensor
en la imagen de menor resolucin (pixels de 5 metros), que podra ser insuficiente para
distinguir encinas individuales en el caso de agrupaciones o clusters con escasa separacin,
como se aprecia en la zona ampliada de la figura 4.3.36.
- 274 -
La figura 4.3.38 muestra los endmembers finales seleccionados por AMEE a partir de ambas
imgenes. En cada caso, se muestra el ngulo espectral (SAM) entre las firmas seleccionadas.
Como puede apreciarse en la figura, la similaridad entre las firmas espectrales obtenidas es
muy elevada, siendo los endmembers de pasto y suelo prcticamente idnticos en las dos
resoluciones, mientras que los endmembers asociados a las encinas presentan un valor de
similaridad ms reducido.
Al igual que en la prueba anterior, evaluamos de forma cualitativa el efecto de la resolucin
espacial en la identificacin de las encinas mediante los mapas de abundancia obtenidos para los
endmembers etiquetados como RS_Quercus_L y RS_Quercus_H. En ambos casos, se ha
identificado una zona de inters correspondiente a un cluster de encinas que coincide con la
zona tambin estudiada en la prueba anterior.
Quercus
3000
2000
Pasto
4000
RS_Quercus_L
RSCA01H
RS_Quercus_H
RSCA01L
Reflectancia (%*100)
Reflectancia (%*100)
4000
SAM = 0.034
1000
500
600
700
800
3000
RS_Pasto_L
RSCA01H
RS_Pasto_H
RSCA01L
2000
SAM = 0.009
1000
0
500
900
600
Longitud de onda
Reflectancia (%*100)
800
900
Suelo
4000
3000
700
RS_Suelo_L
RSCA01H
RS_Suelo_H
RSCA01L
2000
1000
SAM = 0.012
0
500
600
700
800
900
La figura 4.3.39 muestra un alto parecido global entre los mapas de abundancia de los dos
endmembers, aunque en la zona magnificada se aprecian pequeos errores en la estimacin de
las encinas debidos a la diferente resolucin espacial de las imgenes y a efectos de dispersin
mltiple. En concreto, en la zona correspondiente al mapa de RS_Quercus_L, es posible
- 275 -
diferenciar entre las encinas individuales del cluster, mientras que en el mapa de RS_Quercus_H
la abundancia de las encinas es ligeramente sobreestimada debido a que la resolucin espacial
no es suficientemente alta para poder separar las encinas.
RS_Quercus_L
1.0
RS_Quercus_H
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
1.0
1.0
0.5
0.5
0.0
0.0
RS_Pasto_L
RS_Suelo_L
1.0
RS_Pasto_H
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
1.0
RS_Suelo_H
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
- 276 -
La figura 4.3.40 muestra los mapas de abundancia asociados a los endmembers RS_Pasto_L,
RS_Pasto_H, RS_Suelo_L y RS_Suelo_H.
De nuevo, la apariencia visual de los mapas es similar, pero es posible que se produzcan
problemas similares a los obtenidos en el caso de la encina, debido a las diferentes resoluciones
utilizadas. Para cuantificar esta posibilidad, la tabla 4.3.21 muestra los errores RMSE globales
cometidos en el proceso de estimacin de abundancias de los endmembers anteriormente
mencionados.
La tabla 4.3.21 muestra un error global del 4% para las encinas, del 7% para el pasto y del
2% para el suelo. En ninguno de los casos mencionados el error resulta demasiado significativo,
como ya se comprob de forma cualitativa mediante los mapas de abundancia de los
componentes mencionados.
Quercus
Pasto
Suelo
Abundancia
Abundancia
RMSE Abundancia Abundancia RMSE Abundancia Abundancia RMSE
DS_Quercus_L DS_Quercus_H Global DS_Pasto_L DS_Pasto_H Global DS_Suelo_H DS_Suelo_L Global
0.15
0.19
0.04
0.45
0.43
0.02
0.40
0.47
0.07
TABLA 4.3.21. ABUNDANCIA GLOBAL DE LOS ENDMEMBERS EXTRADOS PARA LAS IMGENES
RSCA01L, RSCA01H Y ERROR RMSE GLOBAL PARA CADA ENDMEMBER.
Una comparacin de los resultados de la tabla 4.3.21 con los resultados obtenidos en la
primera prueba (tabla 4.3.20) revela que el error cometido en el caso de las encinas es ms
reducido al utilizar el sensor ROSIS (4%) que al utilizar el sensor DAIS 7915 (8%). Por otra
parte, los errores globales cometidos en las zonas de pasto y suelo son similares cuando se
utilizan los dos sensores. Estas circunstancias pueden venir motivadas por la mayor resolucin
espacial de los datos obtenidos mediante ROSIS, lo cual permite una descripcin mucho ms
precisa de los objetos pequeos de la escena. Es conveniente recordar que la resolucin espacial
de los datos ROSIS es, en el peor caso, de 2.4 metros por pixel, mientras que para los datos
DAIS 7915, la resolucin espacial en el mejor caso es de 3 metros por pixel. Esta diferencia de
resolucin parece significativa a la hora de identificar y cuantificar la abundancia de las encinas.
Para el resto de componentes (pasto y suelo), la resolucin espacial del sensor no parece tan
importante, debido a que la presencia de estos componentes en la imagen es mucho mayor. Esto
hace que las pequeas imprecisiones cometidas en la delimitacin de las zonas exactas cubiertas
por pasto y/o suelo en la imagen de menor resolucin no tengan una influencia significativa en
el error global.
- 277 -
Captulo 5
Propuesta de
Arquitecturas
Para finalizar con la presentacin de los trabajos desarrollados en esta memoria, dedicamos este
captulo a la descripcin de una posible implementacin hardware del mtodo propuesto. La
eleccin de una arquitectura adecuada para un sistema electrnico est estrechamente relacionada
con la tecnologa de implementacin. Las estructuras paralelas debidamente diseadas que
necesiten comunicar slo con sus vecinos prximos conseguirn las mximas ventajas de la muy
alta escala de integracin (VLSI); es por ello que para acelerar los procesos de clculo proponemos
una estructura de computacin paralela basada en arrays de sistlicos.
La estructura del captulo consta de cuatro apartados. En el primero de ellos se describe la
metodologa de diseo utilizada, a partir de la cual se desarrollan las dos aproximaciones
propuestas, estando los dos apartados siguientes a la descripcin de las mismas. En el ltimo
apartado se presenta una comparativa entre las dos arquitecturas paralelas presentadas y la
arquitectura serie correspondiente.
- 280 -
2.-
- 281 -
A partir de las definiciones anteriormente introducidas, definimos una matriz X que contiene
los M pixels del elemento estructural K:
x1
2
x
X
...
M
x
x11
2
x1
...
M
x1
x12
x 22
...
x 2M
x1N
... x N2
... ...
... x NM
...
(5.1.1)
Como consideracin previa, destacamos que, a pesar de que en el apartado 3.2.1 se plantea la
posibilidad de considerar diferentes distancias en la implementacin del mtodo propuesto, la
distancia utilizada en el presente desarrollo es la SAM (ver apartado 2.3.1).
El Algoritmo 1, mostrado a continuacin, se utiliza para calcular la distancia acumulada D i
entre cada pixel x i del kernel y sus vecinos. En dicho algoritmo, aux denota un vector auxiliar de
N dimensiones; dist representa un vector de las mismas caractersticas que se utiliza para almacenar
las distancias acumuladas obtenidas; finalmente, prod y norm_x denotan vectores N-dimensionales
que almacenan, respectivamente, el producto vectorial y la norma de un vector, tal y como se
muestra a continuacin:
- 282 -
x1 , x1
x 2 , x1
prod
...
x M , x1
...
...
...
...
x1 , x M
x2, xM
...
xM, xM
(5.1.2)
(5.1.3)
For i = 1 to M
For j = 1 to M
prod i, j 0
For k = 1 to N
X[i,k] = x ki
X[j,k] = x kj
El diseo del sistlico requiere que el algoritmo utilizado sea regular y que las dependencias en
el mismo sean locales (Kung, 1993), por lo que procedemos a reescribir los tres primeros bucles del
algoritmo 1, tal y como se muestra a continuacin:
- 283 -
For i = 1 to M
For j = 1 to M
X i [i,0,k] = X[i,k]
X j [0,j,k] = X[j,k]
For k = 1 to N
prod ij [i,j,0] = 0
X i [i,j,k] = X i [i,j-1,k]
X j [i,j,k] = X j [i-1,j,k]
prod ij [i,j,k] = prod ij [i,j,k-1] + X i [i,j,k] * X j [i,j,k]
En el algoritmo 2, cada elemento se reescribe utilizando tres ndices para asegurar dependencias
locales. De esta forma, prod ij [i,j] puede ser segmentado en la direccin k; mientras que los valores
(5.1.4)
(5.1.5)
(5.1.6)
- 284 -
x NM
x23
x1M
x22
x12
x13
*
*
*
x N2
x1N
...
k
j
x12
x11
*
*
N
...
x12 x11
... x22
x12 *
x1N
x N2
3
xN
...
...
x2M
...
3
xN
... x23
x13 * *
Una vez que las distancias acumuladas han sido obtenidas, las operaciones de dilatacin y
erosin morfolgicas se basan en el clculo de los pixels cuya distancia acumulada con respecto al
resto de pixels en el kernel es mximo y mnimo, respectivamente (ver expresiones 3.2.4 y 3.2.5).
Utilizando la notacin que hemos venido manejando hasta el momento, la tarea de calcular los
pixels mximo y mnimo puede realizarse mediante el siguiente algoritmo sencillo:
- 285 -
minimo =
mximo = 0
For i = 1 to M
If dist_ac[i] < minimo
then minimo = dist_ac[i]
Endif
Endfor
For i = 1 to M
If dist_ac[i] > mximo
then mximo = dist_ac[i]
Endif
Endfor
ALGORITMO 3. CLCULO DE LOS PIXELS MXIMO Y MNIMO.
Tras describir los algoritmos que efectan las tareas realizadas por nuestro mtodo, se pueden a
efectuar diferentes proyecciones del grafo de dependencias que darn lugar a diferentes
arquitecturas sistlicas.
t11
T t 21
S t
31
t11
t12
t 12
t 22
t 32
t13
t 23
t 33
t 21
t13 y S
t 31
(5.1.6)
t 22
t 32
t 23
t 33
(5.1.7)
- 286 -
0 1 0
Por otra parte, escogemos S
. Esta seleccin presenta la ventaja de que
0 0 1
permite una proyeccin sobre el ndice j, con lo que todas las operaciones realizadas para
el ndice j sern tratadas por la misma unidad o elemento de proceso (EP) del sistlico.
El movimiento de datos entre EPs viene definido por la siguiente expresin:
n
S d i , i 1,..,3 ,
m
(5.2.1)
- 287 -
1
0 1 0 0
S d1
0
0 0 1 0 0
(5.2.2)
0
0 1 0 1
S d2
1
0 0 1 0 0
(5.2.3)
0
0 1 0 0
S d3
0
0 0 1 1 1
(5.2.4)
S I max
I max
M
M
0 1 0 M
S M
M
0 0 1 N
N
N
(5.2.5)
M
M
M 1 1 1 M N 2M
N
N
(5.2.6)
Por tanto, deducimos que es necesario un array rectangular formado por MxN EPs, y que el
nmero de ciclos requeridos para realizar el clculo de la distancia acumulada es N+2M. Si
denotamos mediante EPi, j el elemento de proceso situado en la posicin
rectangular, podemos destacar las siguientes consideraciones:
i, j
del array
- 288 -
xNM
...
x N2
x32
x1N
x13
x12
...
...
...
EP
(1,1)
EP
(1,2)
EP
(1,3)
....
EP
(2,1)
EP
(2,2)
EP
(2,3)
....
...
...
...
EP
(M,1)
EP
(M,2)
EP
(M,3)
x1M
...
x12
x11
0**
0**
0**
0***
0***
0***
...
x3M
x2M
...
2
2
N+2
....
....
....
....
EP
(1,N)
EAD
(1)
EP
(2,N)
EAD
(2)
...
......
EP
(M,N)
EAD
(M)
N+2+1
M+2
0 * * ... * *
0 * * ... * *
0 * * ... * *
....
....
....
S1 S2
Figura 5.2.1. Arquitectura sistlica (A1) que soporta el algoritmo AMEE. a) Clculo de la distancia
SAM. b) Clculo de la distancia acumulada.
- 289 -
La figura 5.2.1.a muestra el diseo del array sistlico que realiza los clculos anteriormente
descritos. En la figura, se aprecian las tres lneas de interconexin entre EPs necesarias para
transmitir los operandos requeridos para calcular la distancia SAM, es decir, prod i , norm_x i y
O1
E1
O2
E2
O3
E3
AC
Por razones ilustrativas, la tabla 5.2.1 muestra un resumen de las operaciones de los EPs en los
primeros N+2M+1 ciclos computacionales. Como se deduce de la tabla 5.2.1, en el ciclo de
cmputo N+J+1, el EPJ, N proporciona, a travs de sus salidas E1 , E 2 y E 3 , los operandos
necesarios para realizar el clculo de la distancia SAM entre x 1 y x J .
- 290 -
EP1, N
EP2, N
EPM, N
N+1
N+M+1
E1
norm_x 1
norm_x 2
norm_x M
E2
norm_x 1
norm_x 1
norm_x 1
E3
prod 11
prod 12
prod 1M
N+M+2
E1
norm_x 1
norm_x M
E2
norm_x 2
norm_x 2
E3
prod 21
prod 2M
N+2M+1
E1
norm_x 1
norm_x 2
norm_x M
E2
norm_x M
norm_x M
norm_x M
E3
prod 1M
prod 2M
prod MM
TABLA 5.2.1. RESUMEN DE OPERACIONES REALIZADAS POR LOS ELEMENTOS DE PROCESO DEL ARRAY
RECTANGULAR DE LA ARQUITECTURA A1 EN LOS PRIMEROS N+2M+1 CICLOS.
En la figura 5.2.1.b se muestra un array vertical formado por una serie de elementos para el
almacenamiento de distancias (EADs). La disposicin de estos elementos es tal que el elemento
EADk se conecta al ltimo EP en la fila k del array rectangular mostrado en la figura 5.2.1.a. El
elemento EADk recibe de dicho array los operandos necesarios para calcular la distancia SAM
entre x k y el resto de pixels.
En cada elemento EAD se incorpora un circuito combinacional, CC_EAD, cuyo objetivo es el
clculo de la distancia SAM. Adems, estos circuitos disponen de un registro acumulador cuyo
objetivo es ir almacenando los valores SAM que se van obteniendo, para poder sumarlos y calcular
as la distancia acumulada. Recordamos que la obtencin de la distancia acumulada entre cada pixel
del kernel y el resto es uno de los pasos fundamentales de nuestro algoritmo. La figura 5.2.3
muestra un diagrama ilustrativo acerca de los requisitos computacionales de los mdulos CC_EAD
anteriormente descritos, en la que se aprecian requerimientos de cmputo adicionales para soportar
las operaciones de multiplicacin, divisin y suma.
- 291 -
O1
AC
O2
Div
O3
- 292 -
N1
N2
O1
CC_EAD
O2
AC
Comp
Comp
O3
Mux
Mux
Ib
S1
S2
Ciclo de cmputo
Mdulo
N+1
N+M+1
SAM x1 , x 2
EAD2
D1
S2
D1
SAM x , x
SAM x , x
EADM
M 1
S2
MaxD1, D 2
D2
MinD1, D 2
+...+
SAMx , x
2
S1
N+2M+1
SAM x 2 , x 1 +
2
D1
S1
AC
N+M+2
SAM x1 , x M
SAM x , x
DM
arg_ MinDi iM1
i
TABLA 5.2.2. RESUMEN DE OPERACIONES REALIZADAS POR LOS ELEMENTOS DE PROCESO DEL ARRAY
VERTICAL DE LA ARQUITECTURA A1 EN LOS PRIMEROS N+2M+1 CICLOS.
- 293 -
Finalmente, destacamos que el clculo de los pixels mximo y mnimo puede realizarse de
forma sencilla mediante una realimentacin de las salidas del array vertical, de forma que puedan
compararse los valores realimentados con los que se encuentran previamente almacenados en los
EADs. Los EPs de las filas del array rectangular que estn conectados con el EAD que produce un
resultado cierto en la comparacin almacenan los pixels buscados.
La arquitectura A1 presenta el inconveniente de que, al trabajar con imgenes hiperespectrales,
el valor de N suele ser muy elevado. Como consecuencia, el array rectangular para el clculo de la
distancia acumulada puede tener demasiados EPs. Una posible solucin a este problema consiste en
optar por un diseo con menor grado de paralelismo. En este sentido, se han evaluado dos posibles
alternativas:
Particionar el problema de forma que puedan realizarse los clculos utilizando un nmero
menor de EPs. Este esquema particionado puede traer como consecuencia la necesidad de
utilizar espacio de memoria extra para almacenar resultados intermedios.
Utilizar una arquitectura alternativa que permita reducir el nmero de EPs necesario para
llevar a cabo la computacin requerida.
0 1 0
En este caso, escogemos S
. Esta seleccin presenta la ventaja de que permite
1 0 0
una proyeccin sobre el ndice k, con lo que todas las operaciones alineadas en la
direccin k sern procesadas por el mismo EP.
El movimiento de datos entre EPs viene definido por las siguientes expresiones:
- 294 -
1
0 1 0 0
S d1
0
1 0 0 0 1
(5.3.1)
0
0 1 0 1
S d2
1
1 0 0 0 0
(5.3.2)
0
0 1 0 0
S d3
0
1 0 0 1 1
(5.3.3)
El nmero total de EPs y el nmero total de ciclos necesarios se calculan mediante las siguientes
expresiones:
S I max
I max
M
M
0 1 0 M
S M
M
1 0 0 M
N
N
M
M
M 1 1 1 M N 2M
N
N
(5.3.4)
(5.3.5)
Por tanto, deducimos que es necesario un array rectangular formado por MxM EPs, y que el
nmero de ciclos de cmputo requeridos para realizar el clculo de la distancia acumulada es
N+2M. Teniendo en cuenta estas circunstancias, podemos destacar las siguientes consideraciones:
- 295 -
Ciclo de cmputo
Mdulo
EP1,1
N+1
N+2
AC1
x x
x 1N-1
x 1N
SAM x 1 , x1
x 1N-1
x 1N
SAM x 1 , x1
AC1
EP2,1
x1i xi2
x1 x 2
x 1N-2
x 1N-1
x N2 -2
x N2 -1
AC1
EP1, M
SAM x , x
N 2
N+3
1
...
N+M+1
N+M+2
...
N+2M+1
N+2M+2
i 1
EP1,2
y
SAMx , x
SAMx , x +
SAMx , x
SAM x1 , x 1 +
1
...
N M 1
SAM x , x
x1i xiM
i 1
EPM, M AC1
i 1
xiM xiM
SAM x K , x1
D1
M 1
k 1
N 2 M 1
D1
k 1
x NM-M
SAM x1, x k
M 1
x 1N-M
EPM,1
N 2M 2
i 1
xiM xiM
...
NM 2
N M 3
i 1
i 1
xiM xiM
xiM xiM
SAM x1, x M
DM
TABLA 5.3.1. RESUMEN DE OPERACIONES REALIZADAS POR LOS EPS DE LA ARQUITECTURA A2 EN LOS
PRIMEROS N+2M+2 CICLOS.
La figura 5.3.1 muestra el diseo del array sistlico que realiza los clculos descritos (Aguilar y
col., 2002). A diferencia que en la arquitectura A1, solamente es necesaria una lnea de
interconexin entre EPs. Esta estructura viene caracterizada por un diseo regular compuesto por un
array rectangular de EPs simples. El array recibe los datos a procesar de forma segmentada, desde
arriba y desde la izquierda, siendo encauzados hacia abajo y hacia la derecha, respectivamente. De
- 296 -
esta forma, todos los elementos del array procesarn los pixels de la imagen. Los mdulos
denotados como MAX(i) se utilizan para calcular el valor mximo de las distancias acumuladas que
van siendo obtenidas en cada columna del array, mientras que los mdulos MIN(i) calculan el valor
mnimo de las distancias acumuladas que van siendo producidas en cada fila.
x NM
...
...
x2M
x23
x13
x1M
...
...
3
xN
2
xN
x1N
...1
x2
x11
1
x1N ... x2
2
2
... x2
xN
x12
...
x22
x12
x11
EP
(1,1)
EP
(1,2)
EP
(1,3)
....
EP
(1,M)
D1
MIN
(1)
EP
(2,1)
EP
(2,2)
EP
(2,3)
....
EP
(2,M)
D2 *
MIN
(2)
...
...
...
EP
(M,1)
EP
(M,2)
EP
(M,3)
M ... M M * ... *
xN
x2 x1
D2
D1
* * ... * *
MAX
(1)
MAX
(2)
...
....
......
DM * * *
DM
*
*
*
D3
*
*
MAX
(3)
EP
(M,M)
....
MAX
(M)
MIN
(M)
Mnimo
Mximo
Los requerimientos de proceso necesarios para cada una de los EPs mostrados en la figura 5.3.1
deben incluir las operaciones de multiplicacin y acumulacin (Prez y col., 2002c). La figura 5.3.2
muestra una descripcin funcional de los EPs descritos.
- 297 -
Control
Control
MUX
Control
MUX
MUX
ALU
AC1
AC2
Control
MUX
AC3
S
Operacin ALU 1
Operacin ALU 2
Operacin ALU 3
AC1=AC1+N*O
AC2=AC2+N*N
AC3=AC3+O*O
Figura 5.3.2. Requerimientos computacionales y operaciones realizadas por los EPs mostrados en 5.3.1.
De acuerdo con el algoritmo 3, descrito en la seccin 5.1.1, una vez obtenidas las distancias
acumuladas hemos de determinar el mnimo y mximo de las mismas. Para realizar estas
operaciones se aaden dos arrays lineales al sistlico, de forma que uno calcule el valor mximo y
otro el valor mnimo (ver figura 5.3.1). Cada uno de estos arrays tendr M elementos de proceso
distribuidos de forma horizontal y vertical, e inicializados a las distancias acumuladas obtenidas
mediante el array rectangular. El valor inicial para el mximo (o mnimo) se introduce por la parte
izquierda (o superior) del array, y se transmite a elementos de proceso vecinos. La operacin
realizada por cada elemento de los arrays es una comparacin, siendo el resultado de la misma
transmitido a su vecino derecho (o inferior). Despus de los M ciclos correspondientes, el ltimo
elemento de cada array proporcionar el mximo (o mnimo) de las distancias acumuladas.
La figura 5.3.3 muestra los requerimientos computacionales de los mdulos del array vertical y
del array vertical, denominados respectivamente MIN y MAX. Como puede apreciarse en la figura,
cada mdulo consta de un multiplexor, un comparador y un registro de almacenamiento.
- 298 -
Dj
S{MIN(i-1)}
MIN
Di
MAX
RDMAX
Comparador
Comparador
MUX
RDMIN
E
MUX
E{MAX(j-1)}
Figura 5.3.3. Requerimientos computacionales de los mdulos MIN y MAX mostrados en 5.3.1.
Por motivos ilustrativos, la tabla 5.3.2 muestra un resumen de las operaciones realizadas por los
mdulos MAX y MIN en los primeros N+2M+3 ciclos de cmputo.
Ciclo de cmputo
Mdulo
N+M+3
MIN1 S
D1
MAX1 E
D1
RD
N+M+4
N+2M+3
...
...
D1
MIN2 S
MinD1 , D 2
MAX2 E
MaxD1 , D 2
RD
D2
...
...
...
...
MINM S
MAXM E
RD
DM
TABLA 5.3.2. RESUMEN DE OPERACIONES REALIZADAS POR LOS MDULOS MAX Y MIN DE LA
ARQUITECTURA A2 EN LOS PRIMEROS N+2M+3 CICLOS.
Finalmente, destacamos que, para poder identificar el pixel correspondiente a los valores
extremos de la distancia, proponemos realimentar las salidas de los arrays lineales y establecer as
una comparacin con las distancias correspondientes a cada pxel, que se encuentran almacenadas
- 299 -
en los registros denotados como REGDMIN y REGDMAX en los mdulos descritos en la figura
5.3.3. Los elementos EP que detecten la igualdad, determinarn los extremos buscados.
SAM
Distancia acumulada
Mximo y mnimo
Total
Serie
6 N M2
3 M 2
2 M
6 M2 N 3 M2 2 M
Paralelo
3 N 3 M
2 M
3 N 6 M
Con motivo de ilustrar los clculos mostrados en la tabla 5.4.1 mediante un ejemplo, utilizamos
una imagen hiperespectral real. La imagen seleccionada es la denominada RSCA01H, descrita en
detalle en el apartado 4.3.1.6. Esta imagen consta de 196x155 pixels, cada uno de los cuales est
compuesto por un total de 115 valores espectrales codificados mediante 14 bits, de forma que el
tamao total de la misma es de, aproximadamente, 50 Mbytes.
La parte izquierda de la figura 5.4.1 muestra un estudio comparativo del nmero de ciclos de
cmputo necesarios para procesar la imagen RSCA01H utilizando diferentes tamaos de elementos
estructurales, comprendidos entre 3x3 pixels y 25x25 pixels. Para mayor claridad en la
interpretacin de los resultados, el nmero de ciclos de cmputo se ha representado en forma
logartmica.
- 300 -
1E+12
Implementacin serie
1,8
Factor de utilizacin
calculado como el speed-up dividido por el nmero de elementos de proceso (Kung, 1993).
Implementacin paralela
1E+08
55109
20698
5471
10000
140
Arquitectura A1
Arquitectura A2
1,6
1,4
1,2
1
0,8
0,6
0,4
0,2
0
3
11
13
15
17
19
21
23
25
11
13
15
17
19
21
23
25
Figura 5.4.1. Nmero de ciclos empleados en implementaciones serie y paralela al utilizar diferentes
tamaos de kernel (parte izquierda). Factor de utilizacin obtenido por las arquitecturas A1 y A2 al
utilizar diferentes tamaos de kernel (parte derecha).
A partir de los resultados mostrados en la parte izquierda de la figura 5.4.1, se aprecia que la
implementacin paralela reduce considerablemente el coste computacional asociado con respecto a
la implementacin serie. La fraccin de mejora (speed-up) es tanto ms significativa cuanto mayor
es el tamao de kernel utilizado.
La parte derecha de la figura 5.4.2 revela que, en el caso de la arquitectura A1, el factor de
utilizacin aumenta a medida que el tamao de kernel empleado es mayor. Por el contrario, el factor
de utilizacin de la arquitectura A2 decrece a medida que aumenta el tamao de kernel, siendo el
factor de utilizacin de A2 superior al de A1 para tamaos de kernel inferiores a 11x11 pixels. Para
tamaos de kernel superiores a 11x11, el factor de utilizacin de A1 es superior al de A2.
Segn algunos autores (Kung, 1993), el factor de utilizacin resulta aceptable a partir de valores
superiores a 0.5. Siguiendo este razonamiento, la arquitectura A1 presenta un factor de utilizacin
- 301 -
adecuado para tamaos de kernel de 7x7 pixels o superiores, mientras que la arquitectura A2
presenta factores de utilizacin aceptables para tamaos de kernel hasta 15x15 pixels. Estas
circunstancias debern ser tenidas en cuenta a la hora de adoptar una u otra aproximacin,
dependiendo de las caractersticas de la aplicacin considerada. En las pruebas realizadas en el
captulo 4, se demostr que un tamao de kernel mximo de 15x15 pixels resulta apropiado para el
anlisis de la mayor parte de las imgenes consideradas en el presente estudio, por lo que ambas
arquitecturas resultan viables a la hora de implementar el algoritmo propuesto.
Captulo 6
Principales aportaciones
y conclusiones
En la presente memoria se ha descrito una metodologa robusta y computacionalmente
eficiente que permite analizar imgenes hiperespectrales de forma no supervisada utilizando la
informacin espacial y espectral presente en la imagen.
La principal aportacin del algoritmo propuesto es la incorporacin de la informacin
espacial en el proceso de anlisis, el cual se ha realizado tradicionalmente atendiendo a
propiedades espectrales de la imagen.
El exhaustivo anlisis de resultados del modelo propuesto en esta memoria ha permitido la
realizacin de un esfuerzo cuantitativo y comparativo que hasta ahora no haba sido abordado en
aplicaciones de anlisis hiperespectral. En este sentido, el planteamiento de un modelo de
validacin y comparacin de metodologas para la identificacin de firmas espectrales puras
supone otra de las principales aportaciones del presente trabajo. A partir del anlisis de
resultados realizado, podemos derivar las siguientes conclusiones:
El comportamiento del algoritmo es independiente de la utilizacin de datos de
reflectancia
(corregidos
atmosfricamente).
atmosfricamente)
radiancia
(no
corregidos
- 304 -
- 305 -
Captulo 7
Lneas futuras
- 308 -
- 309 -
operadores
morfolgicos
hiperespectrales
utilizando
elementos
estructurales que no sean planos. Esta aproximacin puede permitir una mejor
- 310 -
- 311 -
- 312 -
Implementaciones algortmicas.
Evaluar de forma cuantitativa las implementaciones basadas en operaciones
morfolgicas en cascada y en pirmide, las cuales resultan atractivas debido a su
- 313 -
Implementaciones hardware.
Implementar mediante arquitecturas reconfigurables como FPGAs o DSPs las
arquitecturas sistlicas propuestas para soportar el mtodo AMEE. Estas arquitecturas
fueron descritas en los apartados 5.2 y 5.3.
Estudiar mtodos de particionamiento eficientes que permitan la obtencin de un
mdulo hardware capaz de procesar y comprimir datos hiperespectrales a bordo del
sensor y en tiempo real.
Referencias bibliogrficas.
- 315 -
Referencias bibliogrficas
Adams, R, Bischof, L., Seeded region growing, IEEE Transactions on Pattern Analysis and
Machine Intelligence, vol. 16, No. 6. 1994.
Aguilar, P.L., Cuantificacin de firmas hiperespectrales utilizando mapas autoorganizativos.
Tesis Doctoral, Universidad de Extremadura, 2000.
Aguilar, P.L., Plaza, A., Prez, R.M., Martnez, P., Morphological endmember identification
and its systolic array design, Captulo 3 en Neural Networks and Systolic Array Design.
Editores: D. Zhang & S.K. Pal, World Scientific, 2002.
Aiazzi, B., Alparone, L., Barducci, A., Baronti, S., Pippi, I., Information-theoretic assessment
of sampled hyperspectral imagers, IEEE Transactions on Geoscience and Remote Sensing,
vol. 39, pp. 1447-1458, 2001.
Alsing, S.G., Bauer, K.W., Miller, J.O., A multinomial selection procedure for evaluating
pattern recognition algorithms. Pattern Recognition, vol. 35, pp. 2397-2412, Nov. 2002.
Asner, G.P., Lobell, D.B., A biogeophysical approach for automated SWIR unmixing of soils
and vegetation. Remote Sensing of Environment, vol. 74, pp. 99-112, 2000.
Asner, G.P., Wessman, C.A., Schimel, D.S., Archer, S., Variability in leaf and litter optical
properties: implications for canopy BRDF model inversions using AVHRR, MODIS, and
MISR. Remote Sensing of Environment, vol. 63, pp. 200-215, 1998.
Aspinall, R., Marcus, W.A., Boardman, J.W., Considerations in collecting, processing, and
analysing high spatial resolution hyperspectral data for environmental investigations,
Journal of Geographical Systems, vol. 4, pp. 15-29, 2002.
Bagheri,
S.,
Rijkeboer,
M.,
Pasterkamp,
R.,
Dekker,
A.,
Comparison
of
field
- 316 -
Referencias bibliogrficas.
Bateson, C.A., Asner, G.P., Wessman, C.A., Endmember bundles: a new approach to
incorporating endmember variability into spectral mixture analysis, IEEE Transactions on
Geoscience and Remote Sensing, vol. 38, pp. 10831094, 2000.
Baxes, G.A., Digital image processing. Principles and Applications. John Wiley & Sons. 1994.
Bell, J.F., Farrand, W.H., Johnson, J.R., Morris, R.V., Low abundance materials at the Mars
Pathfinder landing site: an investigation using spectral mixture analysis and related
techniques. Icarus, vol. 158, pp. 56-71, 2002.
Berger, M., Moreno, J., Mueller, A., Beisl, U., Richter, R., Schaepman, M., Strub, G., Stoll,
M.P., Nerry, F., Leroy, M., Rast, M., Wursteisen, P., Attema, E., "The DAISEX campaigns
in support of a future land surface processes mission". ESA Bulletin, February 2001.
Berger, M., Moreno, J., Mueller, A., Schaepman, M., Wursteisen, P., Rast, M., Attema, E., The
Digital Airborne Imaging Spectrometer Experiment - DAISEX'99". Proc. IGARSS-2000,
pp. 3039-3041, 2000.
Berk, A. y col., 1998: MODTRAN cloud and multiple scattering upgrades with application to
AVIRIS. Remote Sensing of Environment, vol. 65, pp. 367-375, 1998.
Bianchi, R., Cavalli, R. M., Fiumi, L., Marino, C.M. and Pignatti, S., CNR LARA Project,
Italy: airborne laboratory for environmental research, Summaries of the X JPL Airborne
Earth Science Workshop, 2001.
Bielski, C., Dub, P., Cavayas, F., Marceau, Spectral Space: A new approach for analysing
imaging spectrometer data, International Journal Remote Sensing, en prensa, 2002.
Bister, M., Cornelis, J., Rosenfeld, A., A critical view of pyramid segmentation algorithms.
Pattern Recognition Letters, vol.11, pp. 605617, 1990.
Boardman, J., Post-ATREM polishing of AVIRIS apparent reflectance data using EFFORT: a
lesson in accuracy versus precision, en Proc. VII NASA/JPL Airborne Earth Science
Workshop, 1998.
Boardman, J.W., Automating spectral unmixing of AVIRIS data using convex geometry
concepts, en: Proc. II NASA/JPL Airborne Earth Science Workshop, Pasadena, CA, 1993.
Boardman, J.W., Kruse, F.A., Green, R.O., Mapping target signatures via partial unmixing of
AVIRIS data, Summaries of the VI JPL Airborne Earth Science Workshop, 1995.
Borel, C.C., Gerstl, S.A.W., Nonlinear spectral mixing models for vegetative and soil
surfaces, Remote Sensing of Environment, vol. 47, pp. 403-416, 1994.
Referencias bibliogrficas.
- 317 -
Bowles, J., Palmadesso, P.J, Antoniades, J.A, Baumback, M.M, Rickard, L.J., Use of filter
vectors in hyperspectral data analysis, en Proc. SPIE Infrared Spaceborne Remote Sensing
III, vol. 2553, pp. 148-157, 1995.
Bruce, L.M., Morgan, C., Larsen, S., Automated detection of subpixel targets with continuous
and discrete wavelet transforms. IEEE Transactions on Geoscience and Remote Sensing,
vol. 39, pp. 2217-2226, 2001.
Burt, P.J., Adelson, A.E., The Laplacian pyramid as a compact image code. IEEE
Transactions on Communications, vol., 31, pp. 532 540, 1983.
California
Institute
of
Technology.
Datos
AVIRIS
libres.
Disponibles
en
http://aviris.jpl.nasa.gov, 2002.
Chabrillat, S., Goetz, A.F.H., Olsen, H.W., Krosley, L., Noe, D.C., The search for swelling
clays along the Colorado Front Range: results from field spectrometry and hyperspectral
imagery, en: Proc. XI NASA/JPL Airborne Earth Science Workshop, Pasadena, CA, 2001.
Chang, C.-I, An information theoretic-based approach to spectral variability, similarity and
discriminability for hyperspectral image analysis, IEEE Transactions on Information
Theory, vol. 46, 2000.
Chang, C.-I, Brumley, C.M., A Kalman Filtering approach to multispectral image classification
and detection of changes in signature abundance. IEEE Transactions on Geoscience and
Remote Sensing, vol. 37, pp. 257 268, 1999a.
Chang, C.-I, Du, Q., Sun, T., Althouse, L.G., A Joint Band Prioritization and BandDecorrelation Approach to Band Selection for Hyperspectral Image Classification, IEEE
Transactions on Geoscience Remote Sensing, vol. 37, no.6, pp.2631-2641, 1999b.
Chang, C.-I, Ren, H., An Experiment-Based Quantitative and Comparative Analysis of Target
Detection and Image Classification Algorithms for Hyperspectral Imagery. IEEE
Transactions on Geoscience and Remote Sensing, vol. 38, no. 2, pp. 1044- 1063, 2000.
Chang, S., Westfield, M.J., Lehmann, F., Oertel, D., Richter, R., A 79 - Channel Airborne
Imaging Spectrometer, en Proc. SPIE, vol. 1937, pp. 164 - 172, 1993.
Chen, J.M., Spatial Scaling of a Remotely Sensed Surface Parameter by Contexture. Remote
Sensing of Environment, vol. 69, pp. 30-42, 1999.
Chen, T., Wu, Q.H., Rahmani-Torkaman, R., Hughes, H., A pseudo top-hat mathematical
morphological approach to edge detection in dark regions. Pattern Recognition, vol. 35,
pp. 199-210, 2002.
- 318 -
Referencias bibliogrficas.
Chiang, S.-S., Chang, C.-I., Ginsberg, I.W., Unsupervised target detection in hyperspectral
images using projection pursuit. IEEE Transactions on Geoscience and Remote Sensing,
vol. 39, pp. 1380-1391, 2001.
Chuvieco, E., Fundamentos de Teledeteccin Espacial. Ediciones Rialp, 1999.
Clark, R.N. Spectroscopy of Rocks and Minerals, and Principles of Spectroscopy. Captulo 1
en Manual of Remote Sensing, John Wiley and Sons, New York, 1999a.
Clark, R.N., Swayze, G., King, T.V.V., Livo, E., Dalton, J.B., Kokaly, R.F., Tetracorder and
Expert System Feature Identification Rules for Reflectance (and Emittance) Spectroscopy
Analysis 1: Visible to Near-Infrared Detection of Minerals, Organics, Vegetation, Water,
Amorphous and Other Materials, en: Proc. NASA/JPL Airborne Earth Science Workshop,
Pasadena, CA, 1999.
Clark, R.N., Swayze, G.A.,
Geological Survey, Digital Spectral Library: Version 1: 0.2 to 3.0 microns, USGS Open
File Report 93-592, 1993. Disponible en http://speclab.cr.usgs.gov/spectral-lib.html.
Clark, R.N., Swayze, G.A., Evolution in Imaging Spectroscopy Analysis and Sensor Signal-toNoise: An Examination of How Far We Have Come, en: Proc. XI NASA/JPL Airborne
Earth Science Workshop, Pasadena, CA, 1996.
Cocks, T., Jenssen, R., Stewart, A., Wilson, I., Shields, T., The HYMAP Airborne
Hyperspectral Sensor: The System, Calibration and Performance, First EARSEL
Workshop on Imaging Spectroscopy, Zrich, 1998.
Collins, E.F., Roberts, D.A., Borel, C.C., Spectral Mixture Analysis of Simulated Thermal
Infrared Spectrometry Data: An Initial Temperature Estimate Bounded TESSMA Search
Approach . IEEE Transactions on Geoscience and Remote Sensing, vol. 39, no. 7, pp.
1435- 1446, 2001.
Congalton, R.G., Considerations and Techniques for Assessing the Accuracy of Remotely
Sensed Data, en: Proc. International Geoscience and Remote Sensing Symposium IGARSS,
vol. 3, pp. 1847-1850, 1989.
Coops, N., Culvenor, D., Utilizing Local Variance of Simulated High Spatial Resolution
Imagery To Predict Spatial Pattern of Forest Stands. Remote Sensing of Environment, vol.
71, pp. 248-260, 2000.
Curran, P.J. Dungan, J.L., Estimation of Signal-to-Noise: A New Procedure Applied to
AVIRIS Data, IEEE Transactions on Geoscience and Remote Sensing, vol. 27, pp. 620628, 1989.
Referencias bibliogrficas.
- 319 -
Dabney, P.W., The Design of a Theoretically Limited Signal-to-Noise CCD Based Imaging
Spectroradiometer. Tesis Doctoral, Universidad de Maryland, College Park, 1995.
Dalton, J.B., Bove, D., Mladinich, C., Clark, R.N., Rockwell, B., Swayze, G., King, T., Church,
S., Spectral Classification of Similar Materials Using the Tetracorder Algorithm: the
Calcite-Epidote-Chorite Problem, en Proc. XI NASA/JPL Airborne Earth Science
Workshop, 2001.
Dennison, P.E., Gardner, M.E., Roberts, D.A., Green. R.O., Calibration and Vegetation Field
Spectra Collection for the 2000 AVIRIS Hawaii Deployment, en: Proc. XI NASA/JPL
Airborne Earth Science Workshop, Pasadena, CA, 2001.
Daz, J.C., Aguayo, P., Gmez, P., Rodellar, V., Olmos, P., An Associative Memory to Solve
the Mixture Problem in Composite Spectra, 35 Midwest Symposium on Circuits and
Systems, Washington D.C., pp. 891-894, 1992.
Daz, J.C., Aportacin al Anlisis de Espectros de Radiacin: Estructuras y Algoritmos. Tesis
Doctoral, Facultad de Informtica, Universidad Politcnica de Madrid, 1994.
Dulyakarn, P., Rangsanseri, Y., Thitimajshima, P., Segmentation of multispectral images based
on multithresholding, en: 2nd International Symposium on Operationalization of Remote
Sensing, The Netherlands, 1999.
Eastman, J.R., Fulk, M., "Long Sequence Time Series Evaluation using Standardized Principal
Components", Photogrammetric Engineering and Remote Sensing, vol. 59, pp. 1307-1312,
1993.
ESA, SPECTRA-Surface Processes and Ecosystem Changes Through Response Analysis,
Reports for Assessment: The five Earth Explorer Core Missions, ESA SP-1257(5), 2001.
Faraklioti, M., Petrou, M., Illumination invariant unmixing of sets of mixed pixels. IEEE
Transactions on Geoscience and Remote Sensing, vol. 39, pp. 2227-2234, 2001.
Faraklioti, M., Petrou, M., Recovering more classes than available bands for sets of mixed
pixels in satellite images. Image and Vision Computing, vol. 18, pp. 705-713, 2000.
Funk, C.C., Theiler, J., Roberts, D.A., Borel, C.C., Clustering to improve matched filter
detection of weak gas plumes in hyperspectral thermal imagery. IEEE Transactions on
Geoscience and Remote Sensing, vol. 39, pp. 1410-1420, 2001.
Gao, B.-C., Heidebrecht, K.B., Goetz, A.F.H., Derivation of Scaled Surface Reflectances from
AVIRIS Data. Remote Sensing of Environment, vol. 44, pp. 145-163, 1993.
- 320 -
Referencias bibliogrficas.
Gao, F., Schaaf, C.B., Strahler, A.H., Lucht, W., Using a multikernel least-variance approach
to retrieve and evaluate albedo from limited bidirectional measurements. Remote Sensing
of Environment, vol. 76, pp. 57-66, 2002.
Garca, M., Ustin, S.L., Detection of interannual vegetation responses to climatic variability
using AVIRIS data in a coastal savanna in California. IEEE Transactions on Geoscience
and Remote Sensing, vol. 39, pp. 1480-1490, 2001.
Garca-Haro, F.J., Sommer, S., A fast canopy reflectance model to simulate realistic remote
sensing scenarios. Remote Sensing of Environment, vol. 81, pp. 205-227, 2002.
Gardner, M.E., Roberts, D.A., Funk, C., Noronha, V., Road Extraction from AVIRIS Using
Spectral Mixture and Q-Tree Filter Techniques, Summaries of the XI JPL Airborne Earth
Science Workshop, 2001.
Gauch, J.M., Pizer, S.M., Multiresolution analysis of ridges and valleys in grey-scale images.
IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 15, pp. 635646,
1993.
Gege, P., D. Beran, W. Mooshuber, J. Schulz and H. van der Piepen. System Analysis and
Performance of the New Version of the Imaging Spectrometer ROSIS. En: Proc. First
EARSeL Workshop on Imaging Spectroscopy, University of Zurich, 1998.
Gege, P., D. Kuebler, W. Mooshuber, R. Mueller, P. Reinartz, M. Schroeder, J. Schulz, H. van
der Piepen, C. Brockmann, W. Cordes, R. Doerffer, Analysis of data from the imaging
spectrometer ROSIS, en Proc. First International Airborne Remote Sensing Conference
and Exhibition, Strasbourg, 1994.
Goel, N., Thompson, R.L., A Snapshot of Canopy Reflectance Models and a Universal Model
for the Radiation Regime. Remote Sensing Reviews, vol. 19, pp. 197-225, 2000.
Goetz, A.F.H., Kindel, B., Comparison of Unmixing Results Derived from AVIRIS, High and
Low Resolution, and HYDICE Images at Cuprite, NV. En: Proc. IX NASA/JPL Airborne
Earth Science Workshop, Pasadena, CA, 1999.
Gonzlez, R.C., Woods, R.E., Digital Image Processing, Second Edition, Addison-Wesley,
2002.
Gordon, C., A Generalization of the Maximum Noise Fraction Transform. IEEE Transactions
on Geoscience and Remote Sensing, vol. 38, pp. 612615, 2000.
Green, A.A., Berman, M., Switzer, P., Craig, M.D., A transformation for ordering
multispectral data in terms of image quality with implications for noise removal. IEEE
Transactions on Geoscience and Remote Sensing, vol. 26, pp. 65-74, 1988.
Referencias bibliogrficas.
- 321 -
Green, R.O. y Boardman, J., Exploration of the Relationship Between Information Content and
Signal-to-Noise Ratio and Spatial Resolution in AVIRIS Spectral Data, en Proc. IX
NASA/JPL Airborne Earth Science Workshop, Pasadena, CA, 2000.
Green, R.O. y col., Imaging Spectroscopy and the Airborne Visible/Infrared Imaging
Spectrometer (AVIRIS), Remote Sensing of Environment, vol. 65, pp. 227-248, 1998.
Green, R.O. y Pavri, B., AVIRIS In-Flight Calibration Experiment, Sensitivity Analysis, and
Intraflight Stability, en Proc. IX NASA/JPL Airborne Earth Science Workshop, Pasadena,
CA, 2000.
Green, R.O., Gao, B.C., Proposed Update to the Solar Irradiance Specrum Used in
LOWTRAN and MODTRAN , en Proc. IX NASA/JPL Airborne Earth Science Workshop,
Pasadena, CA, 1993.
Guilfoyle, K.J., Althouse, M.L., Chang, C.-I, A Quantitative and Comparative Analysis of Linear
and Nonlinear Spectral Mixture Models Using Radial Basis Function Neural Networks. IEEE
Transactions on Geoscience and Remote Sensing, vol. 39, no. 8, pp. 2314- 2318, 2001.
Haralick, R.M., Shapiro, L.G, Survey: Image segmentation techniques, Computer Vision
Graphics Image Processing, vol. 29, pp. 100-132, 1985.
Haralick, R.M., Shapiro, L.G., Computer and Robot Vision, Volume I. Addison-Wesley, 1992.
Harvey, N.R. y col., Comparison of GENIE and conventional supervised classifiers for
multispectral image feature extraction. IEEE Transactions on Geoscience and Remote
Sensing, vol. 40, pp. 393-404, 2002.
Heinz, D. Constrained Least Squares Linear Mixture Analysis for Detection, Classification and
Quantification, Tesis Doctoral. University of Maryland, Baltimore Country, 2001.
Heinz, D., Chang, C.-I, "Fully constrained least squares linear mixture analysis for material
quantification in hyperspectral imagery," IEEE Transactions on Geoscience and Remote
Sensing, vol. 39, pp. 529-545, 2000.
Hsieh, P.-F., Landgrebe, D., Classification of High Dimensional Data. Tesis Doctoral, School
of Electrical and Computer Engineering, Purdue University, 1998.
Hsieh, P.-F., Lee, L.C., Chen, N.-Y., Effect of spatial resolution on classification errors of pure
and mixed pixels in remote sensing. IEEE Transactions on Geoscience and Remote
Sensing, vol. 39, pp. 2657-2663, 2001.
Hu, B., K. Innanen, and J. R. Miller. Retrieval of leaf area index and canopy closure from
CASI data over the BOREAS flux tower sites. Remote Sensing of Environment, vol. 74,
pp. 255-274, 2000.
- 322 -
Referencias bibliogrficas.
Hu, B., Wang, J., Miller, J.R., Goel, N.S., On Application of Spectral Mixture Analysis in
Forestry: I. Study of non-linear mixture effects using Image Data Analysis and SPRINT
Scene Modeling on Laboratory Simulated-Forest scenes, enviado a Remote Sensing of
Environment, 2002.
Hu, Y.H., Lee, H.B., Scarpace, F.L., Optimal Linear Spectral Unmixing, IEEE Transactions
on Geoscience and Remote Sensing, vol. 37, pp. 639644, 1999.
Hudgins, L., Hines, C., Spatial-Spectral Morphological Operators for Hyperspectral RegionGrowing, International Symposium on Spectral Sensing Research (ISSSR), Quebec City,
Canada, 2001.
Ifarraguerri, A., Chang, C.-I, "Multispectral and hyperspectral image analysis with projection
pursuit," IEEE Transactions on Geoscience and Remote Sensing, vol. 38, pp. 2529-2538,
2000.
Jackson, Q.Z., Landgrebe, D., Design of an Adaptative Classification Procedure for the
Analysis of High-Dimensional Data with Limited Training Samples. Tesis Doctoral, School
of Electrical and Computer Engineering, Purdue University, 2001.
Jackway, P.T., Deriche, M., Scale-Space Properties of the Multiscale Morphological DilationErosion, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18, pp. 3851, 1996.
Jger, G., Benz, U., Measures of classification accuracy based on fuzzy similarity. IEEE
Transactions on Geoscience and Remote Sensing, vol. 38, no. 2, pp. 1462-1467, 2000.
Jimnez, L.O., Vlez-Reyez, M., Chaar, Y., Fontan, F., Santiago, C., Partially Supervised
Detection Using Band Subset Selection in Hyperspectral Data, en Proc. SPIE Conference,
2000.
Jimnez, L.O., Rivera-Medina, J., On the Integration of Spatial and Spectral Information in
Unsupervised Classification for Multispectral and Hyperspectral Data, en Proc. SPIE
Conference, 1999.
Jimnez, L.O., Landgrebe, D., High Dimensional Feature Reduction Via Projection Pursuit,
Tesis Doctoral, School of Electrical and Computer Engineering, Purdue University, 1996.
Johnson, P.E., Smith, M.O., Taylor-George, S., Adams, J.B., A Semi-Empirical Method for
Analysis of the Reflectance Spectra of Binary Mineral Mixtures. Journal of Geophysical
Research, vol. 99, pp. 3557-3561, 1983.
Referencias bibliogrficas.
- 323 -
Johnson, P.E., Smith, M.O., Taylor-George, S., Adams, J.B., A Semi-Empirical Method for
Analysis of the Reflectance Spectra of Binary Mineral Mixtures. Journal of Geophysical
Research, vol. 99, pp. 3557-3561, 1983.
Kaarna, A., Zemcik, P., Kalviainen, H., Parkkinen, J., Compression of multispectral remote
sensing images using clustering and spectral reduction, IEEE Transactions on Geoscience
and Remote Sensing, vol. 38, pp. 1073-1082, 2000.
Kalman, L.S., Pelzer, G.R., Simulation of Landsat Thematic Mapper Imagery Using AVIRIS
Hyperspectral Imagery, en Proc. NASA/JPL Airborne Earth Science Workshop, Pasadena,
CA, 1993.
Katkovnik, V., Shmulevich, I., Kernel density estimation with adaptive varying window size.
Pattern Recognition Letters, vol. 23, pp. 1641 1648, 2002.
Kay, S.M., Fundamentals of Statistical Signal Processing: Estimation Theory. Englewood
Cliffs, NJ: Prentice Hall, 1993.
Keller, I. and Fischer, J., Details and Improvements of the Calibration of the Compact
Airborne Spectrographic Imager (CASI). First EARSEL Workshop on Imaging
Spectroscopy, Zrich, EARSEL, Paris, 81-88, 1998.
Kerekes, J.P.,
Transactions on Geoscience and Remote Sensing, vol. 27, pp. 762-771, 1989a.
Kerekes, J.P., Landgrebe, D.A., Modeling, Simulation and Analysis of Optical Remote Sensing
Systems. Tesis Doctoral, School of Electrical and Computer Engineering, Purdue
University, 1989b.
Keshava, N., Mustard, J.F., Spectral unmixing. IEEE Signal Processing Magazine, vol. 19,
pp. 44-57, 2002.
Key, T., Warner, T.A., McGraw, J.B., Fajvan, M.A., A Comparison of Multispectral and
Multitemporal Information in High Spatial Resolution Imagery for Classification of
Individual Tree Species in a Temperate Hardwood Forest, Remote Sensing of Environment,
vol. 75, pp. 100-112, 2001.
Kimes, D., Gastellu-Etchegorry, J., Estve, P., Recovery of forest canopy characteristics
through inversion of a complex 3D model. Remote Sensing of Environment, vol. 79, pp.
320-328, 2002.
Kohonen, T., The Self-Organizing Map, Neurocomputing, vol. 21, pp. 1-6, 1998.
- 324 -
Referencias bibliogrficas.
Kruse, F., The Effects of Spatial Resolution, Spectral Resolution, and Signal-to-Noise Ratio on
Geologic Mapping Using Hyperspectral Data, Northern Grapevine Mountains, Nevada, en
Proc. IX NASA/JPL Airborne Earth Science Workshop, Pasadena, CA, 2000.
Kruse, F.A., Spectral Identification of Image Endmembers Determined from AVIRIS Data, en
Proc. VII NASA/JPL Airborne Earth Science Workshop, 1998.
Kruse, F.A., Boardman, J.W. and Huntington, J.F., Progress Report: Geologic Validation of
E0-1 Hyperion Using AVIRIS. Summaries of the XI JPL Airborne Earth Science
Workshop, 2001.
Kruse, F.A., Huntington, J.F., The 1995 AVIRIS Geology Group Shoot, en Proc. VII
NASA/JPL Airborne Earth Science Workshop, 1996.
Kung, H.T., Why Systolic Architectures?, IEEE Computer Magazine, vol. 1, no. 15, pp. 3746, 1983.
Kung, S.I., Digital Neural Networks. Prentice-Hall, 1993.
Kuo, B.-C, Landgrebe, D., Improved Statistics Estimation and Feature Extraction for
Hyperspectral Data Classification. Tesis Doctoral, School of Electrical and Computer
Engineering, Purdue University, 2001.
Kustas, W.P., Norman, J.M., Evaluating the Effects of Subpixel Heterogeneity on Pixel
Average Fluxes. Remote Sensing of Environment, vol. 74, pp. 327-342, 2002.
Lambert, P., Chanussot, J., Extending Mathematical Morphology to Color Image Processing,
Proc. CGIP2000, Saint-Etienne, France, 2000.
Landgrebe, D., Hyperspectral Image Data Analysis, IEEE Signal Processing Magazine, vol.
19, no. 1, pp. 17-28, 2002.
Landgrebe, D., Multispectral Data Analysis, A Signal Theory Perspective. Informe tcnico
disponible en http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/documentation.html, 1998.
Launeau, P., Despan, D., Petrological Study of the Ronda Peridotite Using AVIRIS Images
and Field Measurements: Calibration and Relief Corrections, en: Proc. XI NASA/JPL
Airborne Earth Science Workshop, Pasadena, CA, 2001.
Lavernier, D. y col., FPGA-Based Implementation of the Pixel Purity Index (PPI) Algorithm,
en: Proc. SPIE, vol. 4212, 2000a.
Lavernier, D., Fabiani, E., Derrien, S., Wagner, C., Systolic Array for Computing the Pixel
Purity Index (PPI) Algorithm on Hyperspectral Images, en: Proc. SPIE, vol. 4212, 2000b.
Referencias bibliogrficas.
- 325 -
Lawson, C.L., Hanson, R.J., Solving Least Squares Problems. Englewood Cliffs, NJ: PrenticeHall, 1974.
Lee, J., Woodyatt, A., Bergman, M., Enhancement of high spectral resolution remote sensing
data by noise adjusted principal components transform. IEEE Transactions on Geoscience
and Remote Sensing, vol. 28, pp. 295304, 1990.
Lee, S.U., Chung, S.Y., A comparative performance study of several global thresholding
techniques for segmentation, Computer Vision Graphics Image Processing, vol. 52, pp.
171 190, 1990.
Legleiter, C.J., Marcus, W.A., Lawrence, R.L., Effects of Sensor Resolution on Mapping InStream Habitats, Photogrammetric Engineering and Remote Sensing, vol. 68, no. 8, 2002.
Madhok, V., Landgrebe, D., Spectral-Spatial Analysis of Remote Sensing Data: An Image
Model and A Procedural Design. Tesis Doctoral, School of Electrical Engineering and
Computer Science, Purdue University, 1998.
Manolakis, D., Shaw, G., Detection algorithms for hyperspectral imaging applications. IEEE
Signal Processing Magazine, vol. 19, pp. 29-43, 2002.
Manolakis, D., Siracusa, C., Shaw, G., Hyperspectral subpixel target detection using the linear
mixing model. IEEE Transactions on Geoscience and Remote Sensing, vol. 39, pp. 13921409, 2001.
Mao, C., Seal, M. and Heitschmidt, G., Airborne Hyperspectral Image Aquisition with Digital
CCD Video Camera, 16th Biennial Workshop on Videography and Color Photography in
Resource Assessment, pp. 129-140, Weslaco, TX, 1997.
Martnez, P., Aguilar, P.L., Prez, R.M., Plaza, A., Systolic SOM Neural Network for
Hyperspectral Image Classification, Captulo 8 en Neural Networks and Systolic Array
Design. Editores: D. Zhang & S.K. Pal, World Scientific, 2002.
Martnez, P., Gualtieri, J.A., Aguilar, P.L., Prez, R.M., Linaje, M., Preciado, J.C., Plaza, A.,
Hyperspectral Image Classification Using a Self-Organizing Map, Summaries of the XI
JPL Airborne Earth Science Workshop, 2001.
Martnez, P., Plaza, A., Atkinson, A., Generation of a Test Image to Validate the Performance
of Endmember Extraction and Hyperspectral Unmixing Algorithms. Third DLR/HySENS
Workshop, Oberpfaffenhofen, Germany, 2002.
McMillan, N.A., Creelman, C.D., Detection Theory: A User's Guide. Cambridge University
Press, 1991.
- 326 -
Referencias bibliogrficas.
Moldovan D.I., On the Design of Algorithms for VLSI Systolic Array, Proceedings of the
IEEE, vol. 71, pp. 113-120, 1983.
Mller, A., Hausold, A., Strobl, P., "HySens DAIS / ROSIS Imaging Spectrometers at DLR",
En: Proc. SPIE Image and Signal Processing for Remote Sensing VII, Toulouse, France,
2001.
Naesset, E., Predicting forest stand characteristics with airborne scanning laser using a
practical two-stage procedure and field data. Remote Sensing of Environment, vol. 80, pp.
88-99, 2002.
Nalwa, V.S., Binford, T.O., On Detecting Edges. IEEE Transactions on Pattern Analysis and
Machine Intelligence, vol. PAMI-8, No. 6, 1986.
Nishii, R., Tanaka, R., Accuracy and Inaccuracy Assessments in Land-Cover Classification.
IEEE Transactions on Geoscience and Remote Sensing, vol. 37, no. 1, pp. 491-498, 1999.
Ortiz, F., Morphological Processing of Color Images Using Hue/Saturation/Intensity Color
Spaces, Proc. CGIP2000, Saint-Etienne, France, 2000.
Otsu, N., A Threshold Selection Method from Gray-Level Histograms, IEEE Transactions on
Systems, Man, and Cybernetics, Vol.SMC-9 No. 1, 1979.
Peppin, B., Hauff, P.L., Peters, D.C., Prosh, E.C. and Borstad, G. Different Correction-toReflectance Methods and their Impacts on Mineral Classification Using SFSI and Low- and
High-Altitude AVIRIS, Summaries of the XI JPL Airborne Earth Science Workshop,
2001.
Prez, R.M., Aguilar, P.L., Martnez, P., Plaza, A. A Self-Organizing Neural Network for
Hyperspectral Unmixing, Revista Internacional Informacin Tecnolgica, vol. 12, no. 6,
Dec. 2001.
Prez, R.M., Algoritmo y Arquitectura de Red Neuronal para el Procesamiento de Seal
Aplicado a la Determinacin y Cuantificacin de Elementos Presentes en Composiciones
Espectrales. Tesis Doctoral, Facultad de Informtica, Universidad Politcnica de Madrid,
1995.
Prez, R.M., Martnez, P., Plaza, A., Aguilar, P.L., Systolic Array Methodology for a Neural
Model to Solve the Mixture Problem, Captulo 2 en Neural Networks and Systolic Array
Design. Editores: D. Zhang & S.K. Pal, World Scientific, 2002a.
Prez, R.M., Plaza, A., Martnez, P., Aguilar, P.L., Plaza, J., Systolic Array VLSI
Implementation of a Self-Organizing Map for the Classification of Hyperspectral Imagery,
Referencias bibliogrficas.
- 327 -
- 328 -
Referencias bibliogrficas.
Pulido, F.J., Daz, M., Hidalgo, S.J., Size Structure and Regeneration of Spanish Holm Oak
Quercus Ilex Forests and Dehesas: Effects of Agroforestry Use on their Long-term
Sustainability, Forest Ecology and Management, vol. 146, pp. 1-13, 2001.
Qian, S.-E y col., Vector quantization using spectral index-based multiple subcodebooks for
hyperspectral data compression. IEEE Transactions on Geoscience and Remote Sensing,
vol. 38, pp. 1183 1190, 2000.
Ramponi, G., Contrast enhancement in images via the product of linear filters, Signal
Processing, vol. 77, pp. 349-353, 1999.
Rand, R.S., Keenan, D.M., A spectral mixture process conditioned by Gibbs-based
partitioning. IEEE Transactions on Geoscience and Remote Sensing, vol. 39, pp. 14211434, 2001.
Rellier, G., Descombes, X., Zerubia, J., Local registration and deformation of a road
cartographic database on a SPOT satellite image. Pattern Recognition, vol. 35, pp. 22132221, 2002.
Richards, J. A., Remote Sensing Digital Image Analysis: An Introduction. Springer-Verlag,
Berlin, 1993.
Richter, R., "Bandpass resampling effects on the retrieval of radiance and surface reflectance".
Applied Optics, vol. 39, pp. 5001-5005, 2000.
Roberts, D.A., Gardner, R., Church, R., Ustin, S., Scheer, G., Green, R.O., Mapping Chaparral
in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models.
Remote Sensing of Environment, vol. 65, pp. 267-279, 1998.
Roberts, E. y col., The Australian Resource Information and Environment Satellite (ARIES),
Phase A study, AIAA/USU, SSC97-III-2, 1997.
Sahoo, P.K., Soltani, S., Wong, K.C., A Survey of Thresholding Techniques. Computer
Vision, Graphics and Image Processing, No. 41, pp. 233-260, 1988.
Saryazdi, S., Haese-Coat, V., Ronsin, J., Image representation by a new optimal non-uniform
morphological sampling, Pattern Recognition, vol. 33, pp. 961-977, 2000.
Schavemaker, J.G.M., Reinders, M.J.T., Gerbrands, J.J., Backer, E., Image sharpening by
morphological filtering, Pattern Recognition, vol. 33, pp. 997-1012, 2000.
Schlpfer D., Schaepman M.E., Itten K.I., PARGE: Parametric Geocoding Based on GCPCalibrated Auxiliary Data. En: SPIE Int. Symp. on Opt. Sc, Eng. and Instr., San Diego, pp
334-344, 1998.
Referencias bibliogrficas.
- 329 -
Schott, J.R., Barsi, J.A., Nordgren, B.L., Raqueo, N.G., de Alwis, D., Calibration of Landsat
thermal data and application to water resource studies. Remote Sensing of Environment,
vol. 78, pp. 108-117, 2001.
Schweizer, A.M., Moura, J.M.F., Efficient Detection in Hyperspectral Imagery. IEEE
Transactions on Imagen Processing vol. 10, pp. 584-587, 2001.
Serra, J., Image Analysis and Mathematical Morphology, Volume 1. Academic Press, London,
1993.
Serra, J., Image Analysis and Mathematical Morphology. Academic Press Limited. 1982.
Settle, J.J. On the Relationship between Spectral Unmixing and Subspace Projection, IEEE
Transactions on Geoscience and Remote Sensing, vol. 34, pp. 10451046, 1996.
Shaw, G., Manolakis, D. Signal processing for hyperspectral image exploitation. IEEE Signal
Processing Magazine, vol. 19, pp. 12-16, 2002.
Shen, J., On Multi-Edge Detection. Graphical Models and Image Processing, vol. 58, no. 2,
pp. 101-114, 1996.
Short, N.M. y col., The Remote Sensing Tutorial at NASA/Goddard Space Flight Center.
Disponible en: http://rst.gsfc.nasa.gov, 2002.
Simon, A.J., A model for biological winner-take-all neural competition employing inhibitory
modulation of NMDA-mediated excitatory gain, Neurocomputing, vol. 26, pp. 587-592,
1999.
Small, C., Multitemporal analysis of urban reflectance, Remote Sensing of Environment, vol.
81, pp. 427-442, 2002.
Soille, P., Morphological image analysis applied to crop field mapping, Image and Vision
Computing, vol. 18, pp. 10251032, 2000.
Sreeka, T.R., Buehler, T., Emde, C., A simple new radiative transfer model for simulating the
effect of cirrus clouds in the microwave spectral region. Journal of Quantitative
Spectroscopy and Radiative Transfer, vol. 75, pp. 611-624, 2002.
Staenz, K., Szeredi, T., and Schwarz, J., ISDAS - A System for Processing/Analyzing
Hyperspectral Data. Canadian Journal of Remote Sensing, vol. 24, pp. 99-113, 1998.
Steele, B.M., Winne, J.C., Redmond, R.L., Estimation and Mapping of Misclassification
Probabilities for Thematic Land Cover Maps,Remote Sensing of Environment, vol. 66, pp.
192-202, 1998.
- 330 -
Referencias bibliogrficas.
Stehman, S.V., Practical Implications of Design-Based Sampling Inference for Thematic Map
Accuracy Assessment. Remote Sensing of Environment, vol. 72, pp. 35-45, 2000.
Stehman, S.V., Selecting and Interpreting Measures of Thematic Classification Accuracy.
Remote Sensing of Environment, vol. 62, pp. 77-89, 1997.
Stein, D.W., Beaven, S.G., Hoff, L.E., Winter, E.M., Schaum, A.P., Stocker, A.D., Anomaly
Detection from Hyperspectral Imagery. IEEE Signal Processing Magazine, vol. 19, pp. 5869, 2002.
Sternberg, S.R., Greyscale Morphology, Computer Vision Graphics and Image Processing,
vol. pp.283-305, 1986.
Strickland, R., Hahn, H.I., Wavelet transform methods for object detection and recovery.
IEEE Transactions on Image Processing, vol. 6, 1996.
Strobl, P., Mller, A., Fries, J., Bhl, R., Schaepman, M., Zock, A., "Calibration monitoring
using laboratory and vicarious approaches on the DAIS 7915", en: Proc. 1st EARSeL
Workshop on Imaging Spectroscopy, pp. 119-127, 1998.
Strobl, P., Mller, A., Schlpfer, D., Schaepman, M., "Laboratory Calibration and Inflight
Validation of the Digital Airborne Imaging Spectrometer DAIS 7915 for the 1996 Flight
Season", en: Proc. SPIE Algorithms for Multispectral and Hyperspectral Imagery III, vol.
3071, pp. 225-235, 1997.
Strub, G., Beisl, U., Schaepman, M., Schlpfer, D., Dickerhof, C., Itten, K.I., "Evaluation of
Diurnal Hyperspectral BRF Data Acquired with the RSL Field Goniometer During the
DAISEX'99 Campaign, en: Proc. 2nd Intl. EARSeL Workshop on Imaging Spectroscopy,
Enschede, 2000.
Subramanian, S., Gat, N., Ratcliff, A., Eismann, M., Hyperspectral Data Reduction Using
Principal Components Transformation, en Proc. X NASA/JPL Airborne Earth Science
Workshop, 2000.
Swayze, G., Clark, R.N., Goetz, A.F.H., Livo, K.E., Bisdorf, R.J., Sutley, S.J., Using Imaging
Spectroscopy to Better Understand the Hydrothermal and Tectonic History of the Cuprite
Mining District, Nevada, en: Proc. NASA/JPL Airborne Earth Science Workshop,
Pasadena, CA, 1998.
Swayze, G., Clark, R.N., Kruse, F., Sutley, S., Gallagher, A., Ground-Truthing AVIRIS
Mineral Maping at Cuprite, Nevada, en: Proc. XI NASA/JPL Airborne Earth Science
Workshop, Pasadena, CA, 1992.
Referencias bibliogrficas.
- 331 -
Swayze,G.A., The Hydrothermal and Structural History of the Cuprite Mining District,
Southwestern Nevada: An Integrated Geological and Geophysical Approach, Tesis
Doctoral, University of Colorado, Boulder, 1997.
Sweet, J., Granaham, J., Sharp, M., An Objective Standard for Hyperspectral Image Quality,
en: Proc. IX NASA/JPL Airborne Earth Science Workshop, Pasadena, CA, 2000.
Tadjudin, S., Landgrebe, D., Classification of High Dimensional Data with Limited Training
Samples. Tesis Doctoral, School of Electrical Engineering and Computer Science, Purdue
University, 1998.
Tatem, A.J., Lewis, H.G., Atkinson, P.M., Nixon, M.S., Super-resolution land cover pattern
prediction using a Hopfield neural network. Remote Sensing of Environment, vol. 79, pp.
1-14, 2002.
Theiler, J., Gisler, G., A contiguity-enhanced k-means clustering algorithm for unsupervised
multispectral image segmentation, en: Proc. SPIE, vol. 3159, pp. 108-118, 1997.
Theiler, J., Lavenier, D.D., Harvey, N.R., Perkins, S.J., Szymanski, J.J., Using blocks of
skewers for faster computation of Pixel Purity Index, en: Proc. SPIE, vol. 4132, pp. 61-71,
2000.
Tompkins, S., Mustard, J.F., Pieters, C.M., Forsyth, D.W., Optimization of endmembers for
Spectral Mixture Analysis, Remote Sensing of Environment, vol. 59, pp. 472-489, 1997.
Tu, T.M., Shyu, H.C., Lee, C.H., Chang, C.-I, An oblique subspace projection approach for
mixed pixel classification in hyperspectral images, Pattern Recognition, vol. 32, pp. 13991408, 1999.
Van Horebeek, J., Tapia-Rodriguez, E., The approximation of a morphological opening and
closing in the presence of noise, Signal Processing, vol. 81, pp. 1991-1995, 2001.
Vaughan, R.G., Calvin, W.M., Taranik, J., Analysis of Sub-Pixel Mixing in High_Altitude
AVIRIS Data Over Virginia City, Nevada, Using Systematic Field-Based Observations,
en: Proc. XI NASA/JPL Airborne Earth Science Workshop, Pasadena, CA, 2001.
Verhoeye, J., De Wulf, R., Land cover mapping at sub-pixel scales using linear optimization
techniques, Remote Sensing of Environment, vol. 79, pp. 96-104, 2002.
Vincent, L., Morphological Grayscale Reconstruction in Image Analysis: Applications and
Efficient Algorithms. IEEE Transactions on Image Processing, vol. 2, no. 2, 1993.
Wang, D., Haese-Coat, V., Ronsin, J., Shape decomposition and representation using a
recursive morphological operation, Pattern Recognition, vol. 28, pp. 1783-1792, 1995.
- 332 -
Referencias bibliogrficas.
Warner, A., Blonski, S., Davis, B., Gasser, G., Ryan, R., Zanoni, V., An Approach to
Application Validation of Multispectral Sensors Using AVIRIS, en Proc. X NASA/JPL
Airborne Earth Science Workshop, Pasadena, CA, 2001.
White, H. P., J. R. Miller, J. M. Chen. Four-scale linear model for anisotropic reflectance
(FLAIR) for plant canopies. Part I: Model description and partial validation. IEEE
Transactions on Geoscience and Remote Sensing, vol. 39, pp. 1072-1083, 2001.
Winter, M.E., N-FINDR: an algorithm for fast autonomous spectral end-member determination
in hyperspectral data, Proc. SPIE Imaging Spectrometry V, vol. 3753, pp. 266-275, 1999.
Zarco-Tejada, P. J., J. R. Miller, T. L. Noland, G. H. Mohammed, P. H. Sampson. Scaling-up
and Model Inversion Methods with Narrow-band Optical Indices for Chlorophyll Content
Estimation in Closed Forest Canopies with Hyperspectral Data. IEEE Transactions on
Geoscience and Remote Sensing, vol. 39, pp. 1491-1507, 2001.