Tesis Doctoral PDF

Universidad de Extremadura
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:
ANTONIO PLAZA MIGUEL
Cceres, 2002
A mis padres, Antonio y M Josefa,

y a mis hermanos, Javier y Carlos.
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.
2.1. Medida de la radiacin.
2.2. Tcnicas espaciales.
13
2.2.1. Convolucin espacial y morfologa matemtica.
14
2.2.2. Umbralizacin.
26
2.2.3. Crecimiento de regiones.
29
2.3. Tcnicas espectrales.
33
2.3.1. Sensores hiperespectrales.
34
2.3.2. Tcnicas de anlisis hiperespectral.
44
2.3.2.1. Algoritmos de clasificacin de pixels.
52
2.3.2.2. Algoritmos de estimacin de abundancias.
62
2.4. Tcnicas que combinan informacin espacial y espectral.
93
2.4.1. Procesamiento espectral seguido de procesamiento espacial.
95
2.4.2. Procesamiento espacial seguido de procesamiento espectral.
97
Captulo 3. Mtodos.
3.1. Primeros intentos.
99
100
3.1.1. Tcnicas que solamente consideran el dominio espectral.
102
3.1.2. Tcnicas que utilizan informacin espacial y espectral.
108
3.2. Metodologa propuesta.

3.2.1. Extensin de la morfologa a imgenes hiperespectrales.
114
115
3.2.2. Algoritmo AMEE.
124
3.2.2.1. Aplicacin de operadores morfolgicos extendidos.
126
3.2.2.2. Identificacin automtica de pixels puros.
145
3.2.2.3. Crecimiento de regiones adaptativo.
146
3.2.2.4. Eliminacin de endmembers redundantes.
148
3.2.2.5. Identificacin de endmembers y estimacin de abundancias.
150
Captulo 4. Anlisis y discusin de resultados.
153
4.1. Metodologa de anlisis y discusin de resultados.
154
4.1.1. Metodologa de anlisis de imgenes sintticas.
156
4.1.2. Metodologa de anlisis de imgenes reales.
160
4.2. Anlisis de imgenes sintticas.

4.2.1. Proceso de generacin de imgenes sintticas.
162
156
4.2.1.1. Seleccin de firmas espectrales.
163
4.2.1.2. Asignacin de abundancias.
164
4.2.1.3. Simulacin de ruido.
166
4.2.2. Imgenes sintticas utilizadas en el estudio.
168
4.2.3. Experimentos realizados con imgenes sintticas.
172
4.2.3.1. Primer experimento: deteccin de pixels puros y mezcla.
163
4.2.3.2. Segundo experimento: identificacin de endmembers.
182
4.2.3.3. Tercer experimento: estimacin de abundancias.
194
4.2.3.4. Cuarto experimento: deteccin de objetos.
194
4.3. Anlisis de imgenes reales.

4.3.1. Imgenes utilizadas y caractersticas.
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
4.3.2. Experimentos realizados con imgenes reales.
225
4.3.2.1. Primer experimento. Firmas espectrales verdad terreno.
227
4.3.2.2. Segundo experimento. Mapas temticos verdad terreno.
235
4.3.2.3. Tercer experimento. Mapas de abundancia verdad terreno.
240
4.3.2.4. Cuarto experimento. Valores de abundancia verdad terreno.
248
4.3.2.5. Quinto experimento. Verdad terreno no disponible.
259
4.3.2.6. Sexto experimento. Vuelos a diferentes alturas.
259
Captulo 5. Propuesta de arquitecturas.

5.1. Metodologa de diseo.
279
280
5.1.1. Del algoritmo secuencial al grafo de dependencias.
281
5.1.2. Del grafo de dependencias al algoritmo sistlico.
285
5.2. Primera arquitectura (A1).
286
5.3. Segunda arquitectura (A2).
293
5.4. Estudio comparativo.
299
Captulo 6. Principales aportaciones y conclusiones.
303
Captulo 7. Lneas futuras.
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:
La interaccin entre el usuario y el mtodo debe realizarse exclusivamente

mediante un conjunto de parmetros de entrada.
Los resultados proporcionados por el algoritmo deben ser repetibles, es decir,

para una misma imagen hiperespectral y para un mismo conjunto de parmetros
de entrada, la respuesta de la metodologa diseada debe ser la misma.
Implementar la metodologa mediante tcnicas algortmicas, de forma que pueda

facilitarse la difusin de la misma a la comunidad cientfica dedicada al anlisis de
datos hiperespectrales.
Plantear posibles implementaciones de la metodologa mediante tcnicas hardware,
evaluando las ventajas de esta implementacin con respecto a las basadas en tcnicas
software.
Estudiar, mediante datos sintticos, la influencia de los siguientes elementos en el
resultado final proporcionado por el mtodo:
Caractersticas de los parmetros de entrada utilizados por el algoritmo y su

relacin con las caractersticas de las imgenes analizadas.
-4-
Presencia de ruido en los datos a analizar.
Influencia de la correccin atmosfrica en los datos analizados.
Situaciones de mezcla entre componentes.
Comprobar la viabilidad de aplicar la metodologa diseada en aplicaciones reales,

utilizando para ello imgenes obtenidas por una variedad de sensores hiperespectrales.
Comparar los resultados obtenidos por la metodologa propuesta con los
proporcionados por tcnicas estndar de anlisis hiperespectral.
Teniendo presentes los anteriores objetivos, procedemos a describir la organizacin del resto
de esta memoria, estructurada en una serie de captulos cuyos contenidos se describen a
continuacin.
2.-
Antecedentes. En este captulo introductorio se describe el estado del arte en cuanto a

las tcnicas de anlisis de datos obtenidos de forma remota y, en particular, en las
tcnicas de anlisis hiperespectral. El captulo est compuesto por los siguientes
bloques:
2.1. Medida de la radiacin. Este bloque presenta algunos aspectos introductorios
sobre la forma en que se mide la radiacin electromagntica.
2.2. Tcnicas espaciales. En este bloque se describen las aproximaciones existentes
al problema desde un punto de vista exclusivamente espacial.
2.3. Tcnicas espectrales. En este apartado se realiza una revisin detallada de las
tcnicas de anlisis de datos obtenidos remotamente mediante aproximaciones
basadas en espectroscopa de imgenes
2.4. Tcnicas que combinan informacin espacial y espectral. Por ltimo, se
presenta un bloque con las tendencias existentes en la actualidad en cuanto a la
integracin de mtodos espaciales y espectrales
3.-
Metodologa. Este captulo describe propuestas algortmicas originales para el anlisis

hiperespectral. El captulo se organiza en dos grandes bloques:
3.1. Primeros intentos. En este bloque se detallan los primeros intentos realizados
en cuanto al diseo de metodologas de anlisis hiperespectral. Estas primeras
experiencias constituyen la base sobre la que se asientan los fundamentos de la
metodologa desarrollada.
3.2. Metodologa propuesta. Este apartado contiene una descripcin crtica de la
metodologa
finalmente
adoptada,
describiendo
las
implementaciones
-5-
algortmicas consideradas, posibles variaciones sobre las mismas y lneas

futuras de ampliacin.
4. Anlisis y discusin de resultados. Para validar la metodologa propuesta en el captulo
anterior, en este captulo se muestran los resultados obtenidos con datos reales y datos
sintticos. El captulo se divide en tres grandes bloques:
4.1. Metodologa de anlisis y discusin de resultados. Este bloque describe, a
modo de sinopsis, la metodologa de anlisis seguida a la hora de mostrar y
discutir los resultados.
4.2. Anlisis de imgenes sintticas. En este apartado se describe una batera de
experimentos realizados con imgenes sintticas, caracterizadas por simular
propiedades del mundo real mediante representaciones simplificadas.
4.3. Anlisis de imgenes reales. Por ltimo, este apartado muestra un conjunto de
experimentos realizados con datos reales y una comparativa del mtodo
propuesto con respecto a otras aproximaciones existentes en la literatura.
5. Propuesta de arquitecturas. En este captulo se describen y evalan posibles
implementaciones eficientes de la metodologa propuesta, utilizando arrays de sistlicos. El
captulo est estructrurado en cuatro grandes bloques.
5.1. Metodologa de diseo. Este apartado describe la metodologa de diseo
utilizada, a partir de la cual se desarrollan las dos aproximaciones propuestas.
5.2. Primera arquitectura. Esta seccin contiene una descripcin funcional de la
arquitectura sistlica denominada A1.
5.3. Segunda arquitectura. En este apartado se describe una arquitectura sistlica
alternativa denominada A2.
5.4. Estudio comparativo. Finalmente, este apartado contiene una comparativa
entre las arquitecturas paralelas A1 y A2, y la arquitectura serie
correspondiente.
6. Principales aportaciones y conclusiones. Este captulo est dedicado a resumir las
principales aportaciones realizadas por la presente memoria y a mostrar las conclusiones
derivadas.
7. Lneas futuras. Por ltimo, este captulo sugiere un conjunto de lneas de trabajo que
pueden ser abordadas en futuros trabajos.
La memoria concluye con las referencias bibliogrficas.
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-
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.-
En primer lugar, destacamos algunos aspectos introductorios sobre el proceso de

observacin remota y la forma en que se mide la radiacin electromagntica.
2.-
Seguidamente, describimos las tcnicas de anlisis que ms interesan en el dominio

espacial.
3.-
A continuacin, realizamos una revisin detallada de las tcnicas de anlisis de datos

obtenidos remotamente mediante aproximaciones basadas en espectroscopa de
imgenes.
4.-
Finalmente, a ttulo de presentacin del trabajo propuesto en esta memoria,

analizamos las tendencias existentes en lo referente a integracin de mtodos
espaciales y espectrales.
2.1. Medida de la radiacin

La observacin remota de un determinado objeto est basada en la captacin, por parte de un
instrumento de medida o sensor, de la radiacin electromagntica proveniente de la interaccin
entre el objeto y la fuente de la radiacin. La radiacin electromagntica recibe varios nombres
dependiendo de la longitud de onda que la caracteriza, como puede apreciarse en la figura 2.1.1.
Para medir la radiacin emitida o reflejada por una determinada superficie es preciso
cuantificar la cantidad de flujo energtico que procede de la misma. Por tanto, es necesario
-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
Longitud de onda (m)
Figura 2.1.1. El espectro electromagntico.
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 -
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)
La radiancia detectada en el sensor depender por tanto de la reflectancia, del flujo

incidente, de la superficie, del ngulo de observacin y del ngulo slido. Adems, la radiancia
detectada por el sensor es tambin dependiente de la geometra de la observacin y, en
particular, del ngulo formado por la normal a la superficie con la radiacin incidente (ngulo
de incidencia ) y del ngulo formado por el haz detectado por el sensor con la normal a la
superficie (ngulo de reflexin, ). Estas magnitudes aparecen descritas en la figura 2.1.2.
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).
Existen dos comportamientos posibles para la superficie observada (denominada tambin

como "cubierta") respecto de la geometra de la observacin:
1.-
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).
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
Figura 2.1.3. Propiedades de las cubiertas especulares (izquierda) y lambertianas (derecha).
A modo de resumen general de las ideas anteriormente presentadas, podemos definir la

radiancia detectada (D) como una funcin de las siguientes magnitudes:
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)
Donde h es una funcin de transferencia que depende del sensor y D es la radiancia

detectada. Como en todo proceso de medida, la seal detectada incluye una componente
ruidosa, que ser analizada en detalle en el apartado 2.3.1. Adems, el proceso de medida puede
verse afectado por una serie de imprecisiones adicionales, motivadas por efectos secundarios
como los que se enumeran a continuacin (Shaw y Manolakis, 2002):
Radiancia adicional medida por el sensor debido a efectos de dispersin de la luz
solar, causados por efectos atmosfricos (Sreeka y col., 2002).

Efectos de dispersin mltiple (Garca-Haro y Sommer, 2002) sobre el material
observado, causados por la luz reflejada por otros objetos en la escena.

Efectos de sombra.
- 12 -
Efectos de absorcin del flujo incidente debidos a la atmsfera.

Variaciones del ngulo de incidencia debidas a la orografa del paisaje.
Estado fenolgico de las cubiertas desde el punto de vista ambiental (Key y col.,
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
Figura 2.1.4. Proceso de medida de la radiacin en un entorno real.
Altura
vuelo
FOV
IFOV
GIFOV
Figura 2.1.5. Ilustracin grfica de los conceptos de IFOV y GIFOV.
- 13 -
La resolucin espacial de un sensor se refiere a la capacidad del mismo para obtener

informacin acerca de los detalles espaciales de la escena (Chuvieco, 1999). En los sensores
opto-electrnicos, se utiliza el concepto de campo de visin instantneo o instantaneous field of
view (IFOV), definido como la seccin angular en mrad observada por el sensor en un
determinado momento (Small, 2002). Tambin se suele utilizar la distancia sobre el terreno que
corresponde a ese ngulo o ground instantaneous field of view (GIFOV), el cual tiene en cuenta
la altura de vuelo y la velocidad de exploracin del sensor. Estos conceptos aparecen ilustrados
en la figura 2.1.5.
En el siguiente apartado destacamos las tcnicas de anlisis que se basan en la informacin
espacial anteriormente introducida.
2.2. Tcnicas espaciales

La teledeteccin espacial se plantea desde el punto de vista del anlisis e interpretacin de
una o varias imgenes digitales. Por tanto, las tcnicas de anlisis de este tipo de datos toman su
base en el procesado digital de imgenes (Haralick y Shapiro, 1992).
A pesar de que las tcnicas espaciales permiten obtener informacin sobre reas muy
extensas a bajo coste, el uso de un enfoque estrictamente espacial no est exento de algunas
limitaciones prcticas (Landgrebe, 2002). As, la posibilidad de extraer modelos complejos
utilizando exclusivamente informacin en el dominio espacial puede ser limitada. Este hecho ha
propiciado que, en la actualidad, las tcnicas espectrales sean las ms ampliamente utilizadas a
la hora de interpretar los datos terrestres adquiridos de forma remota (Richards y Jia, 1993).
Teniendo en cuenta las anteriores consideraciones, comenzamos el presente apartado
realizando una descripcin, a modo introductorio, del concepto de imagen digital. A
continuacin detallamos diferentes tcnicas de anlisis de imgenes digitales, particularizando
en las tcnicas ms ampliamente utilizadas en las aplicaciones que nos ocupan.
El concepto de imagen digital en teledeteccin

El proceso de adquisicin de una imagen digital por parte de un sensor de observacin
remota se basa en la exploracin secuencial, por parte del sensor, de la superficie terrestre. El
sensor adquiere, a intervalos regulares, la radiacin que proviene de los objetos sobre l
situados. La informacin recibida est en funcin de las caractersticas de la parcela del terreno
que observa el sensor en cada instante, y el tamao de sta ser una funcin de la resolucin
- 14 -
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
matriz almacena un nico ND.
ND del pixel en
coordenadas (x,y)
Lneas
Figura 2.2.1. Representacin de una imagen digital en forma de matriz de datos.
A continuacin describimos los antecedentes de algunas tcnicas clsicas de anlisis de

imgenes digitales, insistiendo especialmente en aquellas metodologas directamente
relacionadas con el trabajo descrito en la presente memoria.
2.2.1. Convolucin espacial y morfologa matemtica.

Convolucin espacial
Una de la tcnicas ms ampliamente utilizadas en el dominio espacial es el filtrado. Esta
tcnica se basa en un procesamiento de grupo en el que el ND para el pixel de la imagen
- 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).
Matemticamente, un operador de filtrado se puede representar como un operador que,

aplicado a la imagen de entrada, I, da lugar a una funcin de salida O=(I) (Pratt, 1991). De
forma conceptual, podemos distinguir entre dos tipos de filtros espaciales: lineales y no lineales.
Los filtros lineales se utilizan de forma habitual debido a su simplicidad (Haralick y Shapiro,
1992; Shen, 1996). Cuando el filtrado es lineal e invariante frente a desplazamientos espaciales,
el operador se corresponde con la operacin de convolucin espacial.
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
Figura 2.2.2. Operacin de convolucin sobre una imagen digital.
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 -
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
mediante la siguiente expresin:

O( x , y)
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).
- 17 -
Figura 2.2.3. Descomposicin multi-escala de una imagen en NDs.
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
que los pixels pertenecientes al fondo pertenecen al conjunto complementario XC.
- 18 -
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)
Donde Ka es el kernel o elemento estructural que rodea al pixel a de la imagen. Es decir, el

resultado de la dilatacin de un determinado objeto es una nueva forma, definida por los
elementos estructurales que rodean a cada pixel del objeto, tales que su interseccin con el
objeto inicial es distinta del conjunto vaco.
Por su parte, la erosin de un objeto X utilizando un elemento estructural K puede denotarse
como:
X K a I : K a X
(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
Figura 2.2.4. Interpretacin grfica de la operacin de erosin (izquierda) y dilatacin (derecha) de

una imagen binaria.
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
- 19 -
resultado de la dilatacin es el ensanchamiento espacial del objeto segn las propiedades

espaciales (forma y tamao) del elemento estructural. Por el contrario, la erosin (ver parte
derecha de la figura) consiste en una operacin de contraccin (shrinking) del objeto
dependiendo de la morfologa del elemento estructural utilizado. En el ejemplo descrito en la
figura 2.2.4 se ha utilizado como elemento estructural un cuadrado de ancho w. En la prctica,
los elementos estructurales ms utilizados debido a su simetra y sencillez son, precisamente,
estas formas cuadradas (Chen y col., 2002).
Adems de la erosin y la dilatacin, la morfologa matemtica dispone de otras operaciones
ms complejas (Serra, 1993). As, la apertura morfolgica de un objeto X respecto de un
elemento estructural K puede definirse de la siguiente forma:
X K (X K ) K
(2.2.4)
De forma similar, definimos la clausura morfolgica de un objeto X utilizando un elemento

estructural K como:
X K (X K ) K
(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 -
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.
Morfologa en niveles de gris.

Los conceptos de la morfologa binaria han sido extendidos al caso de imgenes en niveles
de gris o NDs (Sternberg, 1986). La idea fundamental de estas operaciones puede expresarse
considerando la imagen en NDs como una funcin f(x,y), en la que el valor en las coordenadas
(x,y) viene dado por el ND en dicho punto. Esta funcin puede ser tambin entendida como un
relieve sobre el que se desliza un elemento estructural K.
En la figura 2.2.6 se muestra el efecto obtenido al deslizar un elemento estructural sencillo
sobre una seccin unidimensional del relieve. Si el elemento estructural se desliza por la parte
exterior de la funcin tenemos el caso de la dilatacin, mientras que si se desliza por la parte
interior de la funcin tenemos el caso de la erosin. La figura 2.2.6 pone de manifiesto que la
variacin del tamao y forma del elemento estructural en operaciones morfolgicas es crtica:
as, la utilizacin de un elemento estructural pequeo permite conservar de forma muy
aproximada el aspecto de los rasgos de la imagen original, mientras que la utilizacin de un
elemento estructural grande tiende a eliminar los rasgos de la imagen original ms pequeos que
el elemento estructural. La alteracin del tamao del elemento estructural permite por tanto
conservar o eliminar determinadas frecuencias espaciales en la imagen.
- 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
Figura 2.2.6. Interpretacin grfica de las operaciones morfolgicas de erosin y dilatacin en

NDs.
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)
Por otra parte, la erosin de f(x,y) utilizando K se define como:
(f K )( x , y) Min f ( x s, y t) k(s, t)
(s, t ) K
(2.2.7)
De forma similar a las operaciones en morfologa binaria, la apertura y la clausura de f(x,y)

mediante K se definen, respectivamente, de la siguiente forma:
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 -
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
una operacin de resta en el caso de la dilatacin y una operacin de suma en el caso

de la erosin.
El doble sumatorio es reemplazado por el clculo del elemento mximo en el caso de
la dilatacin y del mnimo en la operacin de erosin.

Finalmente, el kernel de convolucin suele recibir el nombre de elemento estructural
en las operaciones morfolgicas.

Por razones ilustrativas, la figura 2.2.7 muestra un sencillo ejemplo de aplicacin de las
operaciones de erosin y dilatacin descritas a una imagen en NDs muy simple. En el ejemplo,
se utiliza un elemento estructural plano, de forma cuadrada y dimensiones 3x3. pixels.
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.
Como puede apreciarse, la operacin de erosin consiste en seleccionar el pixel con ND

mnimo en una vecindad alrededor del pixel considerado en un momento dado en la imagen
original. Este pixel se coloca en una posicin equivalente a la del pixel considerado en la imagen
original, pero en una imagen nueva que denominamos imagen erosionada. De forma similar, la
operacin de dilatacin selecciona el pixel con ND mximo en la vecindad que rodea al pixel
considerado en la imagen original. Este pixel se coloca en la misma posicin que el original en
- 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
Disco de 4 pixels de radio
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 -
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
Disco (radio = 2 pixels) Disco (radio = 4 pixels)
Disco (radio = 6 pixels)
Disco (radio = 8 pixels)
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.
Finalmente, destacamos que las operaciones de dilatacin y erosin en NDs pueden

aplicarse mltiples veces (de forma recursiva) en cada uno de los operadores de apertura y
clausura, acentuando as su efecto sobre los objetos de la imagen original (Wang y col., 1995).
El nmero de operaciones de erosin/dilatacin en cada apertura/clausura y el tamao del
elemento estructural determinarn, como es previsible, el rea de los objetos resaltados.
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.
- 25 -
Canal R
Operacin
Morfolgica
Canal G
Canal B
Operacin
Morfolgica
Operacin
Morfolgica
Resultado R
Resultado G
Resultado B
Figura 2.2.10. Aproximacin marginal a la morfologa cromtica.
La aproximacin marginal presenta la ventaja de ser sencilla de implementar (Ortiz, 2000).

Sin embargo, su principal inconveniente consiste en que no se trata de una operacin
morfolgica en el sentido estricto, sino de 3 operaciones morfolgicas sobre imgenes distintas.
Este hecho trae como consecuencia que las operaciones morfolgicas que se realizan en una
posicin (x,y) de la imagen afectan individualmente a cada componente de esa posicin, con lo
que el pixel resultante puede venir asociado a una combinacin de color no existente en la
imagen original. Esta problemtica aparece ilustrada en la figura 2.2.11 mediante un ejemplo,
utilizando una operacin de dilatacin con un elemento estructural cuadrado de 3x3 pixels.
Figura 2.2.11. Problemtica asociada a la aproximacin marginal a la morfologa cromtica.
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 -
Canal R
Resultado R
Canal G
Operacin
Morfolgica
Canal B
Resultado G
Resultado B
Figura 2.2.12. Aproximacin vectorial a la morfologa cromtica.
El problema que plantea la forma de actuar ilustrada en la figura 2.2.12 es la necesidad de

introducir una relacin de orden en el espacio de estos datos multivaluados. La funcin de
ordenacin, que puede ser parcial (Lambert y Chanussot, 2000), viene dada por la siguiente
expresin:
P : 3 Z ,
(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
- 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 -
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
El umbral ptimo t, segn el mtodo de Otsu, se calcula mediante la siguiente expresin,

basada en la seleccin del valor que maximiza una funcin dependiente de la varianza total de la
imagen y de la varianza en las dos clases resultantes del proceso de umbralizado, utilizando
dicho valor umbral:
2
t Arg _ Min B2
tG
T
(2.2.18)
El mtodo de Otsu ha sido aplicado de forma satisfactoria en numerosas aplicaciones de

segmentacin (Sahoo y col., 1988), incluyendo algunas relacionadas con imgenes obtenidas de
forma remota (Dulyakarn, 1999).
- 29 -
2.2.3. Crecimiento de regiones.

La fase de segmentacin descrita en el apartado anterior da como resultado una imagen
binaria con dos nicos NDs, de forma que uno de ellos viene asociado a objetos de inters,
mientras que el otro viene asociado a fondo (objetos o zonas no relevantes). Esta separacin
brusca entre componentes suele traer como consecuencia pequeas imprecisiones a la hora de
establecer de forma exacta el contorno y la distribucin espacial de los objetos (Haralick y
Shapiro, 1992).
Una de las aproximaciones ms utilizadas para solucionar este problema y obtener una
descripcin exacta del borde de los objetos segmentados es la tcnica denominada crecimiento
de regiones. Esta aproximacin se ha tenido en cuenta en el presente trabajo debido a que puede
ser extendida de forma sencilla para incluir informacin espectral, mediante la utilizacin de
criterios de similaridad en dicho dominio.
La tcnica de crecimiento de regiones parte del supuesto de que existe un conjunto de puntos
o regiones, denominados semillas (Adams y Bischof, 1994), que han sido obtenidos a partir
de un mtodo previo, por ejemplo, a partir de un proceso de segmentacin. Sean R i , i 1,.., r
las regiones semilla a partir de las cuales se inicia el proceso de crecimiento. El funcionamiento
del mtodo se basa en la realizacin de los pasos que a continuacin se enumeran.
1.-
En primer lugar, se establece un valor umbral de similaridad o tolerancia, T, que suele

obtenerse a partir de propiedades especficas de la imagen (Nalwa y Binford, 1986).
2.-
A continuacin, se selecciona una determinada regin semilla, R i .
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
funciones de vecindad utilizadas son las que se muestran en la figura 2.2.13,

denominadas conectividad-4 y conectividad-8 (Gonzlez y Woods, 2002).
V(R i ) I( x , y); Vx, y R i

4.-
(2.2.19)
Una vez obtenidos los pixels vecinos de la regin R i , se incorporan a R i todos

aquellos vecinos que satisfacen un criterio de similaridad con respecto a la regin. El
criterio de similaridad suele estar relacionado con el parecido entre los NDs de los
pixels vecinos y los pixels que componen la regin (Adams y Bischof, 1994). Esta
situacin aparece descrita en la expresin (2.2.20), donde S es una medida de

similaridad entre el ND del pixel I(x,y) y el ND de los pixels ri R i .
- 30 -
I( x , y) V(R i ) ri R i , SI(x, y), ri T R i R i I( x , y)

5.-
(2.2.20)
Si el paso 4 trajo como consecuencia la incorporacin de algn pixel a R i , se repiten

los pasos 4-6 hasta que ninguno de los vecinos sea incorporado a la regin.
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
Figura 2.2.13. Funciones de vecindad denominadas conectividad-4 y 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)
En caso de que se produzca esta situacin, es preciso comprobar el grado de similaridad

entre las regiones que se unen. Si las dos regiones son suficientemente similares, las regiones se
combinan para dar lugar a una nica regin, tal y como se muestra en la siguiente expresin:
S(R i , R j ) T R i R i R j
(2.2.22)
Si las regiones no son lo suficientemente similares, es decir, S( R i , R j ) T , las regiones no

se combinan y son susceptibles de crecer por separado, pero evitando que una crezca en la otra y
viceversa (Adams y Bischof, 1994).
La figura 2.2.14 muestra un ejemplo de la aplicacin de este proceso sobre una imagen
sencilla. Como puede apreciarse, el crecimiento depende de las propiedades de cada una de las
regiones, de forma que hay regiones que crecen en mayor medida que otras. El proceso de unin
de regiones tambin aparece ilustrado en el ejemplo, en el que se puede comprobar un caso en el
- 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
R6 y R8 crecen sin invadir la

regin resultante de la unin
de R4 y R9
Figura 2.2.14. Ejemplo de crecimiento de regiones utilizando una imagen sencilla.
Un aspecto a tener en cuenta a la hora de garantizar el buen funcionamiento de esta tcnica

es la necesidad de establecer de forma adecuada el umbral de similaridad inicial T. A
continuacin, realizamos algunas consideraciones acerca de las implicaciones de utilizar
diferentes criterios de similaridad (Gonzlez y Woods, 2002):
La utilizacin de un criterio de similaridad no demasiado estricto puede traer como
consecuencia el sobre-crecimiento de algunas regiones. Esta situacin aparece

ilustrada en la figura 2.2.15.
Por otra parte, la utilizacin de un criterio de similaridad muy estricto puede dar como
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 -
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.
- 33 -
Antes de finalizar el presente apartado, dedicado a tcnicas de anlisis de imagen basadas en

el dominio espacial, destacamos que la revisin metodolgica presentada en el mismo no
pretende completar un estudio exhaustivo de todas las tcnicas disponibles. Existen otras
muchas aproximaciones que han demostrado su utilidad en diversas aplicaciones, pero su
descripcin est fuera del mbito de la presente memoria. El objetivo fundamental del presente
apartado ha sido introducir las tcnicas que, de uno u otro modo, han inspirado los desarrollos
realizados en el trabajo que nos ocupa. Desde nuestro punto de vista, los mtodos espaciales
descritos resultan de suma importancia, puesto que pueden utilizarse para ampliar,
complementar y refinar los resultados obtenidos por otras aproximaciones que trabajan
exclusivamente en el dominio espectral. A continuacin, procedemos a describir estas
aproximaciones.
2.3. Tcnicas espectrales

Las tcnicas de teledeteccin espectral se basan en el hecho de que todos los materiales
presentes en el mundo real reflejan, absorben y emiten energa electromagntica de forma
distinta en diferentes longitudes de onda (Clark, 1999a).
En la actualidad, existe un amplio conjunto de instrumentos o sensores capaces de medir
singularidades espectrales en diferentes longitudes de onda a lo largo de reas espaciales
extensas (Landgrebe, 2002). La disponibilidad de estos instrumentos ha facilitado una
redefinicin del concepto de imagen digital a travs de la extensin de la idea de pixel. As, en
un esquema puramente espacial, un pixel est constituido por un nico valor discreto, mientras
que, en un esquema espectral, un pixel consta de un conjunto de valores. Estos valores pueden
ser entendidos como vectores N-dimensionales (Boardman y col., 1995), siendo N el nmero de
bandas espectrales en las que el sensor mide informacin.
La ampliacin del concepto de pixel da lugar a lo que se conoce como imagen multidimensional, como aparece ilustrado en la figura 2.3.1. En dicha figura, el orden de magnitud de
N permite realizar una distincin a la hora de hablar de imgenes multi-dimensionales. As,
cuando el valor de N es reducido, tpicamente unas cuantas bandas espectrales (Hsieh y
Landgrebe, 1998), se habla de imgenes multiespectrales, mientras que, cuando el orden de
magnitud de N es de cientos de bandas (Green y col., 1998), se habla de imgenes
hiperespectrales.
- 34 -
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
Figura 2.3.1. Ejemplo ilustrativo de una imagen multi-dimensional de 4 bandas.
El orden de magnitud de N permite realizar una distincin a la hora de hablar de imgenes

multi-dimensionales. As, cuando el valor de N es reducido, tpicamente unas cuantas bandas
espectrales (Hsieh y Landgrebe, 1998), se habla de imgenes multiespectrales, mientras que,
cuando el orden de magnitud de N es de cientos de bandas (Green y col., 1998), se habla de
imgenes hiperespectrales.
En este apartado presentamos el estado del arte en cuanto a las tcnicas de anlisis
hiperespectral, de forma previa a la descripcin de la nueva metodologa que proponemos para
el procesamiento de este tipo de datos, la cual ser presentada en captulos posteriores. El
apartado
comienza
analizando
algunas
caractersticas
funcionales
de
los
sensores
hiperespectrales ms relevantes en la actualidad. Seguidamente, se plantean los conceptos

fundamentales en los que se asienta el anlisis de datos hiperespectrales. El apartado finaliza
con una descipcin de las tcnicas y algoritmos de anlisis hiperespectral ms relevantes que
pueden encontrarse en la literatura.
2.3.1. Sensores hiperespectrales.

Comenzamos este apartado describiendo algunos aspectos acerca del funcionamiento de los
sensores hiperespectrales actuales, detallando el concepto de resolucin del sensor y los tipos de
resolucin existentes, los tipos de sensores segn la forma en que adquieren los datos, y el
concepto de relacin seal-ruido, uno de los parmetros ms importantes a la hora de determinar
las prestaciones del aparato de medida en el proceso de adquisicin de datos.
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.
Aspectos fundamentales sobre sensores hiperespectrales

Dentro de las caractersticas ms importantes de los sensores hiperespectrales, destacamos la
resolucin del sensor, el proceso de adquisicin de datos y la relacin seal-ruido.
Resolucin del sensor.

El concepto de resolucin puede estar referido a diferentes aspectos, entre los que se
encuentran la resolucin espacial, ya comentada, y las resoluciones espectral y radiomtrica,
que se describen a continuacin.
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 -
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).
Longitud de onda (nm)

300
0
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.-
Sensores de barrido (whiskbroom). Se basan en la oscilacin de un espejo mvil de

forma perpendicular a la trayectoria del sensor, permitiendo una exploracin en ambos
- 37 -
lados de la franja de la direccin de barrido. La informacin recibida por el

componente ptico se dirige a una serie de detectores que la amplifican y la convierten
en seal elctrica (Aspinall y col., 2002). Esta seal puede almacenarse a bordo o ser
transmitida hacia estaciones de tierra a travs de antenas receptoras. La figura 2.3.3
muestra un diagrama ilustrativo acerca del funcionamiento de un sensor hiperespectral
de barrido.
Oscilacin
espejo mvil
a
ne
L
Figura 2.3.3. Funcionamiento del un sensor hiperespectral de barrido (whiskbroom).
2.-
Sensores de empuje (pushbroom). No necesitan el espejo oscilante propio de los

sensores de barrido, pues estn provistos de una cadena de detectores que cubre el
campo de visin del sensor (Aspinall y col., 2002). En cada momento se explora una
lnea completa, lnea que se va desplazando simultneamente con la plataforma donde
se coloca el sensor. La figura 2.3.4 muestra un ejemplo de funcionamiento de un
sensor hiperespectral de empuje.
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 -
Cadena de
detectores
a
ne
L
Figura 2.3.4. Funcionamiento de un sensor hiperespectral de empuje (pushbroom).
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
- 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
s ' (x, y) n(x, y) s ( x , y)

2
(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 -
Sensores hiperespectrales utilizados

Una vez descritas de forma general las caractersticas ms importantes de los sensores
hiperespectrales, describimos de forma detallada las caractersticas de los sensores utilizados en
el presente trabajo. La tabla 2.3.1 muestra las caractersticas principales de los sensores
utilizados.
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
TABLA 2.3.1. RESUMEN DE CARACTERSTICAS GENERALES DE LOS SENSORES UTILIZADOS.
A continuacin, detallamos brevemente algunas de las principales peculiaridades de los

sensores anteriormente mencionados.
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:
- 41 -
Un avin ER-2 perteneciente a NASA/Jet Propulsion Laboratory. El ER-2 puede volar
a un mximo de 20 km sobre el nivel del mar, a una velocidad mxima de

aproximadamente 730 km/h.
Un avin denominado Twin Otter, capaz de volar a un mximo de 4 km sobre el nivel
del mar, a velocidades de 130 km/h.

Algunas de las caractersticas ms relevantes del sensor AVIRIS son las que se detallan a
continuacin:
El sensor utiliza un explorador de barrido (whiskbroom) que permite obtener un total
de 614 pixels por cada oscilacin.

La cobertura de la parte visible del espectro es realizada por un espectrmetro EFOS-
A, compuesto por un array de 32 detectores lineales.

La cobertura en el infrarrojo es realizada por los espectrmetros EFOS-B, EFOS-C y
EFOS-D, compuestos todos ellos por arrays de 64 detectores lineales.

La seal medida por cada detector se amplifica y se codifica utilizando 12 bits. Esta
seal se almacena en una memoria intermedia donde es sometida a una etapa de

preprocesado, siendo registrada a continuacin en una cinta de alta densidad de 10.4
Gb a velocidad de 20.4 Mb/s.
El sensor dispone de un sistema de calibracin a bordo (on-board calibrator), que
utiliza una lmpara halgena de cuarzo que proporciona la radiacin de referencia

necesaria para comprobar el estado de los diferentes espectrmetros.
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 -
A lo largo de los ltimos aos, el sensor ha ido mejorando sus prestaciones en cuanto
a la relacin seal-ruido. La figura 2.3.5 muestra una descripcin de las prestaciones

del sensor en cuanto a la relacin SNR a lo largo de los ltimos aos (Green y Pavri,
2000). Llama la atencin el considerable aumento de prestaciones que se ha producido
en los ltimos aos.
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
- 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
Separacin entre 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
TABLA 2.3.2. CARACTERSTICAS DE LOS DETECTORES DEL SENSOR DAIS 7915.
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
proporciona un total de 512 pixels por lnea.

El sensor dispone de dos fuentes de calibracin externa que permiten obtener una
elevada precisin a la hora de determinar el nivel promedio de energa de los datos

registrados.
La relacin SNR es reducida para las longitudes de onda comprendidas entre 2 y 2.5
nm, debido a fuentes de ruido en el detector 3 (Strobl y col., 1998).
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 -
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
Elementos inactivos (pre-escaneado).
Elementos de referencia (pre-escaneado)
Elementos de aislamiento (pre-escaneado)
512
Elementos detectores (pixels por lnea)
Elementos de aislamiento (post-escaneado)
Elementos de referencia (post-escaneado)
Elementos inactivos (post-escaneado)
TABLA 2.3.3. CARACTERSTICAS DE LOS DETECTORES DEL SENSOR ROSIS.
La calibracin espectral de los datos obtenidos por el sensor ROSIS se realiza en el

momento del vuelo, utilizando para ello los elementos de referencia mencionados en la tabla
2.3.3 (Gege y col., 1998).
En la actualidad, los sensores DAIS 7915 y ROSIS estn siendo utilizados dentro de la
iniciativa HySens de la Comunidad Europea, cuyo objetivo es proporcionar datos a diferentes
grupos europeos que realizan estudios en el marco de la teledeteccin y anlisis hiperespectral
(Mller y col., 2001).
2.3.2. Tcnicas de anlisis hiperespectral.

En este subapartado se describen los algoritmos existentes en la actualidad para analizar
imgenes hiperespectrales, enfatizando las posibilidades que ofrecen a la hora de evaluar el
grado de pureza de los pixels de la imagen. El subapartado comienza con una breve introduccin
al enfoque hiperespectral, en la que se introduce en el concepto de pixel puro y pixel mezcla y
las mtricas ms relevantes para el anlisis de datos hiperespectrales. Seguidamente, se realiza
una descripcin de las metodologas clsicas de anlisis de este tipo de datos.
- 45 -
Breve introduccin al concepto de anlisis hiperespectral

El anlisis hiperespectral se basa en la capacidad de los sensores hiperespectrales, descritos
anteriormente, para adquirir imgenes digitales en una gran cantidad de canales espectrales muy
cercanos entre s, obteniendo, para cada pixel, una firma espectral caracterstica de cada material
(Landgrebe, 2002). Este proceso facilita la identificacin y cuantificacin de los materiales
presentes en la escena (Shaw y Manolakis, 2002; Stein y col., 2002).
Sensor hiperespectral
Reflectancia
Imagen hiperespectral
224
bandas
0.4Longitud de onda (m)2.5
Firma espectral
Pixel hiperespectral
Figura 2.3.6. Procedimiento de anlisis 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 -
Concepto de pixel mezcla

La existencia de mezclas a nivel sub-pixel es un fenmeno bastante habitual en imgenes
hiperespectrales, como aparece ilustrado de forma grfica en la figura 2.3.7, en la que se
muestra la diferencia entre pixels puros y pixels mezcla.
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.-
Mezcla macroscpica. Si el tamao de pixel no es lo suficientemente grande para
separar diferentes materiales, dichos elementos ocuparn el espacio asignado al pixel,

con lo que el espectro resultante obtenido por el sensor ser en realidad un espectro
correspondiente a una mezcla de componentes (Chen, 1999). Esta situacin aparece
ilustrada mediante un ejemplo en las figura 2.3.8a y 2.3.8b.
2.-
Mezcla ntima. Pueden obtenerse pixels mezcla cuando diferentes materiales se
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.
- 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 -
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.
El fenmeno de la mezcla es caracterstico del mundo real, y tiene la propiedad de ocurrir

independientemente de la escala que sea considerada (Verhoeye y De Wulf, 2002). En ltimo
extremo, la mezcla de materiales tiene lugar a nivel microscpico (Vaughan y col., 2001). Por
este motivo, las tcnicas de anlisis deben tener muy en cuenta el fenmeno de la mezcla. En la
literatura existen modelos muy diversos que simulan las propiedades de la mezcla de
componentes en objetos del mundo real (Borel y Gerstl, 1994).
Mtricas para el anlisis de imgenes hiperespectrales

La distincin entre pixel puro y pixel mezcla pone de manifiesto que la operacin de
comparacin de firmas espectrales va a ser crucial para la determinacin del grado de pureza de
un determinado pixel (Faraklioti y Petrou, 2000). La determinacin del grado de similaridad
entre dos firmas espectrales puede ser realizada utilizando un amplio abanico de mtricas. Por
este motivo, la eleccin de una medida de similaridad apropiada resultar de gran importancia a
la hora de cuantificar e interpretar los resultados finales obtenidos (Sweet y col., 2000). A
continuacin, presentamos las mtricas de comparacin de firmas espectrales ms ampliamente
utilizadas en la literatura, destacando sus ventajas e inconvenientes principales.
Las medidas que van a ser introducidas en esta seccin no incorporan informacin acerca de
las propiedades fsicas de los objetos cuyas firmas espectrales son analizadas. Al contrario, las
magnitudes introducidas proporcionan una serie de mtricas comparativas que nicamente
permiten cuantificar el grado de similaridad entre dos firmas espectrales.
En la actualidad, la incorporacin de parmetros fsicos en las mtricas de comparacin y,
por tanto, en algoritmos de anlisis hiperespectral, ha comenzado a ser explorada en la literatura
- 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.
ngulo espectral (SAM).

Sean u y v dos firmas espectrales expresadas en forma de dos vectores N-dimensionales. El
coseno del ngulo espectral (Boardman y col., 1995) entre ambos vectores, denotado SAM(u,v),
se calcula mediante la siguiente expresin:
u, v
SAM(u, v ) cos
u v
2
(2.3.4)
Esta medida aparece frecuentemente denominada en la literatura simplemente como ngulo

espectral (Bruce y col., 2001). A continuacin, destacamos algunas caractersticas interesantes
relacionadas con esta medida:
z
u = (x0, y0, z0)
v = (x1, y1, z1)
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
comparados contienen valores de radiancia o reflectancia, los cuales son siempre

positivos (Keshava y Mustard, 2002). Esta situacin aparece ilustrada mediante un
- 50 -
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.
Divergencia espectral (SID).

Esta medida se basa en la entropa de las firmas espectrales comparadas (Chang, 2000). Sea
u u 1 , u 2 ,..., u N T un pixel de una imagen hiperespectral con N bandas. Si se satisface la

restriccin de que todos los componentes del vector u son no negativos, una suposicin que se
cumple este caso al estar compuesto u por valores de radiancia o reflectancia, puede definirse
una medida de probabilidad P para una determinada componente de dicho vector mediante la
siguiente expresin:
P u j p j u j ui
(2.3.5)
i 1
El vector p p1 , p 2 ,..., p N T se denomina vector de probabilidad asociado al pixel u. Para

calcular la divergencia espectral SID entre dos pixels u y v es necesario en primer lugar obtener
el vector de probabilidad asociado al pixel v. As, la medida de probabilidad P para una
determinada componente del vector v se calcula de la siguiente forma:
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)
- 51 -
Finalmente, la divergencia espectral entre los vectores u y v, denotada como SID(u,v), se

expresa de la siguiente forma:
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.
Error cuadrtico (SE) y error cuadrtico medio (RMSE).

Sean u u 1 , u 2 ,..., u N T y v v1 , v 2 ,..., v N T dos firmas espectrales expresadas en forma
de vectores N-dimensionales. El error cuadrtico entre ambas, denotado como SE(u,v), viene
dado por la siguiente expresin:
N
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)
Una vez descritas las mtricas de anlisis hiperespectral ms comunes, procedemos a

detallar las metodologas ms conocidas de anlisis hiperespectral, las cuales se caracterizan por
utilizar las mtricas anteriormente mencionadas.
Tradicionalmente, los algoritmos de anlisis hiperespectral se dividen en dos grandes grupos
(Manolakis y Shaw, 2002).
- 52 -
1.-
Algoritmos de clasificacin de pixels. Abordan el problema de la clasificacin desde
una perspectiva simplificada, suponiendo que los pixels estn constituidos por un
nico material.
2.-
Algoritmos de estimacin de abundancias. Contemplan el problema desde la
perspectiva de analizar, de forma pormenorizada, las diferentes sustancias que

cohabitan en un pixel mezcla. Esta aproximacin tambin se ha denominado anlisis
sub-pixel en la literatura (Manolakis y col., 2001).
A continuacin detallamos las caractersticas fundamentales de cada una de estas

aproximaciones, insistiendo en la descripcin de las diferentes metodologas existentes en cada
caso.
2.3.2.1. Algoritmos de clasificacin de pixels

La forma ms simple de abordar el problema de la clasificacin de pixels en una imagen
hiperespectral es considerar que los pixels de inters estn compuestos por un solo material,
utilizando las tcnicas convencionales de clasificacin de patrones (Chang y Ren, 2000) pero
con mayor precisin, debido al elevado nmero de bandas espectrales disponibles.
En la prctica, el uso de sensores hiperespectrales permite una mejor determinacin de la
composicin interna de cada pixel, que raramente estar compuesto por un nico material, pues
el fenmeno de la mezcla es muy habitual en el mundo real, independientemente de cul sea la
escala espacial considerada (Chen, 1999).
Existe un conjunto de tcnicas de clasificacin de patrones que realizan la interpretacin de
una escena obtenida de forma remota en base a la asignacin de una etiqueta o clasificacin
individual a cada uno de los pixels de la misma. Estas tcnicas ofrecen resultados interesantes en
determinadas aplicaciones, particularmente en las que se destacan a continuacin.
1.-
Clasificacin temtica. Las tcnicas de clasificacin han sido utilizadas de forma
satisfactoria en aplicaciones que tienen como objetivo la obtencin de un mapa

temtico en el que cada pixel de la imagen hiperespectral est debidamente etiquetado
como perteneciente a una clase concreta (Stehman, 1997). Puede existir una clase
adicional denominada "fondo" o "resto" que representa a los pixels que no han sido
clasificados en ninguna de las clases anteriores. El resultado ideal se obtiene cuando
todas las clases, incluyendo la clase "fondo", son mutuamente excluyentes entre s. La
tarea clave en este tipo de aplicaciones suele ser la determinacin del nmero de
clases y la caracterizacin de las mismas en trminos de datos de entrenamiento o
informacin de verdad-terreno.
2.-
- 53 -
Deteccin de targets. Las tcnicas de clasificacin tambin han sido utilizadas de

forma muy extensa en aplicaciones de deteccin de objetivos o targets en imgenes
hiperespectrales (Chiang y col., 2001). En este tipo de aplicaciones, el objetivo
fundamental es la identificacin de un material u objeto especfico (denominado
target en la bibliografa) entre todos los pixels de la imagen.
Conceptualmente, los dos problemas mencionados puede considerarse como un problema de

clasificacin binario:
En la deteccin de targets, los pixels son clasificados en dos clases, denominadas
"objeto" y "fondo", dependiendo de si contienen o no el target buscado.
En la clasificacin temtica, hay varias clases posibles asociadas a distintos objetos. El
objetivo es, en ltima instancia, determinar la existencia o no de cada uno de los
objetos considerados en cada pixel, situacin que puede expresarse como un problema
de clasificacin binario (Manolakis y Shaw, 2002).
Imagen hiperespectral
X
Radiancia
6000
rbol
Banda Y (1050 nm)
Suelo
Suelo
rbol
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
Suelo
rbol
Espacio de patrones
Banda X (600 nm)
Figura 2.3.11. Ilustracin grfica del problema de clasificacin en imgenes hiperespectrales.
El problema de clasificacin binaria se puede formular matemticamente del siguiente

modo. Sea R el espacio N-dimensional formado por todos los pixels de la imagen hiperespectral.
Sea u u 1 , u 2 ,..., u N T un vector N-dimensional, asociado a un pixel concreto. La
- 54 -
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.-
Algoritmos supervisados. Parten de un cierto conocimiento sobre las clases

existentes, a partir del cual pueden derivarse criterios de clasificacin. Esta
aproximacin suele venir dada por un paso previo en el que se seleccionan firmas
espectrales caractersticas de las clases existentes.
2.-
Algoritmos no supervisados. Presuponen que no existe ningn tipo de conocimiento

a priori sobre las clases existentes. El objetivo de estas tcnicas es identificar, de
forma automatizada, clases o agrupaciones de pixels, utilizando para ello una mtrica
de similaridad.
A continuacin, algunas de las aproximaciones ms relevantes en cada una de estas dos

categoras.
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.
Filtros de similaridad (MF).

Sea Ro el objeto a detectar y R f ui ; i 1,.., K el fondo, constituido por los pixels que no
pertenecen al objeto. Sean f y f, respectivamente, el vector promedio y la matriz de
covarianza del fondo, los cuales se definen de la siguiente forma:
- 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)
donde f1 es la inversa de la matriz de covarianza del fondo.

Los filtros de similaridad han sido utilizados en numerosos problemas de anlisis
hiperespectral, pues proporcionan un mecanismo eficiente para detectar objetos utilizando un
conocimiento previo acerca de los mismos (Funk y col., 2001). En particular, los filtros de
similaridad son muy populares en aplicaciones de deteccin de targets (Ifarraguerri y Chang,
1999), en las que han demostrado su eficacia como mtodo de identificacin de objetos.
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 -
Banda Y
Clase 1 (ngulo )
Clase 2 (ngulos < )

Banda X
Figura 2.3.12. Clasificacin de pixels utilizando el ngulo espectral.
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
- 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.
Tcnicas de evaluacin de algoritmos de clasificacin.

La gran cantidad de tcnicas existentes, as como la continua proliferacin de nuevas
metodologas, hace patente la necesidad de esquemas comparativos o mtricas que permitan
analizar de forma cualitativa el rendimiento de las nuevas metodologas planteadas,
contrastando sus resultados con los proporcionados por las ya existentes (Chang y Ren, 2000).
La mayor parte de las tcnicas de evaluacin de algoritmos de anlisis de imgenes digitales
de teledeteccin se basan en el concepto de verdad terreno, ampliamente utilizado en anlisis de
imgenes obtenidas de forma remota (Rellier y col., 2002). Podemos definir idealmente el
concepto de verdad terreno como el resultado de clasificacin o interpretacin ptimo al que
debe llegar un algoritmo (Madhok y Landgrebe, 1998; Tadjudin y Landgrebe, 1998).
La verdad terreno suele venir caracterizada por informacin relevante acerca de las
propiedades en el mundo real de un conjunto de objetos que se desean identificar o caracterizar.
Esta informacin suele obtenerse mediante mediciones realizadas directamente en la zona de
estudio cubierta por la imagen (Naesset, 2002), aunque tambin es posible obtener informacin
de verdad terreno mediante la aplicacin de tcnicas algortmicas (Clark y col., 1999a). En todo
caso, la primera alternativa es la ms fiable, aunque puede resultar costosa debido a la necesidad
de organizar campaas con instrumentacin de medidas sobre el terreno (Swayze y col., 1992;
Swayze y col., 1998; Bagheri y col., 2001; Chabrillat y col., 2001; Launeau y Despan, 2001;
Schott y col., 2001; Dennison y col. 2001; Vaughan y col., 2001).
Asumiendo la existencia de la informacin de verdad terreno, existen varias metodologas
que permiten comparar el resultado proporcionado por un algoritmo de anlisis de imgenes con
dicha informacin. En este apartado se presenta una breve descripcin de las diferentes mtricas
que se pueden aplicar para evaluar la habilidad de un algoritmo computacional en cuanto a la
clasificacin e identificacin de objetos de inters en una imagen digital obtenida de forma
remota. En concreto, destacamos dos de las aproximaciones ms ampliamente utilizadas: la
matriz de confusin y las curvas ROC.
- 58 -
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.-
Cada pixel se encuentra etiquetado como perteneciente a una determinada clase, de

forma que se tienen N clases o regiones de referencia R i i 1 .
N
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|
Figura 2.3.13. Ejemplo de construccin de una matriz de confusin.
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
- 59 -
cuantifica la precisin del algoritmo en la tarea de clasificacin. Como puede apreciarse, las
entradas de la matriz vienen expresadas en la forma a jk , siendo a jk cardinal C j R k , el

nmero de pixels de la regin resultante al efectuar la interseccin entre una clase C j obtenida
por el algoritmo y una clase verdad terreno R k (Congalton, 1989).
A partir de la matriz de confusin pueden derivarse algunas medidas de precisin genricas

(Jger y Benz, 2000; Nishii y Tanaka, 1999), como el porcentaje de acierto global (tanto por
ciento de pixels clasificados de forma correcta en todas las clases) y el porcentaje de fallo global
(tanto por ciento de pixels clasificados de forma incorrecta).
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 |
TABLA 2.3.4. NOMENCLATURA UTILIZADA EN ANLISIS ROC.
Las medidas mostradas en la tabla 2.3.4 se interpretan de la siguiente forma:
- 60 -
Verdaderos positivos (VPs): son los aciertos, es decir, el nmero de pixels
etiquetados de forma correcta por el algoritmo de clasificacin como pertenecientes al

objeto a detectar.
Falsos positivos (FPs): son las falsas alarmas, es decir, el nmero de pixels
etiquetados incorrectamente por el algoritmo de clasificacin como pertenecientes al

objeto.
Verdaderos negativos (TNs): son las desestimaciones correctas, es decir, el nmero
de pixels que el algoritmo etiqueta de forma correcta como no pertenecientes al objeto.

Falsos negativos (FN): son las omisiones, o el nmero de pixels que el algoritmo
etiqueta de forma errnea como no pertenecientes al objeto.

Teniendo en cuenta esta nomenclatura, podemos expresar el porcentaje de acierto global o
sensibilidad mediante la siguiente expresin:
H=
VPs
VPs + VNs
(2.3.15)
De forma similar, podemos expresar el porcentaje de fallo o especificidad mediante la

siguiente expresin:
F=
FPs
FPs + VNs
(2.3.16)
Las curvas ROC son representaciones grficas de la sensibilidad con respecto a la

especificidad. El rango de variacin de H y F es el intervalo [0,1]. As, la sensibilidad ser
perfecta si H=1 y F=0, mientras que la sensibilidad ser nula si H=F. La construccin de una
curva ROC se lleva a cabo mediante la obtencin de diferentes pares de puntos (H,F) a travs de
la seleccin de diferentes valores para una variable de decisin. En el caso de aplicaciones de
deteccin de targets en imgenes en NDs, la variable de decisin consiste en un valor umbral,
de forma que:
Los pixels cuyo ND est por encima del umbral establecido se consideran como
pertenecientes al objeto a detectar.

Los pixels cuyo ND est por debajo de dicho umbral se consideran como
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
- 61 -
(suelo). La construccin de la curva ROC se ha realizado mediante la seleccin de cinco NDs

umbrales equidistantes en el rango dinmico de la imagen resultante del algoritmo. La figura
pone de manifiesto que la construccin de curvas ROC permite obtener una medida cualitativa
de la bondad del algoritmo de deteccin, independientemente de la seleccin de valores
umbrales especficos.
Verdad terreno
Algoritmo
rboles (Objeto de inters)
rboles (Objeto de inters)
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
rea bajo la curva = 89%
0,2
0
0
0,2
0,4
0,6
0,8
Especificidad (F)
Figura 2.3.14. Ejemplo de construccin de una curva ROC.
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 -
2.3.2.2. Algoritmos de estimacin de abundancias.

Los mtodos de estimacin de abundancias se basan en la interpretacin adecuada del
fenmeno de la mezcla espectral, descrito con anterioridad. En numerosos trabajos (Bell y col.,
2002; Rand y Keenan, 2001) se ha demostrado que el espectro de un pixel mezcla puede ser
descompuesto en una coleccin de espectros "puros" o "caractersticos" (denominados
endmembers en la terminologa) y en un conjunto de valores denominados abundancias que
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.-
Modelo no lineal. Supone que los endmembers interactan segn un modelo no
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).
- 63 -
Comportamiento
lineal
Figura 2.3.15. Representacin grfica del modelo de mezcla lineal.
Comportamiento
no lineal
Figura 2.3.16. Representacin grfica del modelo de mezcla no lineal.
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).
En cualquier caso, conviene destacar que tanto el modelo lineal como el no lineal
constituyen una simplificacin del mundo real, en el que se producen efectos secundarios
debidos a la luz reflejada por las diferentes cubiertas, efectos de absorcin y difusin, sombras,
- 64 -
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.
Breve repaso del modelo no lineal de mezcla

En la literatura existen varias tcnicas orientadas a tratar efectos de mezcla no lineal como
los mostrados en la figura 2.3.16. En particular, estos efectos son abundantes cuando los
elementos implicados son cubiertas vegetales (Garca-Haro y Sommer, 2002), caso en el que los
errores obtenidos al utilizar modelo lineales de mezcla pueden ser elevados debido a los
numerosos efectos de dispersin mltiple introducidos (Hu y col., 2002).
Entre las tcnicas orientadas a tratar situaciones de mezcla no lineal en vegetacin destaca la
incorporacin de parmetros fsicos, conocidos a priori, acerca de las cubiertas vegetales
observadas y el comportamiento de la luz reflejada al interactuar con dichas cubiertas (Goel y
Thompson, 2000). La validez de estos modelos ha sido demostrada mediante experimentos en
laboratorio, en los que se adopta un modelo de reflectancia bidireccional (Gao y col., 2002), el
cual ha sido extrapolado a situaciones en el mundo real. Algunos experimentos realizados han
demostrado que la incorporacin de propiedades fsicas acerca de los objetos observados puede
dar lugar a precisiones muy elevadas en las simulaciones (Asner y col., 1998; Asner y Lobell,
2000; Zarco-Tejada y col., 2001).
En otras aplicaciones, por ejemplo en identificacin de minerales, el espectro resultante en
un pixel en el que tiene lugar una mezcla ntima de componentes no suele poder expresarse
como una combinacin lineal de endmembers (Johnson y col., 1983), por lo que el modelo no
lineal tambin puede mejorar de forma considerable los resultados proporcionados por el
modelo lineal.
- 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
suelen incorporar una gran cantidad de parmetros propios de la aplicacin concreta y

que, por tanto, resultan difciles de generalizar (por ejemplo, las propiedades fsicas de
las cubiertas vegetales son muy diferentes a las de suelos o minerales). Por el
contrario, el modelo lineal es simple, y puede adaptarse de forma sencilla a una gran
variedad de aplicaciones diferentes.
El estudio detallado de las propiedades de dispersin mltiple de los fotones
incidentes solamente es viable en la actualidad suponiendo que la mayor parte de las

superficies presentes en la escena son lambertianas, es decir, dispersan la luz por igual
en todas las direcciones (ver figura 2.1.3). Cualquier otra suposicin introduce
demasiada complejidad en los modelos empleados (Keshava y Mustard, 2002).
La aproximacin lambertiana antes comentada resulta apropiada en el caso de
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 -
El modelo lineal de mezcla

En este apartado describimos las tcnicas de anlisis hiperespectral basadas en el modelo
lineal de mezcla. El apartado comienza con una breve descripcin en trminos matemticos del
modelo. A continuacin, se plantean algunas limitaciones del mismo. Finalmente, se presenta la
metodologa tradicional de anlisis hiperespectral basada en el modelo lineal de mezcla,
describiendo sus pasos fundamentales y las distintas tcnicas disponibles para llevar a cabo cada
uno de estos pasos.
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)
donde E es el nmero total de endmembers, ci es un valor escalar que representa la

abundancia del endmember ei en el pixel s, y es un vector de error que debe ser lo ms
reducido posible.
La expresin (2.3.17) puede entenderse tambin desde un punto de vista matricial,
utilizando para ello la siguiente notacin, equivalente a la anterior:
s Ec w ,
(2.3.18)
donde s(x,y) es un vector columna de dimensin N; w es un vector de error de dimensin N;
c es un vector columna de dimensin E; y E es una matriz de dimensiones NxE. A continuacin,

enumeramos algunas consideraciones respecto a la notacin matricial que acabamos de
introducir:
Las columnas de la matriz E son los vectores endmembers, ei, i=1..E, cada uno de
ellos con dimensin N, tal y como se muestra a continuacin.
- 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
de los E endmembers en el pixel s(x,y), es decir, el vector c contiene un coeficiente de

abundancia para cada endmember.
c0
c
c 1
...

c E
(2.3.20)
El modelo lineal de mezcla puede interpretarse de forma grfica utilizando un diagrama de

dispersin entre dos bandas poco correlacionadas de la imagen, tal y como se muestra en la
figura 2.3.17.
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 -
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
variabilidad en la forma espectral de los pixels correspondientes a un mismo objeto

dentro de la imagen. Esta particularidad hace que pixels adyacentes, y pertenecientes a
un mismo material, puedan presentar una firma espectral diferente debido a
condiciones de iluminacin variable, efectos de sombra y a la relacin existente entre
los ngulos de incidencia y reflexin (ver figura 2.1.2). Este ltimo aspecto,
relacionado con la informacin angular, constituye un factor relevante en
determinadas aplicaciones, particularmente en estudios de vegetacin (Berger y col.,
2000; Berger y col., 2001; ESA, 2001).
Presencia de outliers. La variabilidad en los endmembers antes comentada puede
producir pequeas variaciones en la ubicacin de los puntos, dando lugar a outliers

(Hsieh y Landgrebe, 1998) o puntos que no pueden englobarse dentro del
hiperpolgono definido por los endmembers, con lo cual sus coeficientes de
abundancia estimados tienen valor negativo. Para solucionar este problema, algunos
autores han propuesto la utilizacin de endmembers falsos (Tompkins y col., 1997),
tal y como se muestra en la figura 2.3.18.
En la figura 2.3.18 se aprecia un caso en el que la variabilidad espectral hace que sea
necesario utilizar endmembers generados de forma artificial, de forma que el hiperpolgono
definido por estos endmembers engloba a todos los puntos de la imagen. La otra solucin para
representar los puntos fuera del tringulo implica la incorporacin de valores de abundancia
negativos en el modelo lineal de mezcla, lo cual no resulta conceptualmente atractivo.
Algunos autores (Staenz y col., 1998) descartan la utilizacin de endmembers "falsos" por
considerar que puede derivar en el uso de componentes cuyas caractersticas espectrales no se
encuentran presentes en ningn objeto perteneciente al mundo real. Por el contrario, otros
- 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
simplex buenos candidatos para ser utilizados como endmembers.

A modo de resumen de las ideas presentadas en este apartado, puede afirmarse que los
modelo lineales basado en identificacin de endmembers pueden ser sensibles a la presencia de
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 -
Mtodo clsico de anlisis.

La metodologa clsica de anlisis de imgenes hiperespectrales utilizando el modelo lineal
de mezcla aparece ilustrada en la figura 2.3.19 (Kruse y Huntington, 1996).
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
Figura 2.3.19. Metodologa clsica de anlisis de imgenes hiperespectrales.
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.-
Reduccin dimensional. Este paso es opcionalmente utilizado por ciertos algoritmos
con objeto de reducir la carga computacional de pasos sucesivos mediante la

eliminacin de ruido e informacin redundante en la imagen.
2.-
Identificacin de endmembers. En este paso se identifican las firmas espectrales
puras que se combinan para dar lugar a pixels mezcla en la imagen.

3.-
Estimacin de abundancias. La abundancia de las firmas espectrales puras o
endmembers es estimada en cada pixel de la imagen.

A partir del conjunto de pasos anteriormente descrito, el paso de identificacin de
endmembers y el paso de estimacin de abundancias pueden ser considerados problemas

separados (Manolakis y Shaw, 2002). As, en la literatura se encuentran ejemplos de mtodos de
- 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.
Anlisis de componentes principales.

El mtodo de anlisis de componentes principales o Principal Component Analysis (PCA)
aprovecha la elevada correlacin existente entre bandas consecutivas de una imagen
- 72 -
hiperespectral (Ifarraguerri y Chang, 2000). La transformacin PCA permite obtener un

conjunto reducido de bandas (denominadas autovectores) poco correlacionadas entre s,
(ortogonales, en el caso ideal) que contienen la mayor parte de la informacin presente en la
imagen original. As, el primer autovector contiene el mayor porcentaje de la varianza de la
imagen original; el segundo contiene mayor porcentaje de varianza que el tercero, y as
sucesivamente.
Las ltimas bandas de la descomposicin suelen venir caracterizadas por un escaso
contenido en cuanto a informacin relevante, estando en su mayor parte compuestas por el ruido
presente en la imagen original). De esta forma, la transformacin PCA permite separar ruido de
informacin til (Subramanian y col., 2001).
Es importante destacar que el conjunto de bandas resultante de la transformacin PCA es
obtenido a partir de combinaciones lineales de las bandas originales de la imagen (Eastman y
Fulk, 1993). El procedimiento utilizado se basa en la identificacin de un nuevo sistema de ejes
ortogonales sobre el que se proyectan los datos. Estos ejes tienen su origen en el vector
promedio de los datos, y son rotados de forma sucesiva con objeto de maximizar la varianza.
Los ejes se identifican a partir de la descomposicin de la matriz de covarianza de la imagen, ,
segn la expresin que se muestra a continuacin:
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
pixels y P es el nmero de pixels de la imagen.

El resultado de proyectar los pixels de la imagen hiperespectral sobre los nuevos ejes
obtenidos es una nueva imagen hiperespectral, formada por bi, i=1..N bandas (siendo N es el
nmero de bandas de la imagen original). Estas bandas, tambin denominadas componentes
principales, pueden obtenerse como proyecciones de un conjunto de autovectores que indican la
ponderacin a aplicar a cada una de las bandas originales. Adems, se obtiene un conjunto de i,
i=1..N autovalores (escalares) asociados, cuya magnitud indica la cantidad de informacin
contenida en los datos del autovector correspondiente (Lee y col., 1990). De esta forma, la
matriz de covarianza puede expresarse de la siguiente forma:
VV T ,
(2.3.22)
donde V es la matriz unitaria de autovectores y es la matriz diagonal de autovalores de .

La transformacin PCA aparece ilustrada de forma grfica en la figura 2.3.20. Como puede
- 73 -
apreciarse en la figura, esta transformacin permite obtener un nuevo sistema de coordenadas

sobre el que se proyectan los datos.
Banda Y
Componente 1
Componente 2
Banda X
Figura 2.3.20. Ilustracin grfica de la transformacin PCA.
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.
En la figura 2.3.21 se muestra un ejemplo de la aplicacin de la transformacin PCA a una

imagen hiperespectral real, que se describe en el apartado 4.3.1.4. La figura muestra las
- 74 -
primeras 20 bandas obtenidas a partir de la transformada PCA. Visualmente, puede

comprobarse que la presencia de ruido es mucho menor en las primeras bandas, aumentando de
forma considerable en las ltimas.
La transformacin PCA se utiliza de forma habitual para obtener representaciones efectivas
acerca de la distribucin de los datos en el espacio ocupado por los mismos (Ifarraguerri y
Chang, 2000). De este modo, una aproximacin bastante utilizada para obtener una idea de la
distribucin de los puntos de una imagen hiperespectral consiste en realizar un diagrama de
dispersin de dos de las bandas resultantes con mayor varianza, obtenidas como resultado de la
transformacin PCA. Esta aproximacin da como resultado diagramas en dos dimensiones que
resultan fcilmente interpretables. La figura 2.3.22 muestra un diagrama de dispersin entre las
dos primeras bandas obtenidas en la figura 2.3.21.
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.
Fraccin mnima de ruido.

La transformacin Minimum Noise Fraction, MNF, es un mtodo de reduccin dimensional
de imgenes hiperespectrales que consiste en la realizacin de los pasos que se describen a
continuacin (Green y col., 1988).
1.-
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.-
A continuacin, se estima la matriz de covarianza de la seal, S, y la matriz de

covarianza del ruido, R, utilizando la expresin 2.3.21.
3.-
Seguidamente, se obtiene un conjunto de componentes que contienen informacin

ponderada sobre la varianza presente en el conjunto de datos original. Para ello, se
- 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
La principal diferencia entre la transformacin PCA y la transformacin MNF es el hecho de

que, en el segundo caso, se realiza una descripcin ms detallada de la relacin existente entre la
cantidad de seal presente en la imagen y la cantidad de ruido (Curran y Dungan, 1989). De este
modo, la primera banda resultante de la transformacin MNF es la que presenta mayor relacin
SNR. La segunda banda presenta mejor SNR que la tercera, y as sucesivamente.
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.
Como consecuencia de la estimacin ms precisa de las condiciones de ruido presentes en la

imagen, en determinadas aplicaciones la descomposicin MNF puede ofrecer resultados ms
robustos que la transformada PCA (Gordon, 2000), pues es menos sensible a outliers y pixels
ruidosos. La transformacin MNF realiza una traslacin de los datos, de forma que el origen de
- 76 -
coordenadas es el centroide de la nube de puntos resultante. En ocasiones, esta caracterstica

permite obtener una mejor descripcin de los datos.
A ttulo comparativo, la figura 2.3.23 muestra las primeras 20 bandas obtenidas a partir de la
aplicacin de la transformada MNF sobre la imagen hiperespectral real anteriormente utilizada.
Una vez descritas las tcnicas ms comunes de reduccin dimensional, procedemos a
describir las metodologas ms utilizadas para realizar la tercera etapa de la metodologa clsica
de anlisis hiperespectral (identificacin de endmembers).
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. Estos mtodos se caracterizan porque el proceso de seleccin
de endmembers se realiza siguiendo un proceso supervisado basado en la observacin

de propiedades relativas al conjunto de datos analizado. La naturaleza supervisada de
este tipo de mtodos hace que raramente seleccionen endmembers asociados a ruido u
otras fuentes de error en la imagen original.
2.-
Mtodos semiautomticos. Estos algoritmos vienen caracterizados por combinar
procedimientos supervisados o interactivos con mdulos totalmente automticos.

3.-
Mtodos automticos. Estos mtodos se diferencian de los anteriores en su naturaleza
totalmente no supervisada. Conviene destacar que los procedimientos automticos

pueden derivar en la seleccin de firmas espectrales no reales desde un punto de vista
fsico.
Procedemos a describir cada una de las aproximaciones antes comentadas.
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.
- 77 -
Mtodo de seleccin manual.

El procedimiento ms sencillo para seleccionar un conjunto de endmembers a partir de una
imagen consiste en localizar, de forma manual, un conjunto de pixels de la imagen
hiperespectral en los que se conoce a priori que la abundancia de un determinado endmember es
elevada (Dalton y col., 2001). Existen herramientas interactivas que permiten realizar esta tarea
de forma visual (Bateson y Curtiss, 1996).
A pesar de que esta tcnica se ha utilizado de forma satisfactoria en algunas aplicaciones
(Kuo y Landgrebe, 2001), su utilizacin no es recomendable en trminos generales. El proceso
de seleccin manual es muy costoso, siendo precisa una fase de etiquetado de muestras que
puede requerir una gran cantidad de tiempo y recursos. Adems, este procedimiento es
susceptible de introducir errores en la fase de etiquetado de muestras (Jackson y Landgrebe,
2001).
Por otra parte, este esquema presenta el inconveniente aadido de que, en una imagen
hiperespectral tpica, la probabilidad de encontrar un pixel puro (con abundancia del 100% de
un determinado endmember) es remota, aunque s puede ser viable la identificacin de pixels
casi puros utilizando herramientas interactivas basadas en la definicin de regiones de inters o
ROIs (Dalton y col., 2001).
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.-
En primer lugar, se establece un valor umbral de tolerancia, T.
2.-
A continuacin, se determina de forma automtica el nmero de endmembers a

identificar. Este proceso se realiza mediante los siguientes pasos:
a. Se realiza una transformacin PCA sobre la imagen hiperespectral original, que
da como resultado un conjunto de vi, i=1..N autovectores y sus correspondientes
i autovalores, siendo N el nmero de bandas de la imagen.
b. A continuacin, se realiza un proceso en el que se suman los autovalores
obtenidos para las primeras bandas de la descomposicin PCA. Si la suma de
- 78 -
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
c. A partir del paso anterior, el nmero de endmembers se fija a D+1, es decir, el

nmero de vrtices necesarios para definir un hiperpolgono que engloba a
todos los puntos de un espacio de D dimensiones (Boardman y col., 1995).
3.-
Una vez identificado el nmero ptimo de endmembers, MEST proporciona al usuario

una herramienta interactiva mediante la cual se pueden realizar representaciones de las
bandas resultantes de la transformacin PCA, unas frente a otras. Tras un proceso
interactivo de prueba y error, el usuario selecciona los D+1 puntos que aparecen como
extremos en diferentes representaciones.
A pesar de proporcionar un mecanismo eficiente para evaluar la singularidad espectral de los

puntos, el principal inconveniente del mtodo MEST es sin duda su alto componente
interactivo, que hace que el anlisis de los datos no pueda ser realizado de forma rutinaria y
automatizada (Bateson y Curtiss, 1996). Por otra parte, el proceso de prueba y error empleado es
susceptible de descartar algunos puntos vlidos para ser utilizados como endmembers que no
aparecen como extremos en las representaciones de unas bandas frente a otras.
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
- 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.-
En primer lugar, el algoritmo asigna un ndice de pureza a todos los pixels de la

imagen. El contador de cada punto se inicializa al valor 0.
2.-
Seguidamente, se genera un vector unitario aleatorio, que recibe el nombre de skewer

o divisor (Theiler y col., 2000). El objetivo de este vector es particionar la nube de
puntos, como veremos a continuacin.
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.-
Tras la ejecucin de un nmero amplio de iteraciones, se obtiene como resultado una

imagen de pureza formada por los ndices asociados a cada uno de los pixels de la
imagen.
6.-
Utilizando el valor umbral especificado como parmetro, se seleccionan los puntos de

la imagen cuyo ndice de pureza asociado supera dicho valor umbral. Estos puntos son
etiquetados como puros. La figura 2.3.24 ilustra el procedimiento seguido hasta este
punto, suponiendo que se realizan tres iteraciones y que se seleccionan como
endmembers aquellos puntos que han sido seleccionados como extremos una o ms
veces.
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.-
Utilizando la herramienta anteriormente descrita, el usuario selecciona manualmente

aquellos puntos o agrupaciones de puntos que aparecen como extremos en
proyecciones sucesivas, identificando un conjunto final de endmembers. En el caso de
seleccionar una agrupacin de puntos, los endmembers se obtienen a partir del clculo
del espectro promedio en cada una de las regiones seleccionadas.
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
- 81 -
alternativas en el proceso de generacin de vectores unitarios para dividir el conjunto de datos.

Estas tcnicas se basan en la utilizacin de procedimientos inteligentes para identificar
direcciones privilegiadas en la nube de puntos.
La figura 2.3.25 muestra un ejemplo en el que se muestran las direcciones privilegiadas en
una representacin en forma de diagrama de dispersin de dos bandas poco correlacionadas en
una imagen multi-dimensional con cuatro endmembers, etiquetados como A, B y C. Como
puede apreciarse en la figura, la aplicacin de la transformacin MNF hace que el origen de
todos los vectores sea el centroide, , de la nube de puntos.
Banda j
B
Banda i
Figura 2.3.25. Identificacin de direcciones privilegiadas en la nube de puntos.
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 -
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.-
En primer lugar, el algoritmo realiza un proceso de reduccin dimensional de la

imagen mediante la transformada MNF.
2.-
A continuacin, tiene lugar una etapa de simplificacin de la imagen, basado en los

siguientes pasos:
a. Cada vez que un pixel es capturado por el sensor, se compara con una lista de
pixels ejemplares o endmembers. Si la distancia SAM (ver figura 2.3.10) entre
el pixel capturado y todos y cada uno de los pixels ejemplares es superior a min,
el pixel se aade al conjunto de ejemplares.
b. Si la distancia SAM entre el pixel capturado y alguno de los pixels ejemplares
es inferior a min, el pixel es eliminado.
- 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
Figura 2.3.26. Ilustracin grfica del mtodo ORASIS.
Como puede apreciarse en la figura 2.3.26, el mtodo ORASIS utiliza un procedimiento

iterativo para seleccionar las firmas espectrales ms singulares de la imagen. Es importante
destacar que este mtodo no produce endmembers artificiales, es decir, los
endmembers
extrados necesariamente se corresponden con pixels presentes en la imagen original.

La principal limitacin del mtodo ORASIS es su sensibilidad al parmetro min, que debe
fijarse cuidadosamente con vistas a no eliminar pixels susceptibles de ser seleccionados como
endmembers a las primeras de cambio. No obstante, el algoritmo se ha implementado de forma
eficiente mediante un mdulo hardware a bordo del sensor (Bowles y col., 1995), lo cual hace
de ORASIS una de las escasas alternativas en la actualidad para seleccionar endmembers en
tiempo real durante el momento de adquisicin de las imgenes.
- 84 -
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.-
Inicialmente, se selecciona un nmero aleatorio de pixels (dependiendo del primer

parmetro) y se etiquetan como endmembers. Esta seleccin inicial ser refinada de
forma iterativa.
2.-
El segundo paso consiste en seleccionar un pixel cualquiera de la imagen original.

Este pixel va reemplazando de forma sucesiva a cada uno de los endmembers
inicialmente seleccionados.
3.-
Cada vez que tiene lugar un reemplazamiento, se calcula el volumen del

hiperpolgono definido por los endmembers iniciales no sustituidos y el nuevo punto
considerado.
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.-
Los pasos 2-5 se repiten de forma iterativa hasta que no se producen ms

reemplazamientos.
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
- 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
Volumen 1 > Volumen 2

Banda X
Figura 2.3.27. Seleccin de endmembers en el mtodo N-FINDR.
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 -
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.-
El primer paso consiste en seleccionar un vector inicial, que habitualmente es el vector

promedio de todos los datos de la imagen (centroide), y se etiqueta como endmember.
2.-
A continuacin, se realiza un proceso de estimacin de abundancias utilizando el

vector anteriormente mencionado. La estimacin se efecta utilizando una tcnica de
mnimos cuadrados que ser explicada en detalle en apartados posteriores. Al tratarse
del pixel menos puro en trminos espectrales, el proceso de estimacin de abundancias
dar lugar a errores RMSE significativos en la mayor parte de los puntos.
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
- 87 -
mtodo de mnimos cuadrados para la estimacin de abundancias propicie un coste

computacional elevado del algoritmo.
Una particularidad del mtodo es que no tiene en cuenta la distribucin espectral de los
endmembers seleccionados, con lo que pueden tenerse muchos endmembers en una determinada
zona y muy pocos en otra, tal y como se muestra en la figura 2.3.28.
Endmember 1
Endmember 2
Endmember 3
y
Endmember 4
Figura 2.3.28. Distribucin espectral irregular de endmembers en el mtodo IEA.
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 -
Un conjunto de E neuronas de salida que forma una capa unidimensional de tipo

competitivo. Cada una de estas neuronas representa uno de los posibles endmembers
que se pretenden obtener.
Conexiones hacia delante que unen cada una de las N neuronas de entrada con las E
neuronas de salida. Cada una de estas conexiones almacena un peso, de forma que el
conjunto de todos los pesos puede ser representado mediante una matriz W.
Conexiones laterales entre las E neuronas de la capa de salida, las cuales indican la
influencia de una cierta neurona (la neurona ganadora) sobre sus vecinas durante una
etapa de actualizacin de pesos.
Conexiones autorecurrentes de cada neurona de salida sobre s misma.
Firmas
espectrales
W
(endmembers)
Imagen
clasificada
E
N
Figura 2.3.29. Arquitectura de la red SOM para identificacin automtica de endmembers.
Utilizando la arquitectura anteriormente descrita, la red es entrenada con un conjunto de

firmas hiperespectrales. Hay dos posibilidades en cuanto a la fase de entrenamiento:
1.-
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.-
Para solucionar el problema anteriormente comentado, el autor propone aadir al

proceso un sistema de discriminacin previo capaz de seleccionar un subconjunto
reducido de pixels puros para entrenar la red. Este subconjunto puede ser obtenido
mediante mtodos manuales, como los que se han visto anteriormente, o bien
- 89 -
mediante mtodos automticos. Una futura lnea de trabajo consiste en utilizar la

metodologa propuesta en esta memoria como pre-procesado para la red SOM.
Despus de la fase de entrenamiento, los pesos asociados a cada neurona de salida de la red
contienen informacin relativa a los endmembers de la imagen. Esta red puede tambin ser
utilizada para proporcionar un resultado de clasificacin, sin ms que volver a introducir cada
uno de los pixels de la imagen por la capa de entrada. Para cada pxel, se activar la neurona
(ganadora) cuyo peso (endmember) asociado se parezca ms a la firma de entrada introducida
(Martnez y col., 2001; Prez y col., 2001).
Con objeto de ofrecer una visin global sobre los mtodos de identificacin de endmembers
presentados hasta el momento, la tabla 2.3.5 muestra un resumen de las principales
caractersticas de los mtodos descritos. Como puede apreciarse en la tabla, una caracterstica
comn de todos los mtodos comentados es la no utilizacin de informacin espacial en el
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
Ninguna
No
IEA
Ninguna
No
SOM
Ninguna
No
TABLA 2.3.5. PRINCIPALES CARACTERSTICAS DE LOS MTODOS DE EXTRACCIN DE ENDMEMBERS

DESCRITOS.
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 -
No-negatividad. Consiste en que los coeficientes de abundancia no son nunca

negativos, es decir, la abundancia de un determinado material en un pixel estar
siempre entre 0 (abundancia nula) y 1 (abundancia total). Esta limitacin restringe las
posibles mezclas que se producen en un mismo vector, tal y como puede observarse
en una de las mezclas mostradas en la figura 2.3.17.
Suma unitaria. Consiste en que la suma de todos los coeficientes de abundancia debe
ser la unidad. Esta restriccin resulta atractiva desde un punto de vista conceptual,
pero puede introducir algunas inconsistencias a la hora de realizar el proceso de
estimacin (Daz y col., 1992), en particular, cuando el mtodo de identificacin de
endmembers no asegura la deteccin de todos los endmembers presentes en la imagen
para su utilizacin en el proceso de inversin.
Las tcnicas de estimacin de abundancias que incorporan las restricciones anteriormente
utilizadas se denominan tcnicas totalmente restringidas (Heinz, 2001), o Fully Constrained
Linear Spectral Unmixing (FCLSU).
En este apartado presentamos los mtodos disponibles en la literatura para estimar las
abundancias de dichos elementos puros en la imagen original, utilizando siempre un modelo
lineal de mezcla. Los mtodos existentes pueden agruparse en dos categoras fundamentales:
1.-
Mtodos de mnimos cuadrados. Se basan en minimizar el error RMSE cometido al

realizar la estimacin.
2.-
Mtodos que utilizan un nmero de endmembers variable. No utilizan un nico

endmember para caracterizar cada material, sino un conjunto ms o menos amplio de
firmas espectrales. El objetivo de estas tcnicas es incorporar la idea de variabilidad
espectral en el proceso de desmezclado.
A continuacin describimos cada una de estas aproximaciones.
Mtodos de mnimos cuadrados

Si consideramos un determinado pixel de la imagen s(x,y), situado en las coordenadas
espaciales (x,y), podemos definir el funcionamiento del mtodo de mnimos cuadrados mediante
una simple operacin de inversin. En la literatura se han propuesto numerosas alternativas
diferentes para solucionar el problema de inversin matricial, como la utilizacin de la pseudoinversa (Daz, 1994) o redes neuronales de Hopfield (Prez, 1995). En nuestro caso, la
operacin utilizada se basa en minimizar el error RMSE entre dicho pixel y la mejor
aproximacin del mismo que puede obtenerse utilizando la matriz de endmembers obtenida, E,
- 91 -
y un vector de coeficientes de abundancia, c(x,y) asociado al mismo (Keshava y Mustard,

2002). Este vector contiene un coeficiente por cada endmember. En trminos matriciales, la
solucin al sistema de ecuaciones lineales segn el mtodo de mnimos cuadrados puede
calcularse de la siguiente forma:
s( x, y) E c (x, y) c (x, y) E 1 s(x, y) E T E
E T s (x, y)
(2.3.25)
Esta expresin se caracteriza porque minimiza el error RMSE, s x, y E c (x, y)2 . No
obstante, las restricciones opcionales de no-negatividad y suma unitaria no se encuentran

incorporadas. Por este motivo, el mtodo descrito aparece identificado en la literatura como
desmezclado espectral lineal no restringido o Linear Spectral Unmixing (LSU).
Incorporacin de la restriccin de suma unitaria

Para incorporar la restriccin de suma unitaria al procedimiento LSU, se aplica el siguiente
proceso. Sea z un vector fila, de dimensiones 1xE, con todas las componentes iguales a 1, de
forma que se satisface z c (x, y) 1 . La obtencin del vector de coeficientes que satisface la
anterior restriccin de suma unitaria, c SU (x, y) , puede obtenerse aplicando multiplicadores de
Lagrange (Kay, 1993).
Incorporacin de la restriccin de no negatividad

La minimizacin de
sx, y E c(x, y)2
manteniendo ci (x, y) 0, i 1,.., E
es un
problema tpico de programacin lineal, y se caracteriza por presentar complejidad

computacional de orden cuadrtico (Keshava y Mustard, 2002). En la prctica, la restriccin de
no negatividad se incorpora de forma eficiente mediante la utilizacin del algoritmo de mnimos
cuadrados no negativos (Lawson y Hanson, 1974). Esta aproximacin consiste en estimar de
forma iterativa el valor de c, de forma que en cada iteracin se busca una solucin por mnimos
cuadrados pero solamente para aquellos coeficientes de c que son no negativos, utilizando las
columnas de la matriz E asociadas a estos coeficientes. As, la estimacin de los coeficientes de
abundancia de forma que se satisface la restriccin de no negatividad, c NN (x, y) , se basa en
minimizar s (x, y) E pos c (x, y) 2 , de forma que:

1.-
E pos E en aquellas columnas en las que c NN (x, y) 0 .
- 92 -
El vector nulo aparece en las columnas en las que c NN (x, y) 0 .
Radiancia (W/cm2/nm/sr)
2.-
7000
Grass - trees
6000
Grass - pasture
5000
Corn - notill
4000
Soybean - notill
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
Imagen hiperespectral original
endmembers identificados
Clculo del vector c(x,y)

en cada pixel de la
imagen hiperespectral
Mapas de abundancia
(uno por endmember)
Figura 2.2.35. Interpretacin grfica del concepto de mapa de abundancia.
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.
Mtodos que utilizan un nmero de endmembers variable

En esta categora destaca fundamentalmente un algoritmo que realiza el proceso de inversin
para estimar las abundancias utilizando un conjunto variable de endmembers. Se trata del
mtodo Mltiple Endmember Spectral Mixture Analysis, MESMA, el cual se describe a
continuacin.
MESMA.
Este mtodo utiliza el siguiente procedimiento para realizar el proceso de desmezclado
(Roberts y col., 1998):
1.-
En primer lugar, se considera un pixel concreto de la imagen hiperespectral.
2.-
- 93 -
A continuacin, se prueban de forma iterativa diferentes modelos de mezcla en dicho

pixel, utilizando conjuntos diferentes de endmembers obtenidos directamente a partir
de una librera espectral previamente disponible.
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.-
El proceso anteriormente descrito se repite para todos los pixels de la imagen.
El funcionamiento del algoritmo MESMA presenta una serie de particularidades que

conviene resaltar:
A diferencia de las aproximaciones vistas hasta el momento, el nmero de
endmembers utilizado para desmezclar una imagen puede ser considerablemente
mayor que el nmero de endmembers que realmente se encuentran en cualquier pixel
individual de la escena.
Por otra parte, es posible utilizar en cada pixel de la escena un conjunto diferente de
endmembers.
La complejidad computacional del algoritmo es considerable, pues se basa en un
procedimiento de prueba y error que utiliza distintos conjuntos de endmembers,
tratando de obtener el mnimo error RMSE posible.
El elemento clave en el buen funcionamiento del algoritmo es la disponibilidad de una
librera espectral adecuada, de forma que pueda abordarse de forma viable el proceso
de desmezclado a nivel de pixel.
2.4. Tcnicas que combinan informacin espacial y espectral

En apartados anteriores se han descrito los antecedentes de las tcnicas de anlisis de
imgenes remotas basadas en aproximaciones espaciales y espectrales. Las tcnicas basadas
exclusivamente en el dominio espacial presentan la limitacin de que una caracterizacin
precisa de los objetos del mundo real necesitara una resolucin espacial demasiado elevada,
circunstancia no soportada por los sensores actuales (Landgrebe, 2002).
- 94 -
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
Figura 2.4.1. Ejemplo ilustrativo de la importancia de no considerar nicamente la informacin

espectral en el anlisis de una imagen hiperespectral.
A partir de la figura 2.4.1, parece razonable introducir metodologas que incorporen

informacin relativa al dominio espacial a la hora de analizar imgenes hiperespectrales. De
hecho, las tcnicas espaciales y espectrales se necesitan mutuamente, puesto que las
aportaciones de unas compensan las carencias de las otras y viceversa (Madhok y Landgrebe,
1998).
En el presente apartado describimos las metodologas existentes en la literatura que integran
informacin espacial y espectral en el anlisis de imgenes hiperespectrales. Conviene destacar
- 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.
A continuacin se describe el estado del arte en la literatura de cada una de las

aproximaciones anteriormente mencionadas, caracterizadas porque el tratamiento en los
dominios espacial y espectral se realiza de forma separada.
2.4.1. Procesamiento espectral seguido de procesamiento espacial.

Dentro de este apartado destacan las metodologas propuestas por Madhok y Landgrebe,
1998, y Jimnez y Rivera-Medina, 1999. En ambos casos, los autores utilizan un procedimiento
denominado clasificacin contextual, el cual viene dado por una serie de etapas que se describen
a continuacin.
1.-
En primer lugar, tiene lugar un proceso de reduccin dimensional de la imagen

hiperespectral, basado en la transformacin PCA. (Jimnez y col., 2000)
2.-
A continuacin, se realiza una fase de clustering o agrupamiento de patrones no

supervisado en el dominio espectral. Los autores proponen dos aproximaciones
diferentes para llevar a cabo esta etapa: los mtodos ISODATA y K-Means. Como
resultado de esta etapa, cada pixel de la imagen original es asociado a una determinada
clase.
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.-
Finalmente, en una ltima etapa se realiza un post-procesado que tiene en cuenta la

informacin contextual alrededor de cada pixel. En el post-procesado, las asociaciones
entre pixels y clases en el mapa temtico anteriormente obtenido pueden ser
modificadas. Los pasos realizados durante esta etapa son los siguientes:
- 96 -
a. En primer lugar, se considera un determinado pixel del mapa temtico.

b. A continuacin, se define una funcin de vecindad que rodea a dicho pixel. Las
funciones consideradas por los autores son las denominadas conectividad-4 y
conectividad-8 (ver figura 2.15).
c. El siguiente paso consiste en determinar la clase predominante en la vecindad.
d. Por ltimo, el pixel analizado se asocia a la clase predominante anteriormente
identificada. De este modo, es posible que la clasificacin inicialmente
establecida para el pixel se vea modificada por la informacin contextual
alrededor del mismo.
La tcnica de clasificacin contextual proporciona resultados adecuados cuando el resultado
de clasificacin inicial es satisfactorio (Jimnez y Rivera-Medina, 1999). Segn los autores, el
principal inconveniente de esta aproximacin consiste en que su principio de funcionamiento
presupone que siempre existe una gran similaridad, en trminos espectrales, entre pixels
cercanos en el dominio espacial.
rbol
Pasto
Proceso
Contextual
Clasificacin espectral
Clasificacin final
Figura 2.4.2. Modificacin errnea de la clasificacin inicial en el dominio espectral.
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.
- 97 -
2.4.2. Procesamiento espacial seguido de procesamiento espectral.

Recientemente, se han propuesto diversas aproximaciones que utilizan un procesamiento
espacial seguido de un post-procesado en el dominio espacial (Pina y Barata, 2000; Hudgins y
col., 2001; Gardner y col., 2001). Las tcnicas propuestas pueden resumirse en una serie de
etapas que se describen a continuacin:
1.-
En primer lugar, se obtiene una representacin espacial de la informacin contenida en

la imagen hiperespectral. Este paso ha sido abordado en la literatura de varias formas
diferentes:
a. Una primera opcin consiste en utilizar una banda concreta de la imagen,
asociada a una determinada longitud de onda (Pina y Barata, 2000).
Obviamente, esta opcin tiene el problema de que las caractersticas de la banda
seleccionada pueden condicionar de forma decisiva el proceso de anlisis
espacial, debido al diferente comportamiento de los objetos en distintas
longitudes de onda. Esta situacin aparece ilustrada mediante un ejemplo en la
figura 2.3.3. Como puede apreciarse en la figura, la seleccin de una u otra
banda para el procesamiento puede derivar en la prdida de la informacin
espacial relativa a algunos objetos, debido a respuestas espectrales muy
similares por parte de objetos diferentes en una misma longitud de onda. Por
tanto, esta aproximacin requiere un conocimiento preciso de la respuesta
espectral de los objetos a caracterizar, lo cual puede limitar su utilizacin en
aplicaciones diferentes.
b. La segunda opcin consiste en obtener una representacin simplificada de la
informacin hiperespectral en forma de imagen en niveles digitales, de forma
que la representacin obtenida contenga la mayor cantidad de informacin
posible del conjunto de datos original (Kruse, 2000). En esta memoria se han
descrito varias tcnicas que permiten obtener esta representacin, como las
transformaciones PCA y MNF. Las primeras bandas obtenidas a partir de
dichas transformaciones son, por tanto, susceptibles de ser utilizadas para
realizar el procesamiento espacial inicial.
2.-
Una vez obtenida una representacin espacial de la imagen, esta representacin es

procesada mediante tcnicas exclusivamente espaciales, como las descritas en el
apartado 2.1 del presente captulo. En este sentido, diversos trabajos han propuesto la
utilizacin de tcnicas de filtrado espacial combinados con operadores detectores de
rasgos lineales (Gardner y col., 2001), operadores morfolgicos (Pina y Barata, 2000)
y tcnicas de crecimiento de regiones (Hudgins y col., 2001).
- 98 -
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
4000
4000
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.-
El primer apartado contiene una descripcin de los primeros intentos realizados,

enfocados a la tarea de identificar firmas espectrales puras, planteando las limitaciones
encontradas. Estas primeras experiencias constituyen la base sobre la que se asientan
los fundamentos de la metodologa que posteriormente hemos desarrollado.
2.-
Una vez expuestas estas primeras aproximaciones y sus limitaciones, presentamos la

nueva metodologa de anlisis hiperespectral propuesta, basada en la combinacin de
tcnicas de morfologa matemtica y crecimiento de regiones, cuya principal
caracterstica es el tratamiento integrado de informacin espacial y espectral. La
descripcin metodolgica de esta nueva tcnica viene acompaada de detalles acerca
de su implementacin, incluyendo comentarios sobre las diferentes opciones de diseo
consideradas e insistiendo en las ventajas e inconvenientes de cada opcin
implementada, as como en su complejidad computacional.
A continuacin, describimos los algoritmos de anlisis hiperespectral diseados, cuyos

resultados sern presentados de forma detallada en el siguiente captulo.
- 100 -
Captulo 3. Mtodos.
3.1. Primeros intentos

En este apartado detallamos nuestros primeros pasos para abordar la identificacin
automtica de firmas espectrales puras o endmembers de la imagen. Estas primeras
aproximaciones resultaron de gran utilidad a la hora de identificar los requisitos fundamentales
de la metodologa finalmente propuesta, pues sus ventajas e inconvenientes condicionaron las
decisiones de diseo finalmente adoptadas. El apartado est organizado de la siguiente forma.
1.-
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.-
A continuacin, se presentan y evalan preliminarmente una serie de mtodos para la

identificacin de endmembers mediante tcnicas que solamente tienen en cuenta el
dominio espectral de la imagen. Las experiencias realizadas con estos mtodos
confirman la necesidad de incorporar informacin espacial en el proceso de anlisis,
ya apuntada en el apartado 2.4.
3.-
Por ltimo, se plantea la utilizacin de tcnicas que consideran tanto la informacin

espacial como la espectral. Teniendo en cuenta los antecedentes presentados en el
captulo 2, describimos los primeros intentos realizados en cuanto al desarrollo de
tcnicas capaces de combinar informacin espacial y espectral de forma simultnea.
Imgenes test y metodologa de evaluacin

Las imgenes de prueba utilizadas en el presente captulo han sido generadas utilizando
firmas espectrales reales, obtenidas a partir del sensor AVIRIS. En el apartado 4.2.1 del
siguiente captulo puede encontrarse una justificacin de las ventajas obtenidas al utilizar
imgenes simuladas para evaluar de forma preliminar los algoritmos diseados, as como una
descripcin detallada del procedimiento utilizado para generar dichas imgenes.
Como puede apreciarse en la figura 3.1.1, las dos imgenes consideradas se caracterizan por
su reducido nmero de pixels (en ambos casos, 8x7=56 pixels en total). Esta caracterstica hace
que dichas imgenes sean nicamente vlidas para efectuar una evaluacin preliminar de los
mtodos propuestos. Las firmas espectrales utilizadas en el proceso de generacin de las
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.
La imagen catalogada como imagen_test_1 contiene tres regiones: R V , formada por 18

pixels de vegetacin; R S , formada por 15 pixels de suelo; y R M , formada por 23 pixels
obtenidos artificialmente a partir de mezclas entre vegetacin y suelo con aproximadamente la

misma contribucin.
Por su parte, la imagen catalogada como imagen_test_2 est formada por cuatro regiones en
forma de bandas verticales con anchura de 2 pixels y altura de 8 pixels. Las regiones son R V ,
compuesta por pixels de vegetacin; R M , compuesta por mezclas entre vegetacin y suelo con
aproximadamente la misma contribucin; R M ' , compuesta por mezclas entre vegetacin y suelo
con mayor contribucin de vegetacin; y R S , compuesta por pixels de suelo.
Finalmente, conviene destacar que las firmas espectrales utilizadas para generar las regiones
anteriormente descritas se caracterizan por una ligera variabilidad espectral, es decir, no se
utiliza siempre la misma firma espectral para simular los pixels englobados en una misma
regin, sino firmas obtenidas a partir de pixels similares en una imagen hiperespectral real (ver
figura 4.2.1). Esta opcin se ha adoptado por los motivos que se detallan a continuacin:
Las imgenes reales vienen caracterizadas por pequeas irregularidades en el terreno y
condiciones de iluminacin variable, las cuales se traducen en ligeras variaciones

espectrales entre pixels pertenecientes a una misma regin.
- 102 -
Captulo 3. Mtodos.
A la hora de generar las imgenes mostradas en la figura 3.1.1, no se ha simulado la
relacin SNR del instrumento de medida. Como se mencion en el apartado 2.3.1,

dedicado a la descripcin de los principales sensores hiperespectrales, el ruido en
dichos aparatos suele ser de tipo impulsivo, lo cual se traduce en pequeas variaciones
en las mediciones espectrales obtenidas. Las imgenes sintticas utilizadas en el
prximo captulo se caracterizan por una simulacin mucho ms precisa del ruido del
sensor.
Haciendo uso de las dos imgenes anteriormente descritas, proponemos la utilizacin de una
sencilla metodologa para evaluar las tcnicas propuestas a lo largo del captulo. El esquema de
evaluacin utilizado se basa en la comprobacin de una serie de propiedades que enumeramos a
continuacin:
1.-
Sensibilidad del mtodo con respecto a los parmetros de entrada utilizados.
2.-
Impacto de la variabilidad espectral en los resultados proporcionados por el mtodo.
3.-
Estimacin sobre el coste computacional del mismo.
4.-
Grado de automatizacin.
5.-
Cantidad de informacin descartada por el mtodo en los dominios espacial y

espectral.
6.-
Integracin de informacin espacial y espectral.
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.
3.1.1. Tcnicas que solamente consideran el dominio espectral

En este apartado describimos las primeras aproximaciones que nos planteamos para la
identificacin de endmembers, basados en tcnicas puramente espectrales. En este sentido, se
evaluaron dos aproximaciones preliminares al problema, las cuales son expuestas a
continuacin.
Identificacin de direcciones privilegiadas.

Esta primera tcnica surgi con motivo de subsanar una de las principales limitaciones del
mtodo de identificacin de endmembers PPI, descrito en el apartado 2.3.2.2. La limitacin
Captulo 3. Mtodos.
- 103 -
radica en que PPI no incorpora procedimientos para identificar direcciones privilegiadas en el

espacio N-dimensional, entendiendo por direcciones privilegiadas aquellas en cuyos extremos
se encuentran los elementos espectralmente puros, tal y como se apunt en la descripcin del
mtodo PPI.
En este apartado proponemos una alternativa al procedimiento anteriormente mencionado,
consistente en un proceso de barrido o sondeo sistemtico del espacio N-dimensional en busca
de direcciones privilegiadas, en las cuales suele haber una mayor concentracin de puntos,
como se ilustr en la figura 2.3.25. El procedimiento utilizado para localizar direcciones
privilegiadas consta de los pasos que a continuacin se enumeran:
1.-
En primer lugar, se calcula el centroide global de la nube de puntos.
2.-
A continuacin, se determina el elemento ms extremo de la nube de puntos mediante

un proceso en el que se calcula la distancia SAM de todos los puntos con respecto al
centroide. El elemento que resulta en una distancia mxima es etiquetado como
endmember, y se almacena en una lista de elementos puros LP. En lo sucesivo, nos
referimos a este elemento como .

3.-
Dada su condicin de elemento puro, es probable que constituya el extremo de una

direccin privilegiada en la que hay una alta concentracin de puntos, motivada por la
mezcla de dicho elemento con otros en distintas proporciones. Con objeto de
identificar direcciones privilegiadas en el espacio N-dimensional que tienen a como
extremo, utilizamos el siguiente procedimiento:
3.1. En primer lugar, se define un objeto con forma de cilindro de radio , centrado
en y cuyo extremo es el punto .
3.2. Este objeto se gira de forma aleatoria en el espacio N-dimensional, procurando
recorrer las direcciones de forma regular.
3.3. Si la proporcin entre el nmero de puntos incluidos dentro del cilindro en una
determinada direccin y el nmero total de puntos de la imagen supera un
determinado valor umbral, introducido como parmetro, la direccin analizada
se considera privilegiada y se calcula el punto extremo opuesto a . Este punto,
E1, se etiqueta como endmember y se almacena en la lista LP.
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.-
Sensibilidad a parmetros de entrada. El mtodo propuesto es sensible al radio del
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 -
algunos resultados preliminares obtenidos al aplicar el mtodo a la imagen_test_1.

Como puede apreciarse en la parte izquierda de la figura, la utilizacin de cilindros de
radio pequeo hace que queden muchos puntos de la nube sin evaluar, siendo
necesario realizar ms iteraciones. Por otra parte, la utilizacin de cilindros con radio
grande soluciona el problema anteriormente comentado, pero puede dar lugar a la
deteccin de endmembers redundantes al considerarse como privilegiadas direcciones
que son muy similares, como se aprecia en la parte derecha de la figura 3.1.3.
RV
RV
Direccin
privilegiada 2
RM
RM
Muchos puntos sin evaluar

(direccin puede considerarse
no privilegiada)
Direccin
privilegiada 1
rs
be s
em nte
dm nda
En edu
r
RS
RS
Figura 3.1.3. Aplicacin del mtodo de identificacin de direcciones privilegiadas sobre la

imagen_test_1 utilizando cilindros de radio pequeo (parte izquierda) y radio grande (parte
derecha).
2.-
Impacto de la variabilidad espectral. Como puede apreciarse en la figura 3.1.3, el
mtodo es sensible a la variabilidad espectral, siendo necesario ajustar el radio del

cilindro en funcin del grado de variabilidad presente en la imagen.
3.-
Coste computacional. El coste computacional del mtodo puede resultar elevado si el
radio del cilindro empleado es pequeo en comparacin con la variabilidad espectral

de la imagen, puesto que el nmero de iteraciones del algoritmo necesarias en ese caso
aumenta considerablemente. En caso de aumentar dicho radio, el coste computacional
decrece, pero aumenta el riesgo de detectar endmembers redundantes.
4.-
Grado de automatizacin. El mtodo propuesto se ejecuta de forma totalmente
automtica, una vez introducidos los parmetros de entrada.
- 106 -
5.-
Captulo 3. Mtodos.
Informacin descartada. Al tratarse de un mtodo que utiliza nicamente
informacin en el dominio espectral, toda la informacin relativa a la correlacin

espacial de los pixels en la imagen es descartada.
6.-
Grado de integracin de informacin espacial y espectral. El mtodo no considera
la integracin de ambas fuentes de informacin en el proceso de identificacin de

endmembers.
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.
Identificacin de endmembers utilizando el centroide de la imagen.

Esta tcnica presenta un principio de funcionamiento similar al de la tcnica basada en
identificacin de direcciones privilegiadas. A diferencia de dicha tcnica, en este caso los
endmembers se identifican a partir de la distancia SAM entre los puntos de la imagen y el
centroide, . El procedimiento utilizado se basa en la realizacin de los siguientes pasos:

1.-
Asociar a cada punto de la imagen un contador de pureza. Todos los contadores son
inicializados a cero.
2.-
Calcular el centroide global, , de la nube de puntos.
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.
A continuacin, evaluamos de forma preliminar el mtodo utilizando el esquema habitual:
Captulo 3. Mtodos.
1.-
- 107 -
Sensibilidad a parmetros de entrada. Experimentalmente, hemos comprobado que
el mtodo es sensible al valor umbral establecido para seleccionar los endmembers. La

seleccin de un valor bajo puede derivar en la identificacin de muchos candidatos,
mientras que la seleccin de un valor elevado puede propiciar la prdida de
endmembers extremos en algunas direcciones.
2.-
Impacto de la variabilidad espectral. El mtodo resulta sensible a la variabilidad
espectral y, en general, a la estadstica de la imagen (distribucin de puntos en la

misma). Esta situacin aparece ilustrada en la figura 3.1.4, en la que se muestran
algunos resultados preliminares obtenidos al aplicar el mtodo a la imagen_test_1
(parte izquierda) y a la imagen_test_2 (parte derecha). En esta figura se aprecia cmo
la ubicacin del centroide depende del nmero de puntos puros y el nmero de puntos
mezcla. La variabilidad en la ubicacin del centroide produce diferentes valores en la
estimacin de la pureza de los puntos extremos, e1 y e2, circunstancia que no resulta
razonable debido a que la extremidad de dichos es la misma en las dos imgenes
consideradas, independientemente de dnde quede ubicado el centroide.
RV
RV
e1
RM
SAM(,e1)
RM
RM
e1
SAM(,e1)
RS
SAM(,e2)
RS
SAM(,e2)
e2
e2
Figura 3.1.4. Influencia de la estadstica de las imgenes imagen_test_1 (parte izquierda) e

imagen_test_2 (parte derecha) en la ubicacin del centroide y el consiguiente clculo del ndice de
pureza de los endmembers.
3.-
Coste computacional. En la prctica, el coste computacional de este mtodo es ms
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.
Grado de automatizacin. A pesar de que el clculo de los contradores de pureza
asociados a cada pxel de la imagen se realiza de forma automtica, la seleccin del

valor umbral para seleccionar el conjunto final de endmembers se realiza de forma
totalmente manual.
5.-
Informacin descartada. Al igual que en el mtodo anteriormente comentado,
nicamente se considera la informacin en el dominio espectral, con lo que la

informacin espacial es totalmente descartada.
6.-
Grado de integracin de informacin espacial y espectral. Nuevamente, el mtodo
no considera la integracin de ambos tipos de informacin.

A partir de la limitacin relativa a la dependencia del mtodo con respecto a la estadstica de
la imagen, parece claro que la utilizacin del centroide global de la imagen puede acarrear
problemas en la estimacin de la pureza de cada pixel. La solucin a este problema puede
consistir en utilizar centroides locales, que no vienen condicionados en exceso por las
estadsticas de la imagen, particularmente cuando la localidad alrededor del pixel es reducida.
De este modo, podemos obtener propiedades globales acerca de la imagen mediante el anlisis
de pequeas porciones de la misma, reduciendo de forma considerable el efecto negativo
producido por las estadsticas globales. Este enfoque es el tradicionalmente utilizado por las
tcnicas espaciales clsicas de procesado digital de imgenes, como se mostr en el apartado
2.2.1 de la presente memoria. Por otra parte, la limitacin relativa a la dependencia del valor
umbral para seleccionar los endmembers indica que sera deseable utilizar una metodologa
automtica capaz de seleccionar el valor umbral ptimo para identificar el conjunto final de
endmembers de forma robusta.
3.1.2. Tcnicas que utilizan informacin espacial y espectral.

En este subapartado describimos dos aproximaciones preliminares al problema de considerar
la informacin espacial y espectral de la imagen de forma conjunta. Las ventajas de integrar
ambos tipos de informacin fueron analizadas en detalle en el apartado 2.4.
La primera aproximacin realizada se basa en el desarrollo de una herramienta que permite
visualizar la informacin espacial y espectral asociada a un determinado pixel de la imagen.
Utilizando la informacin proporcionada por dicha herramienta, en una segunda aproximacin
exploramos un primer intento de combinar la informacin en los dominios espacial y espectral.
Captulo 3. Mtodos.
- 109 -
Visualizacin de la informacin espacial y espectral asociada a un pixel.

Como hemos mencionado anteriormente, la primera aproximacin a la integracin
simultnea de informacin espacial y espectral consisti en el desarrollo de una herramienta
capaz de visualizar las firmas espectrales de todos los puntos incluidos en la vecindad de un
determinado pixel, seleccionado de forma interactiva en la imagen.
A la hora de abordar el desarrollo de esta herramienta, el primer aspecto tenido en cuenta fue
el modo en que el entorno local alrededor de cada pixel deba ser considerado. Siguiendo una de
las aproximaciones ms ampliamente utilizadas en la literatura, descrita en el apartado 2.2.1, se
opt por utilizar funciones de vecindad o kernels, con determinadas propiedades espaciales en
cuanto a forma y tamao, alrededor de cada pixel. Los kernels inicialmente utilizados se
caracterizaron por su simplicidad, y consistieron en ventanas cuadradas de diferente tamao.
Primera prueba
Segunda prueba
K3
Tercera prueba
K3
K1
Figura 3.1.5. Estudio de la variabilidad espectral en la vecindad espacial alrededor de un pxel.
La figura 3.1.5 muestra algunos ejemplos obtenidos a partir de la herramienta descrita,

utilizando como base la imagen_test_2. En la primera prueba, el kernel K1 (5x5 pixels) abarca
una zona en la que se producen mezclas de un elemento espectralmente puro en distintas
proporciones, dando lugar a cambios muy sutiles en las firmas espectrales visualizadas. En la
segunda prueba, K2 (3x3 pixels) cubre una zona en la que la variabilidad espectral es menor, con
lo que la variabilidad en las firmas espectrales obtenidas es mucho menor. Finalmente, en la
tercera prueba se utiliza un kernel (K3, 2x2 pixels) cuya anchura y forma se asemeja a la
- 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.-
Sensibilidad a parmetros de entrada. La herramienta diseada es sensible al
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.-
Impacto de la variabilidad espectral. Como puede apreciarse en la figura 3.1.5, la
variabilidad espectral obtenida est en funcin del ajuste del kernel a la forma de los
objetos de la imagen.
3.-
Coste computacional. La herramienta se ha diseado de forma que se analiza la
vecindad local a partir de un determinado pxel, por lo que el coste computacional

depender del tamao de kernel escogido. En cualquier caso, la herramienta
nicamente visualiza firmas espectrales sin realizar otro tipo de operaciones, por lo
que el coste computacional es reducido.
4.-
Grado de automatizacin. La herramienta diseada se caracteriza por ser totalmente
interactiva, siendo necesario seleccionar un determinado pixel de la imagen para

obtener un resultado. Por lo tanto, el grado de automatizacin presente en la
herramienta es reducido.
5.-
Informacin descartada. La informacin descartada viene dada por las propiedades
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.-
Grado de integracin de informacin espacial y espectral. Esta herramienta viene
marcada por un alto grado de integracin entre la informacin espacial y espectral,

que son consideradas de forma simultnea.
A partir de las anteriores aseveraciones, deducimos que la forma y tamao de la funcin de
vecindad utilizada tiene una gran influencia en la variabilidad espectral observada en las
cercanas del pixel estudiado. Esta sencilla experiencia pone de manifiesto la viabilidad de
obtener operadores detectores capaces de incorporar propiedades espaciales y espectrales
similares a las de los objetos que se desean identificar en la imagen. Obviamente, el diseo de
estos operadores queda supeditado al conocimiento previo de las caractersticas de la imagen. A
Captulo 3. Mtodos.
- 111 -
continuacin describimos brevemente los primeros intentos realizados en el diseo de este tipo
de detectores.
Detectores en el dominio espacial y espectral.

Haciendo uso de la informacin proporcionada por la herramienta descrita en el apartado
anterior, el siguiente paso consisti en disear operadores detectores capaz de identificar objetos
en una imagen utilizando de forma combinada la informacin espacial y espectral.
La figura 3.1.6 muestra un ejemplo de un operador detector de tamao de 4x4 pixels,
diseado especficamente para detectar zonas de vegetacin pura, con respuesta espectral
conocida a priori, que se encuentran rodeadas por zonas en la que la vegetacin aparece en un
grado de crecimiento ligeramente inferior sobre el suelo. Segn el diseo el operador, se supone
que la anchura de la zona de vegetacin con mayor crecimiento es de 2 pixels.
Vegetacin pura
80% Vegetacin + 20% Suelo

4000
5000
4000
3000
2000
1000
0
300
600
900
1200
1500
1800
2100
Longitud de o nda (nm)
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
donde p(x,y) y k(x,y) denotan, respectivamente, el pixel de la imagen hiperespectral y el

pixel del detector en la posicin (x,y), y K es el detector utilizado. El valor de similaridad
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.
A continuacin, evaluamos la tcnica basada en detectores espaciales/espectrales utilizando

los criterios habituales:
1.-
Sensibilidad a parmetros de entrada. Este mtodo es sensible a las propiedades
espaciales (tamao y forma) y espectrales (firmas asociadas a cada pxel) del detector
Captulo 3. Mtodos.
- 113 -
considerado. Al igual que en la aproximacin anterior, el ajuste de dichas propiedades

permitir caracterizar objetos con mayor precisin.
2.-
Impacto de la variabilidad espectral. El impacto de la variabilidad espectral sobre el
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.-
Coste computacional. El coste de esta metodologa depende de las propiedades
espaciales y espectrales de los detectores considerados. El operador se mueve por

todos los pixels de la imagen, por lo que el tamao de la imagen tambin influye en el
coste computacional del mtodo. Experimentalmente, hemos comprobado que, cuando
el tamao de los detectores utilizados es moderado (entre 3x3 pixels y 25x25 pixels,
con hasta 224 valores espectrales por pixel), el procesamiento de la imagen puede
realizarse en un tiempo razonable (en el prximo captulo se presentan resultados
cuantitativos acerca del coste computacional de las tcnicas desarrolladas).
4.-
Grado de automatizacin. La herramienta diseada se caracteriza por ser semi-
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 descartada. Una de las ventajas de este mtodo es que no se descarta
informacin a lo largo del proceso, puesto que todos los pixels de la imagen son
procesados analizando la informacin espacial y espectral.
6.-
Grado de integracin de informacin espacial y espectral. El proceso de deteccin
se caracteriza por considerar la informacin espacial y espectral de forma simultnea.

En base a las propiedades de las dos tcnicas descritas en este apartado, podemos enumerar
una serie de consideraciones:
La utilizacin de funciones de vecindad locales alrededor de cada pixel de la imagen
permite analizar las propiedades espaciales y espectrales de los elementos que

aparecen englobados en el interior de dicha vecindad. Adems, este enfoque permite
considerar la informacin espacial y espectral de forma simultnea.
Esta aproximacin es sensible a las propiedades de la funcin de vecindad utilizada, lo
cual permite ajustar el proceso de anlisis a la deteccin de objetos cuyas propiedades
- 114 -
Captulo 3. Mtodos.
son conocidas de antemano, permitiendo as la incorporacin de informacin a priori

en el proceso.
En el caso de no disponer de informacin previa sobre los rasgos de inters en la
imagen, la utilizacin de una nica funcin de vecindad puede no resultar suficiente

para caracterizar la totalidad de los objetos presentes en la imagen. En este caso,
siguiendo los conceptos de las aproximaciones multi-escala vistas en el captulo de
antecedentes (apartado 2.2.1), puede utilizarse un conjunto de funciones de vecindad
de distinto tamao.
Las consideraciones anteriormente mencionadas han sido tenidas muy en cuenta a la hora de
adoptar decisiones de diseo en la metodologa finalmente propuesta, la cual se describe en el
siguiente apartado del captulo.
3.2. Metodologa propuesta

En este apartado describimos la nueva metodologa que proponemos para la identificacin
de firmas espectrales puras o endmembers en la imagen. A partir de los primeros experimentos,
descritos en el apartado anterior, los requerimientos que nos planteamos a la hora de disear esta
metodologa son los siguientes:
El mtodo debe poder ser adaptado a diferentes aplicaciones y situaciones
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
el uso de parmetros para favorecer su adaptabilidad.

La informacin descartada por el mtodo a la hora de identificar firmas espectrales
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
espacial y espectral de forma simultnea, con motivo de no favorecer a ninguna de

ellas a lo largo del proceso.
Captulo 3. Mtodos.
- 115 -
La descripcin de la metodologa propuesta se basa en una serie de pasos que se describen a

continuacin:
1.-
Inicialmente, presentamos un esquema para extender las operaciones morfolgicas,

introducidas en el apartado 2.2.1, al caso de imgenes hiperespectrales. Este paso
permite obtener operadores morfolgicos extendidos capaces de caracterizar de forma
precisa cada uno de los pixels de la imagen en el dominio espacial y espectral.
2.-
A continuacin, se describe en detalle el algoritmo propuesto, basado en la aplicacin

de operadores morfolgicos extendidos sobre la imagen original, tarea que se
complementa con tcnicas de crecimiento de regiones.
A la hora de describir las diferentes etapas de la metodologa propuesta, insistimos en los

motivos que nos han llevado a escoger la realizacin y secuenciamiento de cada una de las
etapas mencionadas, as como en aspectos de diseo tales como parmetros de entrada y
resultados proporcionados en cada paso.
3.2.1. Extensin de la morfologa a imgenes hiperespectrales.

En primer lugar, enumeramos algunos puntos clave que nos han llevado a introducir un
esquema basado en conceptos de morfologa matemtica.
Como se coment en el apartado 2.2.1, las tcnicas morfolgicas son no lineales. El
proceso de identificacin de endmembers es una tarea esencialmente no lineal, por lo

que la morfologa matemtica puede resultar adecuada para llevar a cabo dicha tarea.
Un endmember es, como se vi en el apartado 2.3.2.2, un elemento espectralmente
puro que representa a otros elementos en la imagen. Las operaciones morfolgicas se

basan en la seleccin local de pixels que cumplen unas determinadas caractersticas en
relacin con sus vecinos, por lo que estas operaciones pueden constituir una
alternativa razonable para identificar endmembers.
Adems, una de las caractersticas fundamentales de las operaciones morfolgicas es
su gran adaptabilidad. La utilizacin de funciones de vecindad de diferentes tamaos y

formas permite adaptar el funcionamiento de los operadores morfolgicos a muy
diversas situaciones, as como incorporar informacin a priori sobre la imagen. Este
hecho puede favorecer el proceso de seleccin de endmembers en aplicaciones en las
que se tiene un cierto conocimiento previo sobre las caractersticas de los objetos a
identificar.
- 116 -
Captulo 3. Mtodos.
Por otra parte, las tcnicas morfolgicas se caracterizan por abordar el anlisis global
de una imagen mediante el tratamiento separado de pequeas porciones de la misma.

Este enfoque presenta una serie de caractersticas interesantes:
a. En primer lugar, este modo de actuar permite la localizacin de puntos
extremos locales en la imagen que compiten entre s hasta que se obtienen
puntos extremos globales. Esta aproximacin estructurada a la bsqueda de
endmembers es totalmente novedosa, y puede solventar el componente de
aleatoriedad presente en metodologas ampliamente utilizadas en la actualidad,

como el mtodo PPI (ver descripcin en apartado 2.3.2.2).
b. Adems, el tratamiento de diferentes porciones de la imagen es totalmente
independiente y, por tanto, susceptible de ser realizado en paralelo mediante
arquitecturas hardware diseadas de forma especfica, favoreciendo el
rendimiento en trminos computacionales del mtodo de anlisis.
Finalmente, cabe destacar que la morfologa matemtica es una tcnica muy
consolidada en el anlisis de datos espaciales, y adems es susceptible de ser

extendida al dominio espectral, como se describi en el apartado dedicado a
morfologa cromtica en el captulo de antecedentes.
Una vez expuestos los argumentos que nos han llevado a escoger la morfologa matemtica
como base de nuestro algoritmo, presentamos un esquema para introducir las operaciones
morfolgicas bsicas, definidas originalmente para imgenes binarias, en niveles de gris y en
color (ver apartado 2.2.1) al caso de imgenes hiperespectrales.
Como se mencion en dicho apartado, las operaciones morfolgicas se basan en el clculo
del valor mximo y mnimo en una vecindad o regin espacial alrededor de cada pixel de la
imagen, donde la forma y tamao de la regin considerada vienen determinadas por las
propiedades espaciales de una funcin de vecindad denominada elemento estructural.
La determinacin de los valores mximo y mnimo viene supeditada a la existencia de una
relacin de orden entre los pixels de la imagen. En el caso de imgenes binarias y en niveles de
gris, el orden viene dado por la intensidad o nivel digital asociado a cada punto. Sin embargo, el
principal problema a la hora de extender las operaciones morfolgicas clsicas, basadas en el
clculo de valores mximos y mnimos, al caso de imgenes hiperespectrales, consiste en la
ausencia de una relacin de orden en los pixels de la imagen. Este hecho se debe al carcter
vectorial de dichos pixels, que no vienen caracterizados por un valor discreto sino por un vector
de N valores, donde N es el nmero de bandas espectrales en las que el sensor puede medir
informacin.
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)
f(x,y) denota un vector de N dimensiones asociado con el pxel de la imagen en las
coordenadas espaciales (x,y).
K f ( x , y); (x, y) Z 2 (K ) es un conjunto que denota los vectores que pertenecen al

elemento estructural utilizado en las operaciones morfolgicas, donde Z 2 (K ) es el
conjunto de posiciones (s,t) de dicho elemento.
M es el nmero de elementos en la vecindad impuesta por el elemento estructural K
alrededor del pixel f(x,y).

k(s,t) es el vector asociado a cada uno de los elementos del elemento estructural.
Finalmente, Dist es la distancia entre los vectores correspondientes a los dos pixels
f(x,y) y f(x,y) de la imagen.

En base a las anteriores aseveraciones, podemos definir la distancia acumulada D entre un
determinado pixel, f(x,y); (x,y)K, y el resto de los elementos de K mediante las siguientes
expresiones, de las cuales expresin (3.2.2) ser empleada en la operacin de dilatacin y
(3.2.3) ser empleada en la operacin de erosin:
- 118 -
Captulo 3. Mtodos.
D ( f (x, y), K )
Dist f ( x, y), f (x - s, y - t) k (s, t)
(3.2.2)
Dist f ( x , y), f (x s, y t) k (s, t)
(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:
K ( x , y) d ( x , y) arg_Max D ( f (x, y))

(s, t)Z 2 ( K )
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)
En ambos casos, los operadores arg_Min y arg_Max seleccionan, respectivamente, el pixel

de la vecindad para el cual el valor de la distancia acumulada D es mnimo/mximo.
Conviene recordar, de forma previa a la interpretacin grfica de estas operaciones mediante
ejemplos, que no hay limitacin alguna en lo que se refiere a las propiedades del elemento
estructural en las operaciones morfolgicas (ver apartado 2.2.1). No obstante, por razones de
simplicidad, los elementos estructurales utilizados en este trabajo presentan las limitaciones que
se enumeran a continuacin:
1.-
En lo sucesivo, consideramos nicamente elementos estructurales planos. Este tipo

simplificado de elementos estructurales resulta cuando (s,t)K, k(s,t)=[0,...,0].
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).
Como lnea futura inmediata, consideramos imprescindible la realizacin de un estudio

detallado acerca de la influencia de utilizar otros tipos de elementos estructurales (no planos, no
regulares, orientados, etc.).
Una vez planteadas las caractersticas de los elementos estructurales empleados en este
trabajo, la figura 3.2.1 muestra una sencilla interpretacin grfica de la relacin de orden
impuesta al utilizar la distancia acumulada D. En este ejemplo, se ha limitado el nmero de
dimensiones de la imagen a dos, de forma que los puntos que se encuentran dentro de la
vecindad definida por el elemento estructural K pueden representarse en un plano
bidimensional. El elemento mximo resultado de la operacin de dilatacin, etiquetado en la
figura como d, es aquel que presenta mayor distancia acumulada con respecto a todos sus
vecinos. Por otra parte, el elemento mnimo, resultado de la erosin y etiquetado en la figura
como e, es que se encuentra a menor distancia del resto de pixels.
Como puede apreciarse en la figura 3.2.1, la distancia acumulada D permite distinguir entre
los elementos puros y elementos mezcla en la imagen. Como se muestra en la figura, existe la
posibilidad de que se produzcan empates; sin embargo, este hecho no supone un problema,
puesto que cualquiera de los elementos a seleccionar (d y d en el caso de la dilatacin; e y e en
el caso de la erosin) son buenos candidatos para ser utilizados en las operaciones morfolgicas.
As, tanto d como d son elementos extremos en la nube de puntos, mientras que e y e son
elementos mezcla.
- 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.
Las consideraciones anteriormente mencionadas plantean la posibilidad de llevar un control

de los endmembers que van siendo seleccionados por las operaciones morfolgicas, de forma
que se evite que un mismo endmember sea seleccionado demasiadas veces en perjuicio de otros.
Por ejemplo, esta funcionalidad podra incorporarse calculando la distancia mnima con respecto
a los endmembers ya seleccionados. Esta alternativa se plantea como una posible ampliacin
futura de los operadores morfolgicos extendidos.
En el ejemplo mostrado en la figura 3.2.2, hemos destacado que la distancia Dist utilizada
para extender las operaciones morfolgicas equivale a la distancia SAM. En el siguiente
apartado comentamos las diferentes distancias que pueden utilizarse para implementar las
operaciones morfolgicas extendidas.
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 y distancias no lineales. A continuacin se detallan las caractersticas

fundamentales de cada uno de estos dos grandes grupos.
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.-
En primer lugar, se considera un elemento estructural K.
2.-
A continuacin, se calcula el centroide del elemento estructural, K, utilizando para

ello la siguiente expresin:
3.-
1
f (s, t )
M (s, t )Z2 ( K )
(3.2.6)
Utilizando el centroide previamente definido, podemos expresar la distancia D entre

cada elemento perteneciente a K y el centroide mediante la siguiente expresin, donde
Dist se refiere a una distancia lineal entre vectores.
D' ( f ( x , y), K ) Dist ( f( x, y) , K ),
(3.2.7)
La complejidad computacional para calcular la distancia D puede expresarse en trminos

del nmero de operaciones internas entre elementos de los vectores considerados como T(MxN),
puesto que el clculo de la distancia entre cualquier pixel y el centroide conlleva N operaciones
puntuales y es necesario calcular esta distancia para cada pixel del kernel, es decir, M veces. En
notacin asinttica, este tiempo computacional se traduce en una complejidad computacional
cuadrtica O(n2), sensiblemente inferior a la complejidad de clculo de la distancia acumulada
D, expresada asintticamente como O(n3).
Matemticamente, se demuestra que la utilizacin de las distancias D y D a la hora de
calcular el elemento mximo y mnimo en la vecindad definida por K es equivalente siempre y
cuando la distancia utilizada Dist sea lineal y k(s,t) sea el vector origen de coordenadas de la
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:
K ( x , y) e ( x , y) arg_Min D' ( f (x, y), K)
(3.2.8)
(x, y)Z 2 ( K )
K ( x , y) d ( x , y) arg_Max D' ( f (x, y), K)
(3.2.9)
(x, y)Z2 ( K )
En ambos casos, los operadores arg_Min y arg_Max seleccionan, respectivamente, el pixel

de la vecindad para el cual el valor de la distancia D al centroide local es mnimo/mximo.
La figura 3.2.3 muestra una interpretacin grfica del proceso de seleccin del elemento
mximo y mnimo en una vecindad en base a la distancia al centroide del kernel. El elemento
mximo, resultado de la operacin de dilatacin y etiquetado como d, es aquel que presenta
mayor distancia respecto a dicho elemento, mientras que el elemento mnimo, resultado de la
erosin y etiquetado en la figura como e, es que se encuentra a menor distancia del centroide. Al
igual que en la situacin ilustrada en la figura 3.2.1, pueden seguir producindose situaciones de
empate, las cuales no tienen una influencia significativa en el funcionamiento del mtodo.
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.
probabilidad y especialmente diseada para contrastar la divergencia espectral entre firmas

espectrales asociadas a pixels de imgenes hiperespectrales. Una particularidad destacable de la
distancia SID es que la definicin de las medidas D y D en funcin de dicha distancia no es
equivalente, en trminos generales. Dentro de las lneas futuras de trabajo se plantea, por tanto,
la necesidad de experimentar con distancias no lineales.
3.2.2. Algoritmo AMEE.

En este apartado presentamos el mtodo automtico para la seleccin de firmas espectrales
puras o endmembers en imgenes de alta dimensionalidad que constituye el punto central del
trabajo de esta Tesis Doctoral. El mtodo ha sido denominado Automated Morphological
Endmember Extraction (AMEE), y su funcionamiento consta de una serie de etapas que se
enumeran a continuacin (Plaza y col., 2002a):

1.-
Aplicacin de operadores morfolgicos extendidos. En primer lugar, se aplica un
conjunto de operadores morfolgicos sobre la imagen original para estimar la pureza

de los pixels de la imagen. Este paso da como resultado una imagen en la que cada
pixel lleva asociado un valor de pureza.
2.-
Identificacin automtica de pixels puros. En esta etapa, se realiza un proceso de
identificacin automtica de pixels puros a partir de la imagen de pureza obtenida en

el paso anterior.
3.-
Crecimiento de regiones adaptativo. Opcionalmente, puede realizarse un proceso de
crecimiento de regiones adaptativo que permite seleccionar de forma preliminar un

conjunto de firmas espectrales puras.
4.-
Eliminacin de endmembers redundantes. En este paso se descartan firmas
espectrales redundantes obtenidas en la etapa inmediatamente anterior.

5.-
Identificacin de endmembers y estimacin de abundancias. En un ltimo paso, se
realiza un proceso de identificacin de endmembers en la imagen, que permitir

obtener un resultado de clasificacin para la misma. Adems, se realiza una
estimacin de los porcentajes de abundancia de los endmembers en cada pxel de la
imagen.
La figura 3.2.4 muestra un diagrama de bloques genrico en el que se resume el
funcionamiento general del algoritmo.
Captulo 3. Mtodos.
- 125 -
Aplicacin de Operadores
Morfolgicos Extendidos
Imagen
Original
Imagen de
pureza
endIdentificacin members Eliminacin de

de endmembers
y estimacin
abundancias
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.-
Secuenciamiento escogido. En esta cuestin, se justifica la secuencia escogida para
realizar una determinada etapa.

3.-
Alternativas de secuenciamiento. Por ltimo, en esta cuestin se comentan algunas
posibles opciones de secuenciamiento alternativas, susceptibles de ser consideradas en

el futuro, as como las posibles implicaciones de las mismas en el resultado final.
A continuacin, describimos y justificamos cada una de las etapas individuales que
componen el mtodo propuesto. De forma previa a esta exposicin razonada de los fundamentos
del mtodo, realizamos una serie de consideraciones previas sobre el mismo.
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.
3.2.2.1. Aplicacin de operadores morfolgicos extendidos.

El primer paso del algoritmo propuesto consiste en la aplicacin de operadores morfolgicos
extendidos sobre la imagen hiperespectral original. Las cuestiones de diseo que nos han
llevado a optar por este tipo de procesamiento son las que se detallan a continuacin:
1.-
Eleccin del mtodo. En primer lugar, la morfologa matemtica es una herramienta
que permite integrar de forma satisfactoria la informacin espacial y espectral presente

en la imagen, como se ha justificado en el apartado 3.2.1. De este modo, una de las
principales ventajas de aplicar un procesamiento morfolgico sobre la imagen original
Captulo 3. Mtodos.
- 127 -
es la posibilidad de obtener informacin detallada en ambos dominios sin que ninguno

de ellos se vea favorecido sobre el otro. Por otra parte, las tcnicas morfolgicas son
adaptables y susceptibles de ser implementadas de forma automtica y
computacionalmente eficiente.
2.-
Secuenciamiento escogido. Consideramos interesante realizar la etapa de
procesamiento morfolgico en primer lugar, con vistas a no descartar informacin

relevante en la primera etapa de procesamiento. Como vimos en el apartado 2.4, una
desventaja de los mtodos que consideran la informacin espacial y espectral de forma
separada es que la primera etapa de procesamiento (ya sea espacial o espectral) puede
descartar informacin til que no puede recuperarse en etapas posteriores.
3.-
Alternativas de secuenciamiento. Una alternativa al secuenciamiento escogido
consistira en realizar en primer lugar la etapa de eliminacin de endmembers

redundantes. Esta opcin permitira descartar firmas espectrales no suficientemente
puras de forma previa al procesamiento morfolgico, lo cual optimizara el
rendimiento de los operadores morfolgicos. Sin embargo, esta secuencia alternativa
requiere que la informacin descartada en primera instancia sea redundante, para no
incurrir en los problemas de los mtodos que realizan el procesamiento espacial y
espectral de forma separada.
Una vez analizadas estas cuestiones de diseo previas, procedemos a describir la forma en la
que los operadores morfolgicos bsicos se combinan para obtener indicadores de pureza.
Concretamente, presentamos dos aproximaciones diferentes para calcular el ndice de pureza de
un pixel, basadas, respectivamente, en dos sistemas que hemos denominado votacin y
evaluacin de firmas espectrales (Plaza y col., 2002a). En cada caso, presentamos las
opciones de implementacin adoptadas, destacando sus ventajas e inconvenientes.
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.-
Definir un elemento estructural K, introducido como parmetro de entrada a

algoritmo, y cuyas propiedades espaciales permiten determinar una funcin de
vecindad alrededor de cada pixel.
- 128 -
3.-
Captulo 3. Mtodos.
Seleccionar un pixel cualquiera de la imagen para su procesamiento, por ejemplo,

f(x,y), en las coordenadas espaciales (x,y). La ubicacin del pixel a procesar
inicialmente es indiferente, puesto que todos los pixels de la imagen deben ser
procesados. Suponiendo que la imagen a tratar consta de L lneas y M muestras, lo
ms habitual ser utilizar un recorrido por lneas o por columnas, como se ilustra en la
figura 3.2.5.
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)
Recorrido por lneas:

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)
Recorrido por columnas:

f(0,0), f(1,0),, f(L,0), f(0,1), f(1,1),, f(L,1),, f(0,M), f(1,M),,f(L,M)
Figura 3.2.5. Recorridos ms habituales de los pixels de la imagen original.
4.-
Para cada pixel recorrido, se aplica una operacin de dilatacin morfologica en la

vecindad que rodea al pixel f(x,y), definida por el elemento estructural K. El efecto de
dicha operacin es la seleccin del mximo en la vecindad mediante un sistema de
votacin en el que cada pixel es evaluado por todos sus vecinos, que actan como
votantes. Los pasos que se ejecutan son los siguientes:
4.1. Inicialmente, se selecciona un determinado pixel perteneciente a la vecindad.
4.2. El pixel es evaluado por cada uno de sus vecinos, que emiten una puntuacin en
base a la distancia a la que se encuentran con respecto al pixel evaluado
(candidato), de modo que la puntuacin ser mayor cuanto ms grande sea la
distancia entre votante y candidato.
4.3. Cuando todos los vecinos han emitido su voto, las puntuaciones individuales se
suman y el valor acumulado se asigna al pixel candidato.
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.-
El paso 4 es repetido para todos los pixels de la imagen.
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.
El sistema descrito presenta una serie de limitaciones que ilustramos a continuacin

mediante una serie de ejemplos (Plaza y col., 2001b). La figura 3.2.7 muestra un ejemplo en el
que el sistema de votacin produce una estimacin incorrecta del ndice de pureza, utilizando la
imagen_test_1.
- 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.-
En un segundo paso se define un elemento estructural K que ser utilizado en las

operaciones de erosin y dilatacin morfolgica. El elemento K se introduce como
parmetro de entrada del algoritmo.
3.-
A continuacin, seleccionamos un pixel cualquiera de la imagen, por ejemplo, f(x,y),

en las coordenadas espaciales (x,y).
4.-
Seguidamente, se aplican las operaciones de dilatacin y erosin morfolgica en la

vecindad que rodea al pixel f(x,y), definida por el elemento estructural K. La
dilatacin selecciona el pixel mximo en la vecindad, mientras que la erosin
identifica el pixel mnimo.
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.
Eccentricity Index (MEI), cuya interpretacin grfica aparece descrita en la figura
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.
El sistema de evaluacin puede considerarse como una tcnica de morfologa borrosa en el

sentido de que las operaciones morfolgicas de dilatacin y erosin obtienen varios
representantes para un mismo pxel, cada uno de los cuales es ponderado en funcin de su
Captulo 3. Mtodos.
- 133 -
excentricidad. De esta forma, el mecanismo de evaluacin viene a solucionar uno de los

problemas identificados a la hora de plantear la extensin de las operaciones morfolgicas
bsicas a imgenes hiperespectrales: la seleccin de un nico candidato como mximo o
mnimo (ver figura 3.2.1).
En trminos generales, podemos afirmar que el sistema de evaluacin proporciona un
mecanismo robusto que permite cuantificar la capacidad de un determinado pixel para
representar al ms puro de sus vecinos espaciales. La figura 3.2.10 muestra un ejemplo de las
mejoras obtenidas al utilizar el sistema de evaluacin con respecto al sistema de votacin,
ilustradas utilizando la imagen_test_1. Estos resultados pueden ser contrastados con los
mostrados en la figura 3.2.7. En el caso a), el ndice MEI ofrece una medida de la distancia entre
el mximo y el mnimo, dando as una clara indicacin acerca de la extremidad del punto en el
espacio. Por otra parte, en el caso b) se aprecia que el ndice MEI es bajo cuando el elemento
estructural contiene muestras de escasa pureza espectral.
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.
A pesar de las mejoras introducidas por el sistema de evaluacin, no podemos dejar de

mencionar algunas consideraciones sobre su funcionamiento. En primer lugar, es importante
destacar que existe una gran interdependencia entre el tamao y forma del elemento estructural
utilizado y el valor proporcionado por el ndice MEI. Esta dependencia, caracterstica de las
tcnicas morfolgicas clsicas, hace que sea necesario establecer de antemano las propiedades
espaciales de los elementos estructurales utilizados para obtener el resultado deseado. Esta
particularidad permite que el mtodo propuesto sea flexible y adaptable a gran cantidad de
- 134 -
Captulo 3. Mtodos.
aplicaciones, desde el reconocimiento de objetos individuales con caractersticas espaciales y/o

espectrales conocidas a priori hasta el anlisis y clasificacin global de una escena. La
dependencia entre MEI y elemento estructural aparece ilustrada mediante ejemplos sobre
imagen_test_1 en la figura 3.2.11.
K
MEI bajo
Caso a)
K
MEI alto
No evaluado
Caso b)
Figura 3.2.11. Dependencia entre el ndice MEI y el elemento estructural utilizado.
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:
MEI G ( x , y) Dist f K ( x , y), f f ( x , y) ,
(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.
MEI T ( x , y) Dist f ( x , y), f K ( x , y)
(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
Figura 3.2.12. Definicin alternativa del ndice MEI.
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.
circunstancia aparece ilustrada mediante un ejemplo en la figura 3.2.13, en la cual se considera

un mismo pxel, perteneciente a la imagen_test_1, y cuatro elementos estructurales, K1, K2, K3 y
K4 alrededor del mismo.
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.
Como puede apreciarse en la figura, el uso de elementos estructurales de formas dispares no

condiciona de manera decisiva la estimacin del grado de pureza del pixel considerado. Este
enfoque resulta apropiado cuando se desea realizar una clasificacin genrica de la escena, y no
se dispone de ningn tipo de conocimiento previo acerca de objetos o zonas de especial inters
en la misma. Por el contrario, la tarea de reconocer objetos con propiedades espaciales
conocidas de antemano puede resultar menos eficaz si se utilizan las aproximaciones
alternativas comentadas.
Una vez realizadas estas consideraciones previas sobre el ndice MEI, procedemos a
describir tres alternativas de implementacin consideradas a la hora de aplicar el sistema de
evaluacin a todos los pixels de la imagen original, incidiendo en la complejidad computacional
de cada una de las opciones presentadas (Plaza y col., 2001b).
Implementacin basada en elementos estructurales progresivamente crecientes.

A la hora de exponer los conceptos fundamentales del sistema de evaluacin se ha destacado
la necesidad de establecer el tamao y la forma de los elementos estructurales utilizados para
obtener una representacin adecuada de la escena.
La implementacin que presentamos en este apartado se basa en un proceso de
descomposicin multi-escala en el que se utilizan elementos estructurales progresivamente
Captulo 3. Mtodos.
- 137 -
crecientes, de modo que pueda asegurarse que en un determinado momento se utilizar un

elemento estructural de tamao ptimo o cuasi-ptimo (Plaza y col., 2001a). Esta idea se ha
adoptado siguiendo el razonamiento presentado en el apartado 2.2.1 del captulo de
antecedentes, en el que se present la idoneidad de utilizar descomposiciones multi-escala de la
imagen cuando no se dispone de informacin a priori sobre los objetos a detectar en la misma.
La figura 3.2.14 muestra un sencillo ejemplo del proceso de creacin de una descomposicin
multi-escala de 2 niveles en la que la imagen original, situada en un nivel que denotamos como
L0, se procesa utilizando elementos estructurales progresivamente crecientes, siendo el mnimo
elemento estructural utilizado (KMIN) de 3x3 pixels y el mximo (KMAX) de 9x9 pixels.
Figura 3.2.14. Proceso de creacin de una descomposicin multi-escala de una imagen

hiperespectral mediante elementos estructurales progresivamente crecientes.
A continuacin describimos los pasos seguidos en esta aproximacin.

1.-
En primer lugar, consideramos un elemento estructural de tamao mnimo KMIN,

introducido como parmetro de entrada.
2.-
El elemento estructural se desplaza por todos los pixels de la imagen, estableciendo

vecindades alrededor de cada pixel en las que se calcula el ndice MEI. As, el MEI en
el pixel (n,m) se calcula utilizando la siguiente expresin:
MEI(n , m) Dist f K MIN ( x, y), f K MIN ( x , y)
(3.2.13)
- 138 -
3.-
Captulo 3. Mtodos.
A continuacin, se considera un nuevo elemento estructural de tamao mayor al

anteriormente considerado. Las estrategias seguidas a la hora de introducir un nuevo
elemento estructural son las siguientes:
3.1. El nuevo elemento es generado de forma automtica, utilizando un patrn de
incremento constante ( K cte ) que se aplica en iteraciones sucesivas del
algoritmo. Esta aproximacin es sencilla, especialmente si los elementos

utilizados son regulares, aunque poco flexible, y se caracteriza por ser la ms
recomendable cuando no se dispone de informacin a priori acerca de la
escena.
3.2. El nuevo elemento se obtiene a partir de una lista introducida como parmetro
de entrada. Esta solucin es muy flexible, pero requiere un paso previo en el
que debe establecerse de antemano el tamao y forma de todos y cada uno de
los elementos estructurales utilizados a lo largo del proceso. Esta solucin es la
ms recomendable cuando se desea realizar un reconocimiento de objetos
supervisado por un conocimiento previo de las caractersticas de dichos
elementos.
3.3. Los pasos 2-3 se repiten de forma iterativa hasta que se utiliza un elemento
estructural de tamao mximo KMAX. A lo largo del proceso, puede ocurrir que
el MEI que se asocia a un determinado pixel al considerar un elemento
estructural Ki sea diferente al obtenido para un elemento estructural Kj, siendo
el tamao de Ki mayor que el de Kj. En este caso, se plantea un problema de
actualizacin del ndice MEI, que se resuelve teniendo en cuenta que el
elemento estructural Ki es mayor, con lo que el endmember obtenido en la
mayor escala debe favorecerse. De este modo, el ndice MEI se actualiza con el
nuevo valor, puesto que es razonable suponer que este elemento estructural
ofrecer una mejor descripcin de la vecindad espacial alrededor del pixel que
Kj. No obstante, el xito de esta decisin vendr tambin condicionado por la
relacin existente entre los elementos Ki, Kj y la distribucin espacial y
espectral de patrones en la escena, situacin que se ha analizado en detalle a lo
largo del presente apartado.
4.-
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 -
establecido mediante un procedimiento que tiene en cuenta la informacin espacial y

espectral de forma combinada.
A continuacin, procedemos a evaluar preliminarmente esta implementacin utilizando la
metodologa presentada en el apartado 3.1.
1.-
Sensibilidad a parmetros de entrada. Esta implementacin es sensible al tamao y
forma del elemento estructural utilizado. El ajuste de las propiedades de dicho

elemento permite adaptar la metodologa a situaciones particulares, conocidas de
antemano.
2.-
Impacto de la variabilidad espectral. Como se ha discutido a lo largo del presente
apartado, el ndice MEI es robusto frente a la variabilidad espectral presente en la

imagen.
3.-
Coste computacional. La complejidad computacional de esta aproximacin depende
en gran medida del tamao de los elementos estructurales utilizados. Un incremento

automtico del tamao del kernel en iteraciones sucesivas puede dar lugar a una
complejidad computacional exponencial, O(cn) en notacin asinttica.
4.-
Grado de automatizacin. Esta implementacin es automtica, siendo nicamente
necesario establecer un tamao mnimo y un tamao mximo para el elemento

estructural utilizado. A partir de la introduccin de estos parmetros, el
comportamiento del mtodo es totalmente autnomo.
5.-
Informacin descartada. La realizacin de una descomposicin multi-escala sobre la
imagen original y el hecho de que el mtodo trabaja de forma simultnea en los

dominios espacial y espectral aseguran que la cantidad de informacin descartada
durante el proceso de anlisis es mnima.
6.-
Grado de integracin de informacin espacial y espectral. El mtodo se caracteriza
por un alto grado de integracin entre la informacin espacial y espectral.

Precisamente, la principal ventaja de la implementacin presentada es su capacidad
para proporcionar una descripcin muy completa de los rasgos espaciales y
espectrales presentes en la escena.
A partir de esta evaluacin preliminar, el principal inconveniente de la solucin presentada
en este apartado es su elevada complejidad computacional, la cual nos ha llevado a plantearnos
otras alternativas de implementacin menos costosas.
- 140 -
Captulo 3. Mtodos.
Implementacin basada en operaciones morfolgicas en cascada.

Una solucin al aumento exponencial en la complejidad producido por la utilizacin de
elementos estructurales progresivamente crecientes consiste en la utilizacin de operaciones
morfolgicas en cascada o recursivas (Plaza y col., 2001b). A continuacin, describimos las
etapas necesarias para extender esta idea al caso de imgenes hiperespectrales.
1.-
En primer lugar, consideramos un elemento estructural de tamao K, introducido

como parmetro de entrada. El tamao de este elemento estructural se mantendr
constante a lo largo del proceso.
2.-
A continuacin, creamos una descomposicin multi-escala de la imagen original f. En

lo sucesivo, utilizamos el trmino Li para denotar un determinado nivel de la
descomposicin. La imagen original est en el nivel inferior L0 y el ltimo nivel de la
descomposicin es LY, siendo Y es el nmero total de niveles empleado. Los pasos
necesarios para obtener la descomposicin antes mencionada son los que se describen
a continuacin:
2.1. En primer lugar, consideramos la imagen hiperespectral f en el nivel L0.
2.2. Sobre esta imagen, aplicamos una operacin de dilatacin y una operacin de
erosin morfolgica, obteniendo dos nuevas imgenes hiperespectrales: dilatada
(d1) y erosionada (e1), que constituyen el nivel L1 de la descomposicin. Estas
imgenes se obtienen a partir de las expresiones que se muestran a
continuacin.
d1 ( x , y) f K ( x, y)
(3.2.14)
e1 ( x , y) f K ( x , y)
(3.2.15)
2.3. Calculamos el ndice MEI asociado al nivel L1 (MEI1) utilizando la siguiente

expresin, donde d1(x,y) es el pixel mximo en la vecindad de f(x,y) y e1(x,y) es
el pixel mnimo en la vecindad de dicho pixel.
MEI1 ( x , y) Distd1 ( x , y), e1 ( x , y)
(3.2.16)
2.4. Consideramos ahora la imagen dilatada d1 y repetimos el proceso descrito en

los pasos 2.2 y 2.3 sobre dicha imagen. De este modo, el ndice MEI en un
determinado nivel L se calcula mediante las siguientes expresiones:
d L ( x , y) d L 1 K ( x , y)
(3.2.17)
Captulo 3. Mtodos.
- 141 -
e L ( x, y) d L1 K ( x, y)
(3.2.18)
MEI L ( x , y) Distd L ( x , y), e L ( x , y)
(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

hiperespectral mediante operaciones morfolgicas en cascada.
Como puede apreciarse en la figura, esta implementacin se basa en un proceso competitivo

que propaga hacia niveles superiores aquellos pixels que han sido seleccionados como mximos
locales. De este modo, en niveles superiores solamente se encuentran aquellos pixels que han
salido a flote a partir de niveles inferiores. Los puntos ganadores en cada nivel son evaluados
utilizando el ndice MEI.
- 142 -
Captulo 3. Mtodos.
Finalmente, procedemos a evaluar de forma preliminar esta implementacin utilizando la

metodologa utilizada a lo largo del captulo.
1.-
Sensibilidad a parmetros de entrada. Al igual que la implementacin
anteriormente descrita, esta aproximacin es sensible las propiedades del elemento

estructural utilizado. En particular, la aproximacin descrita en este apartado es ms
sensible a dicho parmetro que la presentada en el apartado anterior, puesto que el
tamao y forma del elemento estructural permanece constante a lo largo del proceso.
2.-
Impacto de la variabilidad espectral. Experimentalmente, hemos comprobado que
la utilizacin de un ndice MEI multi-escala hace que el mtodo propuesto sea robusto
en presencia de variabilidad espectral.
3.-
Coste computacional. La principal ventaja de esta aproximacin es su menor coste
computacional en comparacin con la alternativa basada en elementos estructurales de

tamao progresivamente creciente. En esta implementacin, el elemento estructural
presenta un tamao constante, por lo que podemos definir el tiempo computacional
para procesar una imagen multi-dimensional formada por P pixels como
T(LxPxMxN), donde L es el nmero de niveles de la descomposicin multi-escala, M
es el nmero de pixels del elemento estructural (constante) y N es el nmero de
dimensiones de la imagen. La anterior expresin resulta en una complejidad cbica,
O(n3) en notacin asinttica, la cual es inferior a la complejidad exponencial obtenida
en el caso de utilizar elementos estructurales progresivamente mayores.
4.-
Grado de automatizacin. La implementacin descrita es totalmente automtica,
siendo nicamente necesario establecer las propiedades del elemento estructural

utilizado a lo largo del proceso. El mtodo se comporta de forma autnoma a partir de
la introduccin de dicho parmetro.
5.-
Informacin descartada. Un inconveniente de esta implementacin consiste en que
solamente se propaga un pixel desde un determinado nivel hacia el nivel

inmediatamente superior. Este hecho puede traer como consecuencia la prdida, en
niveles inferiores, de pixels puros que no son seleccionados por tener algn vecino
ms puro que ellos. Por el contrario, puede ocurrir que pixels, que no son del todo
puros, se propaguen a niveles superiores por no existir vecinos ms puros que ellos en
la vecindad que los rodea. Al contrario que en la implementacin basada en elementos
estructurales progresivamente crecientes, la prdida de un pixel en un nivel de la
descomposicin multi-escala implica que ese pixel no puede volver a ser considerado
de nuevo en iteraciones sucesivas.
Captulo 3. Mtodos.
6.-
- 143 -
Grado de integracin de informacin espacial y espectral. Al igual que el mtodo
descrito en el apartado anterior, este mtodo se caracteriza por un alto grado de

integracin entre la informacin espacial y espectral.
A partir de la evaluacin preliminar anteriormente realizada, intuimos que puede resultar
deseable que el tamao del elemento estructural utilizado en esta implementacin sea pequeo,
con vistas a preservar la mayor cantidad de informacin entre iteraciones sucesivas.
Una posible solucin al problema anteriormente apuntado, que puede ser considerada en
futuros desarrollos, puede consistir en aplicar conceptos de lgica borrosa a la morfologa
matemtica, de forma que para cada pixel no se seleccione solamente un mximo sino varios,
siendo el nmero de elementos seleccionados fijo. De esta forma, cada uno de los elementos
seleccionados podra ser ponderado en funcin de su excentricidad. Esta posibilidad de
almacenar varios posibles endmembers tiene la ventaja de plantear la inclusin de los nuevos
elementos teniendo en cuenta su parecido con los anteriormente seleccionados, evitando as
duplicidades. Un buen proceso de seleccin de endmembers debera tener en cuenta la creacin
de una base de referencia lo ms independiente posible, en el sentido de que un nuevo
endmember no debe ser combinacin lineal de otros previamente almacenados.
Implementacin basada en operaciones morfolgicas en pirmide.

Por ltimo, presentamos una modificacin de la anterior implementacin que permite
reducir an ms el coste computacional del procedimiento. El mtodo propuesto se basa en la
utilizacin de operaciones morfolgicas en forma piramidal (Plaza y col., 2001b). A
continuacin explicamos en detalle esta aproximacin, comentando las etapas que la componen.
1.-
En primer lugar, consideramos un elemento estructural de tamao K, introducido

como parmetro de entrada. Al igual que en la implementacin anterior, el tamao de
este elemento estructural se mantendr constante a lo largo del proceso.
2.-
En un segundo paso, procedemos a crear una descomposicin multi-escala de la

imagen original f en forma de pirmide. Sea L un determinado nivel de la
descomposicin y D el nmero total de niveles empleados. La descomposicin
morfolgica en pirmide se obtiene mediante los siguientes pasos:
2.1. En primer lugar, consideramos la imagen hiperespectral f, situada en el nivel 0.
2.2. Para generar el siguiente nivel, aplicamos operaciones de dilatacin erosin
morfolgica restringidas. Estas operaciones se diferencian de las tradicionales
en que la vecindad impuesta por el elemento estructural K alrededor de un
- 144 -
Captulo 3. Mtodos.
determinado punto de f no puede tener ningn punto en comn con la vecindad

definida por el mismo elemento alrededor de cualquiera de los puntos restantes
de la imagen.
2.3. Se calcula el ndice MEI asociado en dicho nivel.
2.4. Consideramos ahora la imagen obtenida a partir de la operacin de dilatacin
restringida (que ser menor que la del nivel inmediatamente inferior) y
repetimos el proceso descrito en los pasos b-d un nmero de veces que
establecido como parmetro.
3.-
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.

hiperespectral mediante operaciones morfolgicas en pirmide.
De nuevo, evaluamos la implementacin propuesta mediante la metodologa habitual.

1.-
Sensibilidad a parmetros de entrada. El mtodo es sensible al elemento estructural
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 -
Impacto de la variabilidad espectral. Al igual que en los mtodos anteriores, la
utilizacin del ndice MEI asegura robustez en presencia de variabilidad espectral.

3.-
Coste computacional. Esta implementacin es considerablemente ms rpida que
cualquiera de las presentadas anteriormente. Como puede apreciarse en la figura

3.2.16, el tamao de las imgenes en niveles sucesivos decrece de forma logartmica.
Este hecho hace que la complejidad computacional del mtodo pueda expresarse en la
forma On log n en notacin asinttica, lo cual supone una reduccin computacional
considerable con respecto a las aproximaciones anteriormente discutidas.
4.-
Grado de automatizacin. La implementacin basada en operaciones morfolgicas
en pirmide es totalmente automtica a partir de la seleccin del elemento estructural

utilizado a lo largo del proceso.
5.-
Informacin descartada. El mtodo se caracteriza porque se pierde una cantidad de
informacin entre iteraciones sucesivas. El hecho de que un pixel descartado en una

determinada iteracin no pueda volver a ser recuperado en iteraciones sucesivas hace
que sea necesario encontrar un compromiso entre la eficiencia computacional del
mtodo y la cantidad de informacin descartada por el mismo.
6.-
Grado de integracin de informacin espacial y espectral. Al igual que las dos
implementaciones anteriormente descritas, esta aproximacin integra de forma

adecuada la informacin espacial y espectral, pero puede incurrir en prdidas de
informacin significativas en ambos dominios.
A partir de la discusin anteriormente realizada, el principal inconveniente del mtodo es la
prdida de informacin entre iteraciones sucesivas. Para solucionar este problema, proponemos
la utilizacin en el futuro de conceptos basados en morfologa borrosa, de un modo similar al
descrito en la implementacin anterior.
Una vez descritas las diferentes alternativas para llevar a cabo el primer paso del algoritmo
AMEE, consistente en la aplicacin de operadores morfolgicos extendidos sobre la imagen
original, procedemos a describir la segunda etapa del algoritmo, basada en la identificacin de
pixels puros en la imagen.
3.2.2.2. Identificacin automtica de pixels puros.

El segundo paso del algoritmo propuesto tiene como objetivo la identificacin automatizada
de un conjunto de pixels puros a partir de la imagen de pureza (MEI) proporcionada por las
diferentes implementaciones discutidas en el anterior apartado. El proceso de seleccin de pixels
- 146 -
Captulo 3. Mtodos.
puros a partir de dicha imagen se realiza utilizando el mtodo de umbralizacin automtica de

Otsu, el cual fue descrito en el apartado 2.2.2. Las cuestiones de diseo que nos han llevado a
optar por utilizar esta etapa son las que se detallan a continuacin:
1.-
Eleccin del mtodo. La imagen de pureza proporcionada en la etapa anterior puede
expresarse como una imagen en NDs, correspondientes a los valores de pureza

asociados a cada pixel. De este modo, parece razonable abordar su procesamiento
mediante tcnicas espaciales clsicas. Por otra parte, uno de los objetivos que nos
planteamos a la hora de disear una nueva metodologa de anlisis fue la necesidad de
que la metodologa fuese lo ms automtica posible. En este sentido, como vimos en
el apartado 2.2.2, la tcnica automtica de Otsu constituye una de las aproximaciones
ms eficaces para realizar la separacin entre pixels de inters y fondo en imgenes en
NDs.
2.-
Secuenciamiento escogido. Puesto que la etapa de identificacin automtica de pixels
puros se realiza a partir de una imagen de pureza proporcionada en la etapa de

aplicacin de operadores morfolgicos extendidos, se ha optado por realizar esta fase
justo a continuacin de la anteriormente mencionada.
3.-
Alternativas de secuenciamiento. En este caso, no se contemplan posibles
alternativas al secuenciamiento originalmente establecido.

Una vez aplicado el mtodo de umbralizado automtico de Otsu sobre la imagen de pureza,
se obtiene una imagen binaria formada por dos clases:
Pixels puros. Esta clase est formada por aquellos pixels de la imagen original cuyo
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
ndice de pureza asociado es inferior al valor umbral.

Dentro de las posibles lneas futuras de trabajo, consideramos interesante la realizacin de
un estudio comparativo de otras posibles tcnicas para segmentar la imagen de pureza obtenida,
con vistas a calibrar el impacto de la fase de identificacin de pixels puros en los resultados
proporcionados por el mtodo propuesto.
3.2.2.3. Crecimiento de regiones adaptativo.

La tercera etapa del algoritmo consiste en aplicar un proceso opcional de crecimiento de
regiones, similar al presentado en el apartado 2.2.3 del captulo de antecedentes. En nuestro
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
cumple las siguientes propiedades:

Coherencia espacial. Cada regin puede ser entendida como una componente conexa
formada por uno o ms puntos.

Coherencia espectral. Los pixels englobados en una determinada regin presentan
caractersticas espectrales similares.

La obtencin de endmembers a partir de regiones que cumplen estas dos propiedades
permitir obtener firmas espectrales puras capaces de representar de forma muy precisa a sus
vecinos espaciales. Entre las cuestiones de diseo que nos han llevado a incorporar esta etapa,
destacamos las siguientes:
1.-
Eleccin del mtodo. Como vimos en el apartado 2.2.3, las tcnicas de crecimiento
de regiones constituyen una aproximacin muy adecuada para refinar el resultado

proporcionado por un mtodo de segmentacin. En nuestro caso, hemos comprobado
experimentalmente que la utilizacin del mtodo automtico de Otsu puede dar lugar a
clasificacin de pixels puros como pixels mezcla, por lo que el proceso de crecimiento
de regiones puede ayudar a completar la salida proporcionada por la etapa anterior.
Por otra parte, a pesar de que el proceso de crecimiento de regiones introduce un
degradado en los endmembers, los experimentos realizados que sern presentados en
el captulo 4 demuestran que la incorporacin de esta etapa hace que la seleccin final
de endmembers sea ms robusta frente a la presencia de condiciones de ruido en la
imagen.
2.-
Secuenciamiento escogido. La etapa de crecimiento se realiza justo a continuacin de
la etapa de identificacin de pixels puros, pues se ha comprobado experimentalmente

que en dicha etapa a veces se realiza una estimacin a la baja sobre la pureza de los
pixels.
3.-
Alternativas de secuenciamiento. En esta etapa, consideramos las siguientes
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.
elementos estructurales cercanos. Esta decisin de diseo podra traer como

consecuencia la eliminacin de la etapa de crecimiento de regiones.
3.2. Una segunda alternativa de secuenciamiento, como hemos comentado
anteriormente, es no realizar la etapa de crecimiento de regiones. La etapa de
crecimiento permite obtener un comportamiento ms robusto en presencia de
ruido, a expensas de introducir un degradado en los endmembers seleccionados.
Como resultado de esta etapa, se obtiene una lista preliminar de endmembers. En funcin de
la inclusin o no de la etapa de crecimiento de regiones en el mtodo, decimos que la lista de
endmembers anteriormente mencionada puede obtenerse de dos formas diferentes, que
catalogamos de la siguiente forma:

1.-
Mecanismo de Extraccin a partir de Pixels Puros de la imagen (MEPP). Consiste
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.-
Mecanismo de Extraccin a partir de Crecimiento de Regiones (MECR). Se basa
en la realizacin de un mtodo de crecimiento que refina la salida del proceso de

umbralizado. El resultado del crecimiento es un conjunto de regiones a partir de las
cuales se obtiene una lista final de endmembers mediante el clculo del espectro
promedio en cada regin resultante.
Como se apunt en el apartado 2.2.3, la utilizacin de criterios de similaridad estrictos o
relajados a la hora de realizar el crecimiento puede traer como consecuencia la identificacin de
endmembers falsos, obtenidos a partir de regiones con escasa coherencia espacial y/o espectral.
Por este motivo, proponemos como ltimo paso del mtodo la realizacin de un proceso de
eliminacin de firmas redundantes.
3.2.2.4. Eliminacin de endmembers redundantes.

El ltimo paso del algoritmo propuesto tiene como objetivo la eliminacin de posibles
instancias redundantes en la lista final de endmembers obtenida como resultado de la etapa de
crecimiento. A continuacin, enumeramos las cuestiones de diseo que nos han llevado a
incorporar esta ltima etapa:
1.-
Eleccin del mtodo. Como se argument en apartados anteriores, parece necesaria la
incorporacin de una aproximacin que elimine endmembers inconsistentes, causados
Captulo 3. Mtodos.
- 149 -
por un proceso de crecimiento de regiones con criterios de similaridad inadecuados o

por una estimacin a la baja del ndice de pureza de algunos pixels.
2.-
Secuenciamiento escogido. En la implementacin actual, esta etapa de eliminacin de
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.-
Alternativas de secuenciamiento. En futuras modificaciones del mtodo tenemos
previsto considerar la etapa de eliminacin de endmembers redundantes en fases

previas. En concreto, esta etapa podra introducirse justo a continuacin de la etapa de
identificacin automtica de regiones puras y de forma previa al crecimiento de
regiones. En este caso, es posible que los resultados proporcionados por las tcnicas
de crecimiento de regiones fuesen ms consistentes. Otra alternativa consistira en
aplicar la etapa de eliminacin de endmembers redundantes como pre-procesado, con
vistas a eliminar informacin redundante en el dominio espectral de forma previa al
procesado de la imagen. En esta lnea, podra utilizarse un criterio en el que se
analizase la dependencia lineal del nuevo endmember con respecto a los ya escogidos,
para decidir as la inclusin o no del nuevo elemento en una lista de endmembers. La
incorporacin de estas modificaciones podra dar como resultado una mejora de las
prestaciones del mtodo propuesto, y evitar en parte los problemas de estimacin a la
baja del ndice de pureza de algunos pixels. Esta aproximacin es similar a la tcnica
de reduccin ejemplar utilizada por el mtodo ORASIS, descrito en el apartado
2.3.2.2.
A continuacin, describimos el procedimiento utilizado para llevar a cabo la etapa de
eliminacin de endmembers redundantes. Sea LC={ei: i=1,..,c} la lista que contiene los
endmembers asociados a cada una de las regiones obtenidas tras la etapa de crecimiento. El
enfoque propuesto consta de los siguientes pasos:

1.-
En primer lugar, se establece un umbral de similaridad o tolerancia, T, introducido

como parmetro al algoritmo.
2.-
A continuacin, se selecciona el primer endmember almacenado en la lista, y se

almacena en una nueva lista de firmas ejemplares LE, inicialmente vaca, como se
muestra en la siguiente expresin:
L E ; L E L E e1
(3.2.20)
4. Seguidamente, se seleccionas un nuevo endmember de la lista LC, y se calcula su

similaridad con respecto al conjunto de firmas ejemplares. Sea ei el endmember
seleccionado. En este paso se realizan las siguientes consideraciones:
- 150 -
Captulo 3. Mtodos.
4.1. Si el nuevo endmember eiLC es diferente de todos los elementos amacenados

en la lista de ejemplares, el elemento se introduce en la lista:
e j L E , Dist(e i , e j ) T2 L E L E e i
(3.2.21)
4.2. Por el contrario, si ei es similar a alguno de los elementos ejemplares, dicho

endmember se considera redundante y no es almacenado en LE.
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.
3.2.2.5. Identificacin de endmembers y estimacin de abundancias.

Una vez extrado un conjunto final de endmembers no redundantes, utilizamos metodologas
tradicionales para identificar la ubicacin de las firmas seleccionadas en la escena y para
cuantificar su abundancia a nivel de pixel.
La primera tarea puede llevarse a cabo mediante la aplicacin de algoritmos de
clasificacin de pixels, como el mtodo SAM o el uso de filtros de similaridad (MF),

descritas en el apartado 2.3.2.1.
La estimacin de abundancias puede realizarse utilizando el modelo lineal de mezcla
mediante la tcnica de mnimos cuadrados con restricciones de no-negatividad y suma

unitaria (FCLSU). Este modelo fue presentado en el apartado 2.3.2.2. En futuros
desarrollos del mtodo tenemos prevista la incorporacin de modelos no lineales en el
clculo de abundancias.
Para finalizar este captulo, la figura 3.2.17 muestra un esquema detallado del mtodo
propuesto, mostrando las diferentes etapas del mismo, los parmetros de entrada en cada una de
las etapas, y los resultados finales proporcionados (Plaza y col., 2001c). Este esquema viene a
completar el diagrama de bloques general mostrado en la figura 3.2.4.
Como puede apreciarse en la figura 3.2.17, a partir de una imagen hiperespectral de entrada,
el algoritmo proporciona un conjunto de firmas espectrales puras o endmembers, un mapa
temtico en el que puede apreciarse la ubicacin de dichos componentes puros en la imagen y
Captulo 3. Mtodos.
- 151 -
un conjunto de mapas de abundancia que indican la proporcin o abundancia a nivel de pixel de

cada uno de los componentes puros identificados. En este sentido, el mtodo proporciona
resultados que pueden ser interpretados en el dominio espectral (endmembers) y en el dominio
espacial, en el que el resultado aparece expresado con precisin a nivel de pixel (mapa temtico)
y tambin a nivel sub-pixel (mapas de abundancia).
Imagen original
Imagen
Original
Aplicacin de Operadores
Morfolgicos Extendidos
KMIN, K MAX
Identificacin automtica de regiones puras
Crecimiento de regiones adaptativo
Eliminacin de endmembers redundantes
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
Figura 3.2.17. Esquema detallado del mtodo propuesto.
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.-
Inicialmente, exponemos a modo de sinopsis la metodologa de anlisis seguida a la

hora de mostrar y discutir los resultados. Este apartado ofrece una visin introductoria
sobre el diseo de los experimentos y las medidas de comparacin utilizadas, el cual
ser desarrollado en profundidad en apartados sucesivos.
2.-
A continuacin, describimos una batera de experimentos realizados con imgenes

sintticas multi-dimensionales, caracterizadas por simular propiedades del mundo real
mediante representaciones simplificadas. El uso de datos sintticos en aplicaciones de
teledeteccin en general (Tatem y col., 2002; Coops y Culvenor, 2000) y en anlisis
- 154 -
Captulo 4. Anlisis y Discusin de resultados.
hiperespectral en particular (Ifarraguerri y Chang, 2000) se justifica en base al gran

abanico de posibilidades que ofrece este tipo de datos a la hora de comprender el
funcionamiento de las tcnicas de procesado y, por tanto, de lograr una mejora el
funcionamiento de las mismas. La principal caracterstica de estos datos obtenidos de
forma sinttica o artificial es la posibilidad de obtener informacin verdad terreno a
partir de ellos de forma muy sencilla. En particular, el uso de este tipo de datos
permite un control exhaustivo sobre aspectos clave en el proceso de generacin de los
mismos como la distribucin de patrones, condiciones de ruido y mezcla,
dimensiones, etc.
3.-
Finalmente, se presenta un conjunto de experimentos realizados con datos reales.

Algunas tcnicas de anlisis que ofrecen buenos resultados al ser aplicadas a imgenes
sintticas pueden fracasar al ser aplicadas a imgenes reales debido a la presencia de
circunstancias que no fueron tenidas en cuenta en el proceso terico de simulacin de
los datos. Es por tanto fundamental analizar el comportamiento del mtodo propuesto
utilizando este tipo de datos.
4.1. Metodologa de anlisis y discusin de resultados

En este apartado se ofrece una visin general sobre el diseo y propsito de los
experimentos realizados con datos sintticos y reales.
Las pruebas con imgenes sintticas estn orientadas a evaluar de forma preliminar el
funcionamiento de la metodologa propuesta, estudiando el ajuste de parmetros y su
impacto en el resultado final obtenido.
Por otra parte, el uso de imgenes reales permite establecer un estudio comparativo
del algoritmo propuesto con respecto a otros ya existentes de amplia utilizacin por
parte de la comunidad cientfica dedicada al anlisis de imgenes multidimensionales.
En trminos generales, la estrategia adoptada para evaluar los resultados obtenidos sobre
datos sintticos y reales es la que se describe en la figura 4.1.1. El procedimiento de anlisis
utilizado consta de una serie de etapas diferenciadas que se enumeran a continuacin.
1.-
Partimos de una imagen original con unas caractersticas determinadas en cuanto a

ruido y distribucin de patrones espaciales y espectrales.
2.-
- 155 -
Sobre esta imagen aplicamos un algoritmo, caracterizado por la utilizacin de una

serie de parmetros. De este modo obtenemos una salida o resultado que puede ser de
dos tipos:
a. Un conjunto de firmas espectrales puras o endmembers, obtenidos a partir de la
identificacin de componentes puros en la imagen original.
b. Un conjunto de mapas de abundancia o imgenes en NDs que contienen las
fracciones de abundancia de los componentes puros anteriormente mencionados
en cada uno de los pixels de la imagen original.
3.-
Para comparar la bondad de los resultados proporcionados por el algoritmo, hacemos

uso de informacin de verdad terreno asociada a la imagen original. En el caso de
imgenes sintticas, la verdad terreno es muy sencilla de obtener, y se obtiene
directamente a partir de los datos utilizados para generar la imagen. En el caso de
imgenes reales, la informacin de verdad terreno no siempre est disponible y, en
caso de estarlo, vendr impuesta. Este tipo de verdad terreno no se obtiene a partir de
los propios datos, sino a partir de medidas sobre el terreno, por lo que tendremos muy
poco control sobre ella.
4.-
En un ltimo paso, se procede a la comparacin entre los resultados obtenidos y la

verdad terreno. Para ello, se utilizan medidas especficas que deben tener en cuenta las
caractersticas de los resultados y la verdad terreno.
Imagen
Original
Informacin
Verdad Terreno
Medidas de
comparacin
Algoritmo
Resultado
Figura 4.1.1. Metodologa general de anlisis de resultados.
- 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.
4.1.1. Metodologa de anlisis de imgenes sintticas

El procedimiento utilizado para analizar imgenes sintticas aparece ilustrado mediante un
esquema en la figura 4.1.2.
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
Figura 4.1.2. Metodologa de anlisis de imgenes sintticas.
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 -
espectrales obtenidas a partir de datos proporcionados por sensores reales

(Guilfoyle y col., 2001). Siguiendo esta tendencia, generamos imgenes
sintticas utilizando como base firmas reales correspondientes a diversas
cubiertas caractersticas (vegetacin, suelo, minerales, zonas urbanas, etc.).
b. Superposicin. En este paso se establece qu firmas espectrales se van a
mezclar en cada pixel y la proporcin en la que cada firma contribuye a la
mezcla. Para llevar a cabo este propsito, utilizamos el modelo lineal de
mezcla, descrito en el apartado 2.3.2.2. Con objeto de comparar el efecto del
proceso de correccin atmosfrica en el funcionamiento de los algoritmos
planteados, utilizaremos firmas espectrales en unidades de radiancia (sin
correccin atmosfrica) y reflectancia (despus de la correcin atmosfrica) en
la generacin de las imgenes de forma que se pueda comprobar el efecto de
ambas opciones sobre el funcionamiento de los algoritmos diseados.
c. Degradacin. En los procesos de medicin en situaciones reales aparece una
componente ruidosa provocada por las condiciones ambientales y por las
caractersticas instrumentales del aparato de medida, como se describi en el
apartado 2.3.1. Es por tanto necesario analizar el comportamiento de los
mtodos ante este hecho. Para ello, seguimos un proceso de degradacin o
simulacin de ruido en las imgenes sintticas generadas. En el caso de la
simulacin de imgenes adquiridas de forma remota, las contribuciones
ruidosas provocadas por el entorno y por las caractersticas instrumentales del
sensor suelen ser modeladas mediante ruido blanco que se aade en una
determinada proporcin a cada banda de la imagen (ver expresin 2.3.3).
2.-
Obtencin de verdad terreno. Como ya se ha mencionado, la principal caracterstica

diferenciadora de las imgenes sintticas con respecto a imgenes reales es la
posibilidad de obtener datos de verdad terreno de alta precisin a partir de las mismas.
Puesto que la abundancia de las firmas espectrales que se mezclan en cada pixel de
una imagen sinttica es determinada en la fase de superposicin, es sencillo obtener
informacin verdad terreno detallada de forma directa. Podemos dividir la
informacin de verdad terreno obtenida a partir de datos sintticos en tres categoras
fundamentales (ver figura 4.1.2):
a. Firmas espectrales verdad terreno, es decir, las firmas originales utilizadas para
generar las imgenes (fase de seleccin), antes de las fases de superposicin y
degradacin. Estos espectros de referencia permiten analizar la calidad de los
- 158 -
endmembers extrados mediante un proceso de comparacin que gira en torno

la forma de los espectros.
b. Mapas de abundancia verdad terreno, asociados a cada una de las firmas
espectrales originales. Estos mapas contienen el coeficiente de abundancia de
las firmas originales en cada pixel de la escena, y se obtienen a partir de la fase
de superposicin. Utilizando estos mapas, podemos evaluar la capacidad de los
algoritmos de anlisis a la hora de estimar la abundancia de los componentes
fundamentales.
c. Imgenes de pureza, en las que los pixels formados a partir de mezclas
espectrales son marcados como "no puros" mientras que los pixels que
contienen un espectro puro sin mezcla son etiquetados como "puros". Estas
imgenes, obtenidas tambin a partir de la fase de superposicin, permiten
evaluar la capacidad de los algoritmos de anlisis para detectar los pixels
espectralmente ms puros de la escena, a partir de los cuales se obtienen los
endmembers.
3.-
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.-
Comparacin. Las medidas de calidad consideradas dependen del tipo de verdad

terreno disponible. Este hecho aparece reflejado en el diagrama de la figura 4.1.2, en
el que las flechas discontinuas conectan los elementos que intervienen en el proceso
de comparacin. Este proceso se lleva a cabo mediante cuatro experimentos
diferentes, cuyos objetivos se describen a continuacin:
a. Primer experimento. Chequea la capacidad de los algoritmos para distinguir
entre pixels puros y pixels mezcla. Para ello, utilizamos curvas ROC, las cuales
describen el balance entre la sensibilidad y la especificidad del algoritmo en
diferentes puntos de compromiso. La sensibilidad viene dada por la fraccin de
- 159 -
verdaderos positivos (pixels puros detectados como tales), mientras que la

especificidad se obtiene a partir del porcentaje de falsos positivos (pixels
mezcla detectados como puros). En nuestro caso, los puntos de compromiso se
refieren a los valores umbral aplicados para determinar qu pixels de una
imagen son clasificados como "puros" y cules son clasificados como "no
puros".
b. Segundo experimento. Analiza la bondad de los endmembers extrados a partir
del proceso de identificacin de pixels puros mencionado en el experimento
anterior. La estrategia seguida es comparar los endmembers finales con las
firmas originales sin ruido utilizadas para generar las imgenes sintticas. La
comparativa se realiza en base a un criterio de similaridad basado en la forma
de los espectros, por lo que se utilizan medidas como el ngulo espectral (SAM)
y la divergencia espectral (SID), ambas caracterizadas por su robustez frente a
posibles cambios en la escala introducidos por el ruido.
c. Tercer experimento. Evala la precisin del mtodo en el proceso de
determinacin de abundancias de los endmembers seleccionados. Este proceso
se lleva a cabo comparando los mapas de abundancia correspondientes a los
endmembers extrados y los mapas de abundancia verdad terreno obtenidos
directamente a partir de las imgenes sintticas. Las medidas de similaridad
utilizadas en este experimento son diagramas de representacin de abundancias
reales frente abundancias estimadas, a partir de los cuales se obtienen el error
cuadrtico medio (RMSE), calculado pixel a pixel para toda la imagen, y el
coeficiente de correlacin de Pearson.
d. Cuarto experimento. Analiza la precisin con la que el algoritmo es capaz de
reconocer objetos individuales o targets en terminologa de anlisis de
imgenes. Para ello, utilizamos los endmembers extrados para construir filtros
de similaridad a partir de los cuales se puede recuperar la forma de los objetos a
detectar mediante mtodos clsicos de segmentacin de imgenes en niveles de
gris. A la hora de evaluar la precisin en el proceso de deteccin de los objetos,
se utilizan matrices de confusin y medidas propias de la teora de la deteccin,
como la fraccin de verdaderos positivos (porcentaje de pixels correctamente
clasificados) y falsos positivos (porcentaje pixels incorrectamente clasificados).
- 160 -
4.1.2. Metodologa de anlisis de imgenes reales

La metodologa utilizada para validar el algoritmo propuesto con datos reales aparece
ilustrada mediante un diagrama en la figura 4.1.3.
Informacin Verdad Terreno
Firmas
espectrales
V.T.
Mapas
Abundancia
V.T.
Imagen
real
c)
b)
a)
Mapas
Abundancia
extrados
Firmas
espectrales
extradas
Imagen
generada
Algoritmo
Resultado
Figura 4.1.3. Metodologa de anlisis de imgenes reales.
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.-
Se dispone de informacin de verdad terreno en forma de firmas espectrales tomadas

sobre el terreno y que corresponden a materiales puros.
2.-
Se dispone de verdad terreno que contiene informacin acerca de la abundancia de

materiales en cada pixel de la escena.
3.-
No se dispone de ningn tipo de informacin de verdad terreno.
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 -
a. Comparacin de firmas espectrales. Cuando la informacin de verdad terreno se

basa nicamente en firmas espectrales, necesitamos un algoritmo de emparejamiento
para realizar la comparacin entre las firmas extradas por el algoritmo y las firmas
espectrales de referencia. Por lo general, las firmas de referencia son obtenidas
mediante espectrmetros sobre el terreno, por lo que pueden existir variaciones en la
escala debidos a las diferentes condiciones de iluminacin y posibles efectos
atmosfricos, presentes en la imagen pero no en los espectros tomados de forma
directa en el terreno. Por este motivo, el algoritmo de emparejamiento propuesto
utiliza un criterio de similaridad basado en la forma de los espectros. Ante la
necesidad de medir la similaridad de forma independiente de la magnitud de los
vectores, las medidas utilizadas para cumplir este objetivo son el ngulo espectral
(SAM) y la divergencia espectral (SID).
b. Comparacin de imgenes de abundancia. Cuando la informacin de verdad
terreno viene expresada en forma de mapas de abundancia, utilizaremos las siguientes
medidas de similaridad para comparar los mapas de abundancia obtenidos por los
algoritmos con los mapas de abundancia verdad terreno. De nuevo, el uso de
diagramas de dispersin entre abundancias reales y abundancias estimadas resulta una
herramienta fundamental a partir de la que se derivan medidas cuantitativas como el
error cuadrtico medio (RMSE) y el coeficiente de correlacin de Pearson.
c. Comparacin entre imagen reconstruida e imagen original. La metodologa
propuesta para evaluar los mtodos de clasificacin cuando no hay informacin de
verdad terreno disponible se basa en el modelo lineal de mezcla, que permite expresar
una imagen multi-dimensional como un conjunto de firmas espectrales de referencia o
endmembers y un conjunto de mapas de abundancia, uno por endmember, en el que se
expresa la contribucin individual del componente en cada pixel de la escena.
Utilizando este concepto, utilizamos un modelo de anlisis en el que se genera una
versin reconstruida de la imagen multi-dimensional a partir de las firmas extradas y
sus consiguientes abundancias. La imagen generada se compara con la imagen
original para evaluar el grado de precisin en la reconstruccin. Idealmente, cuanto
ms apropiado sea el conjunto de firmas espectrales seleccionadas por el algoritmo,
mejor ser la reconstruccin de la escena. Con objeto de comparar las imgenes
generada y original, utilizaremos el error RMSE entre ambas.
Una de las aplicaciones de las tcnicas de extraccin de endmembers discutidas en esta
memoria es la compresin de las imgenes en el sub-espacio generado por el conjunto de
vectores correspondientes a los endmembers de la imagen (ver apartado 2.3.2.2). Este esquema
permite que no sea necesario almacenar la imagen completa, sino un conjunto reducido de
- 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.
4.2. Anlisis de imgenes sintticas

En este apartado presentamos las pruebas realizadas con imgenes sintticas, siguiendo la
estructura que se describe a continuacin.
1.-
Inicialmente, ilustramos mediante un ejemplo el procedimiento empleado para generar

imgenes sintticas, analizando por separado aspectos clave como las caractersticas
de las firmas espectrales utilizadas en la simulacin y su procedencia, la forma en que
se establece la abundancia de dichas firmas en cada pixel y los mecanismos empleados
para simular el ruido del sensor.
2.-
A continuacin presentamos las imgenes sintticas utilizadas en el estudio,

describiendo sus caractersticas espaciales y espectrales, as como los factores que se
han tenido en cuenta a la hora de su diseo.
3.-
El apartado termina realizando una exposicin detallada de los experimentos

realizados con estas imgenes.
4.2.1. Proceso de generacin de imgenes sintticas

Describimos a continuacin el proceso de generacin de una imagen sinttica mediante un
sencillo ejemplo, detallando el proceso de seleccin de firmas espectrales, la forma en que se
establece la asignacin de abundancias y el esquema seguido para la generacin de ruido.
- 163 -
4.2.1.1. Seleccin de firmas espectrales

Las imgenes sintticas utilizadas en la literatura utilizan firmas espectrales obtenidas
directamente a partir de sensores reales. En el ejemplo que nos ocupa, las firmas empleadas
corresponden a una imagen obtenida por el sensor AVIRIS en 1997 sobre la regin Jasper
Ridge en California. La disponibilidad pblica de esta imagen en unidades de radiancia y
reflectancia (California Institute of Technology, 2002) resulta muy atractiva con objeto de
analizar el impacto de ambas opciones en el resultado de nuestros algoritmos. Los datos de
reflectancia fueron obtenidos tras la aplicacin del mtodo de correccin atmosfrica ATREM
(Gao y col., 1993) combinado con un post-procesado mediante el mtodo EFFORT (Boardman,
1998).
Se han seleccionado cuatro firmas espectrales correspondientes a pixels en la imagen
original asociados a vegetacin, suelo, edificios y carreteras. La figura 4.2.1.a muestra la
ubicacin de los pixels seleccionados sobre la imagen en unidades de reflectancia, mientras que
la figura 4.2.1.b muestra los pixels seleccionados en la imagen de radiancia.
Edificio
Vegetacin
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
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.
Los espectros seleccionados constan de un conjunto de 224 valores comprendidos en las

regiones visible e infrarrojo cercano del espectro, en concreto, en la zona entre 0.4 y 2.5 m.
Como puede comprobarse, la ubicacin de los pixels seleccionados es la misma en ambas
imgenes (radiancia y reflectancia) con objeto de utilizar firmas espectrales correspondientes al
mismo punto.
- 164 -

Vegetacin
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
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.
4.2.1.2. Asignacin de abundancias

El proceso seguido a la hora de realizar la asignacin de abundancias en cada pixel de las
imgenes simuladas se basa en dos pasos:
1.-
Inicialmente, se selecciona un conjunto base de firmas espectrales de referencia.
2.-
A continuacin, se establece la abundancia de cada una de las referencias elegidas en

cada pixel de la imagen, de forma que la contribucin individual de cada firma se
expresa mediante un conjunto de coeficientes de abundancia que cumplen las
restricciones de no-negatividad y suma unitaria, propias del modelo lineal de mezcla
(ver apartado 2.3.2.2).
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 -
de vegetacin; los pixels de R3 presentan un coeficiente de abundancia de vegetacin igual a 1 y

coeficiente de abundancia de suelo igual a 0, mientras que los pixels de R2 se obtienen a partir
de una mezcla lineal equitativa de los dos espectros (coeficiente de abundancia 0.5 para
vegetacin y 0.5 para suelo).
60 x 60
R1
R2
20 x 20
Suelo
Vegetacin
0.5 Suelo + 0.5 Vegetacin

4000
3000
2000
1000
5000
4000
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
3000
600
Vegetacin
0.5 Suelo + 0.5 Vegetacin

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 -
4.2.1.3. Simulacin de ruido

Consideramos dos opciones diferentes en el proceso de simulacin de ruido; a saber, ruido
blanco y ruido colorado. A continuacin presentamos las dos opciones mencionadas.
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)
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
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.
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
SNR = 50:1
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
SNR canal a canal de

AVIRIS en 1997
2000
1000
0
300
600
900
1200
1500
1800
2100
2400
espectrales, a la firma original.
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.
Es importante destacar que la utilizacin de ruido coloreado solamente es aplicable en el

caso de los espectros en unidades de radiancia, los cuales son tomados directamente por el
sensor. Los espectros en reflectancia se obtienen despus de un proceso de correccin
atmosfrica que produce un espectro "limpio", sin efectos atmosfricos ni ruido. Por tanto, el
proceso de simulacin de ruido en espectros de reflectancia debe seguir un esquema basado en
ruido blanco, tal y como se ha descrito con anterioridad en el apartado 2.3.1..
En lo sucesivo, utilizaremos nicamente ruido blanco en distintas proporciones a la hora de
generar imgenes sintticas, con vistas a analizar la respuesta del algoritmo propuesto en
situaciones poco favorables.
4.2.2. Imgenes sintticas utilizadas en el estudio.

Una vez descrito el proceso de generacin de imgenes sintticas, pasamos a describir las
imgenes concretas que vamos a emplear en nuestro estudio. Estas imgenes han sido
- 169 -
construidas utilizando una herramienta automtica que se ha desarrollado especficamente para

este propsito (Plaza, 2002c). El proceso de generacin de las imgenes que a continuacin se
enumeran sigue el proceso descrito anteriormente mediante la utilizacin de datos de radiancia y
reflectancia y aadiendo un componente de ruido para simular las condiciones de adquisicin
del sensor.
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
Figura 4.2.6. Regiones y tabla de asignacin de abundancias para imagen_simulada_1.
La imagen_simulada_1 representa una situacin de mezcla abrupta entre dos componentes,

tal y como puede apreciarse en la figura 4.2.6, en la que aparece una descripcin grfica de la
misma junto con su tabla de abundancias asociada. Esta situacin de mezcla resulta adecuada
para realizar una evaluacin preliminar del funcionamiento del algoritmo propuesto. Las
regiones que aparecen en la imagen son intencionadamente simples para que puedan as ser
modeladas utilizando elementos estructurales simples.
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
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
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
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 -
4.2.3. Experimentos realizados con imgenes sintticas

En este apartado describimos los resultados obtenidos en los experimentos realizados con
imgenes sintticas. Los objetivos de los experimentos realizados son los que se describen a
continuacin:
1.-
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.-
Segundo experimento. Analiza la calidad de los endmembers extrados. El anlisis de

la similitud espectral entre los endmembers seleccionados por el algoritmo y las firmas
originales utilizadas en la generacin de las imgenes resulta crucial a la hora de
contrastar cmo afecta el proceso de simulacin de ruido al proceso de seleccin de
endmembers, los cuales sern utilizados posteriormente para estimar abundancias.
3.-
Tercer experimento. Determina el grado de exactitud del algoritmo a la hora de

estimar la abundancia de los endmembers seleccionados. Una de las tcnicas ms
ampliamente utilizadas en la literatura para evaluar la calidad de un conjunto de
endmembers consiste en comparar los coeficientes obtenidos al calcular la abundancia
de los mismos en la imagen original con los coeficientes abundancias reales
(Ifarraguerri y Chang, 2000). Este paso no siempre puede realizarse debido a que la
informacin de verdad terreno relacionada con la abundancia real de componentes
resulta muy difcil de obtener, a no ser que se trabaje con imgenes sintticas. En
nuestro caso, la simplicidad a la hora de obtener mapas de abundancia verdad terreno
a partir de las imgenes simuladas anteriormente descritas posibilita la realizacin de
este experimento.
4.-
Cuarto experimento. Evala las prestaciones de nuestro algoritmo en la tarea de

deteccin de objetos individuales o targets en imgenes sintticas. Una de las
aplicaciones ms interesantes de la identificacin de endmembers consiste en utilizar
las firmas espectrales obtenidas para reconocer la posicin de ciertos objetos
individuales en la escena (ver apartado 2.3.2.1). El proceso de deteccin de targets
puede plantearse como un caso particular de la identificacin de endmembers, siendo
los targets los elementos espectralmente ms puros.
- 173 -
4.2.3.1. Primer experimento: deteccin de pixels puros y pixels mezcla.

El objetivo general de este primer experimento es analizar la precisin del algoritmo a la
hora de identificar los pixels puros de la imagen. Los elementos estudiados son los siguientes:
Tamao del elemento estructural utilizado (parmetro del algoritmo).
Relacin SNR presente en los datos.
Complejidad computacional.
Tipo de mezcla lineal entre componentes (abrupta/progresiva).
Uso de datos de radiancia/reflectancia.
Para abordar la evaluacin de estos parmetros se han realizado diferentes pruebas, que se
detallan a continuacin.
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.
Anlisis de imagen_simulada_1 en unidades de radiancia y reflectancia.

Inicialmente, consideramos la imagen_simulada_1 en unidades de radiancia y reflectancia.
Sobre esta imagen aplicamos la fase de identificacin de pixels puros, contenida en el algoritmo
propuesto, utilizando un kernel cuadrado cuyo tamao vara entre 5x5 y 25x25 pixels. La
relacin SNR se fija a un valor constante de 30:1. En cada caso, se obtiene una imagen en NDs
que indica el ndice de pureza de cada pixel.
En la parte superior de la figura 4.2.10 se muestran las imgenes de pureza obtenidas para la
imagen_simulada_1 en unidades de radiancia, mientras que la parte intermedia muestra las
imgenes de pureza para la imagen_simulada_1 en unidades de reflectancia. Para cada una de
- 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
Area bajo la curva ROC (%)
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
Tamao del kernel
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
Figura 4.2.12. Desventajas de utilizar un elemento estructural grande en el proceso de identificacin

de pixels puros.
Podemos expresar la mejora en el rendimiento o speed-up como el ratio en el que el coste

computacional del algoritmo mejora al considerar una implementacin optimizada del mismo
(Harvey y col., 2002). En nuestro caso, el ratio de mejora al considerar un tamao de ventana de
11x11 pixels con respecto al caso en el que el tamao de ventana es de 20x20 pixels es
aproximadamente de 3:1, segn los datos relativos al nmero de operaciones que se muestran en
la tabla 4.2.1. Este hecho revela que la complejidad computacional del algoritmo crece a medida
que el tamao de los elementos estructurales utilizados es mayor. Por tanto, en el ejemplo que
nos ocupa, el elemento estructural de 11x11 pixels resulta ms apropiado que el de 20x20 pixels,
pues permite obtener un resultado de clasificacin muy similar (ver figura 4.2.10) con una
complejidad de clculo menor.
Tamao ventana
Complejidad (nmero de productos)
11x11
60x60x112x224 = 97.5 x 106
20x20
60x60x202x224 = 322.5 x 106
TABLA 4.2.1. NMERO DE PRODUCTOS REALIZADOS AL PROCESAR LA IMAGEN_SIMULADA_1 CON

DIFERENTES TAMAOS DE VENTANA.
Finalmente, conviene destacar que el uso de datos de radiancia/reflectancia no tiene un

impacto significativo sobre la salida del algoritmo. Esta afirmacin se fundamenta en los
siguientes resultados: por un lado, las imgenes de pureza mostradas en la parte superior e
intermedia de la figura 4.2.10 son muy similares en el caso de considerar datos de radiancia y
reflectancia. Por otra parte, las curvas de precisin (rea bajo la curva ROC), mostradas en la
parte inferior de dicha figura, presentan una tendencia muy similar en ambos casos.
- 177 -

En este apartado describimos un experimento similar al anteriormente descrito, utilizando
ahora la imagen_simulada_2. En el presente experimento, variamos el tamao del elemento
estructural entre 11x11 y 51x51 pixels. De nuevo, la precisin del algoritmo en la identificacin
de pixels puros se determina a partir de la construccin de curvas ROC para cada imagen de
pureza, seguida de una estimacin del rea bajo cada una de las curvas resultantes. La parte
superior de la figura 4.2.13 muestra las imgenes de pureza obtenidas para la
imagen_simulada_2 en unidades de radiancia; la parte intermedia muestra las imgenes de
pureza para la imagen_simulada_2 en unidades de reflectancia; la parte inferior muestra el rea
estimada bajo la curva ROC asociada a las imgenes de pureza antes mencionadas.
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
Tamao del kernel
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
Falsos positivos (%)
Falsos positivos (%)
Curva ROC (Rad. 11x11)

1
0,6
0,4
0,2
Area bajo la curva ROC = 93 %
0,6
0,4
0,2
Area bajo la curva ROC = 100%
0
0
0,2
0,4
0,6
0,8
Verdaderos positivos (%)
0,2
0,4
0,6
0,8
Verdaderos positivos (%)
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 -
El uso de un tamao de ventana superior o igual a 51x51 deriva en un claro descenso en la

precisin del algoritmo (ver figura 4.2.13). Este hecho se debe a que, en este caso, siempre
habr dentro del elemento estructural dos materiales puros y el ndice de pureza de uno de ellos
se desestima debido a que solamente se selecciona un endmember por elemento estructural.
A partir de las circunstancias antes mencionadas, podemos deducir que el tamao de ventana
ptimo para esta imagen es de 41x41 pixels. No obstante, un estudio detallado de la relacin
entre la complejidad computacional del algoritmo y la precisin con que se calculan los
resultados revela que el tamao de 11x11 pixels es el ms adecuado. La tabla 4.2.2 muestra el
coste computacional expresado en nmero de productos al considerar los dos tamaos de
ventana mencionados.
Tamao de ventana
Complejidad (nmero de productos)
11x11
602x112x224 = 97.5 x 106
41x41
602x412x224 = 1355.5 x 106
TABLA 4.2.2. NMERO DE PRODUCTOS REALIZADOS AL PROCESAR LA IMAGEN_SIMULADA_2 CON

DIFERENTES TAMAOS DE VENTANA.
El speed-up al utilizar un tamao de ventana de 11x11 pixels es aproximadamente de 14:1,

segn los datos mostrados en la tabla 4.2.2. El elemento estructural de 11x11 pixels resulta por
tanto ms apropiado que el de 41x41 pixels, pues permite obtener resultados con precisin del
93% con una complejidad de clculo 14 veces ms reducida. De nuevo, el uso de datos de
radiancia o reflectancia no resulta un parmetro significativo para el procesamiento de la
imagen_simulada_2 mediante el algoritmo propuesto.
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=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
96
96
96
93
94
94
97
96
80
62
60
60
Radiancia
Reflectancia
40
10
30
50
70
90
SNR
Figura 4.2.15. Imgenes resultantes obtenidas al procesar, utilizando un tamao de ventana de

11x11 pixels y diferentes valores de SNR, la imagen_simulada_1 en unidades de radiancia
(parte superior) y reflectancia (parte intermedia). rea bajo la curva ROC en cada caso (parte
inferior).

En primer lugar consideramos la imagen_simulada_1. La figura 4.2.15 muestra las imgenes
de pureza obtenidas al procesar dicha imagen en unidades de radiancia (parte superior) y en
unidades de reflectancia (parte intermedia), as como la variacin en la precisin del algoritmo
cuando se consideran valores de la relacin SNR entre 10:1 y 90:1 (parte inferior). En todos los
casos, se ha considerado un tamao de kernel fijo de 11x11 pixels (tamao que se revel en la
prueba anterior como el ms apropiado para esta imagen).
Los resultados mostrados en la figura 4.2.15 ponen de manifiesto que la estimacin de la
pureza de los pixels desciende cuando la relacin SNR es de 10:1. No obstante, a pesar de las
nfimas condiciones de calidad de las imgenes simuladas en este caso, el algoritmo propuesto
alcanza porcentajes de precisin superiores al 60%. Por otra parte, cuando la relacin SNR es de
30:1, la precisin asciende hasta niveles superiores al 90%, los que se mantienen para valores
superiores de la relacin 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
Figura 4.2.16. Imgenes resultantes obtenidas al procesar, utilizando un tamao de ventana de

11x11 pixels y diferentes valores de SNR, la imagen_simulada_3 en unidades de radiancia (parte
superior) y reflectancia (parte intermedia). rea bajo la curva ROC en cada caso (parte inferior).

En segundo lugar, consideramos la imagen_simulada_2. La figura 4.2.16 muestra las
imgenes de pureza obtenidas al procesar dicha imagen en unidades de radiancia (parte
superior) y en unidades de reflectancia (parte intermedia), as como la variacin en la precisin
del algoritmo cuando se consideran valores de la relacin SNR entre 10:1 y 90:1 (parte inferior).
De nuevo, se ha considerado un tamao de kernel fijo de 11x11 pixels, por tratarse del ms
apropiado para la imagen a partir de los resultados de la prueba anterior.
Los resultados obtenidos para esta imagen revelan que, an en presencia de condiciones de
ruido extremas (SNR de 10:1), el algoritmo alcanza niveles de precisin superiores al 75% tanto
en el caso de la imagen de radiancia como al utilizar datos de reflectancia. Los niveles de
precisin se sitan, en ambos casos, por encima del 90% cuando la relacin SNR se incrementa
hasta 30:1, y llegando hasta un 98% cuando la SNR es de 90:1.
- 182 -
A modo de resumen de este primer experimento realizado, enumeramos una serie de

valoraciones que sern tenidas en cuenta en pruebas posteriores:
Las caractersticas espaciales (forma y tamao) del elemento estructural empleado
y la relacin de las mismas con las caractersticas espaciales de los patrones en la
imagen son elementos clave en el proceso de identificacin de pixels puros. Las
pruebas realizadas revelan que el tamao de ventana ptimo para la
imagen_simulada_1 y la imagen_simulada_2 es de 11x11 pixels.
An en presencia de condiciones de ruido extremas, el algoritmo propuesto es
capaz de alcanzar niveles de precisin aceptables (entre el 60% y el 75%) a la hora
de estimar el ndice de pureza de los pixels.
A medida que los valores de la relacin SNR se incrementan, la precisin del
algoritmo aumenta de forma considerable. A partir de ratios de 30:1, considerados
muy bajos en la mayora de las aplicaciones, la precisin del algoritmo se sita por
encima del 90%.
La complejidad computacional del mtodo propuesto est en relacin directa con
el tamao de los elementos estructurales utilizados, siendo clave la necesidad de
encontrar un compromiso adecuado entre coste computacional y precisin
obtenida. Los elevados niveles de precisin alcanzados hacen viable la utilizacin
de elementos estructurales de tamao reducido, favoreciendo un descenso
considerable en el coste computacional del mtodo.
Los resultados proporcionados son igualmente satisfactorios al considerar mezclas
abruptas (imagen_simulada_1) y progresivas (imagen_simulada_2).
Por ltimo, el uso de datos de radiancia/reflectancia no tiene un impacto
significativo en el rendimiento del algoritmo a la hora de estimar el ndice de
pureza de los pixels de la imagen.
4.2.3.2. Segundo experimento: identificacin de endmembers.

El objetivo general de este segundo experimento es analizar la precisin del algoritmo a la
hora de identificar los endmembers de la imagen. Los elementos estudiados son los siguientes:
Mecanismos de extraccin de endmembers.
- 183 -

Las pruebas realizadas en este apartado tienen como objetivo determinar la similaridad entre
los endmembers finales identificados por el algoritmo (ver apartado 3.2.2.5) y las firmas
espectrales puras utilizadas para generar las imgenes. Para ello, utilizamos dos imgenes
caracterizadas por situaciones de mezcla diferentes, siendo imagen_simulada_1 un ejemplo de
mezcla abrupta e imagen_simulada_2 un ejemplo de mezcla progresiva.
El proceso de seleccin de endmembers comienza a partir de una imagen de pureza
proporcionada por el algoritmo (en el anterior experimento, evaluamos en detalle la capacidad
del algoritmo para estimar el grado de pureza de los pixels utilizando las mismas imgenes
sintticas que sern empleadas en este experimento). Sobre la imagen de pureza, se aplica un
mtodo de umbralizado automtico que permite extraer un conjunto de pixels puros. Utilizando
estos pixels, el conjunto final de endmembers puede obtenerse mediante los mecanismos MEPP
y MECR (ver apartado 3.2.2.3).
Seguidamente, presentamos el conjunto de pruebas realizadas, que tienen como objetivo
fundamental evaluar los dos mecanismos de extraccin de endmembers anteriormente
mencionados. De forma paralela a la realizacin de estas pruebas, analizamos la influencia del
ruido presente en la imagen original y del uso imgenes generadas a partir de datos de radiancia
o reflectancia. La pruebas se estructuran en dos grandes bloques, que se describen a
continuacin.
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.
Anlisis de imagen_simulada_1 en unidades de radiancia.

Inicialmente, consideramos la imagen_simulada_1 generada a partir de datos de radiancia.
Esta escena se contamina con ruido en proporciones variables, dando lugar a diferentes valores
de la relacin SNR, en concreto, 10:1, 30:1 y 50:1. A partir de cada una de las imgenes
resultantes, realizamos una estimacin del ndice de pureza de los pixels de la imagen utilizando
el tamao de ventana ptimo (11x11 pixels, como qued establecido en el experimento
anterior). Este tamao ser considerado en todas las pruebas realizadas con la
- 184 -
imagen_simulada_1 a partir de este momento. El conjunto final de endmembers se obtiene a

partir de la imagen de pureza mediante el mecanismo MEPP.
En la figura 4.2.17 se muestran los endmembers extrados siguiendo el anterior
procedimiento junto con las firmas originales (vegetacin y suelo) empleadas para generar la
imagen. En todos los casos, el algoritmo selecciona dos endmembers, que se etiquetan como
MEPP_1 y MEPP_2.
Firmas espectrales originales

8000
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
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.
Este hecho no debe
sorprendernos, puesto que el mecanismo MEPP de seleccin de endmembers se basa en la

bsqueda de los pixels ms extremos de la nube de puntos. Este mtodo es intrnsecamente
sensible al ruido, dado que hay una alta probabilidad de encontrar firmas ruidosas que sean ms
extremas que los endmembers.
La tabla 4.2.3 muestra la matriz de correlacin de ngulos espectrales (SAM) entre las
firmas extradas (utilizando diferentes valores de SNR) y las firmas verdad terreno. En dicha
matriz, cuanto menor es el valor del ngulo espectral, mayor es la similaridad. A la hora de
analizar los resultados mostrados en la tabla 4.2.3, debemos tener en cuenta que en este
experimento estamos trabajando con datos simulados, en los cuales la simulacin de
- 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
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
MEPP_1
MEPP_2
6000
6000
MEPP_1
MEPP_2
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
partir de imagen_simulada_1 en unidades de reflectancia, generada utilizando diferentes valores de
Anlisis de imagen_simulada_1 en unidades de reflectancia.

Consideramos ahora la imagen_simulada_1 en unidades de reflectancia. La figura 4.2.18
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. La figura pone de manifiesto la influencia de la relacin
SNR en la forma espectral de las firmas obtenidas segn este mecanismo de seleccin de
endmembers.
- 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
DE IMAGEN_SIMULADA_1 (UNIDADES DE REFLECTANCIA) Y FIRMAS ORIGINALES.

Repetimos el experimento anterior para la imagen_simulada_2, generada a partir de datos de
radiancia y contaminada con ruido en diferentes proporciones hasta llegar a valores de SNR de
10:1, 30:1 y 50:1. A partir de cada una de las imgenes resultantes, realizamos una estimacin
del ndice de pureza de los pixels de la imagen utilizando el tamao de ventana ptimo (11x11
pixels, en virtud del experimento anterior, tamao que ser considerado a partir de ahora en
todas las pruebas realizadas con la imagen_simulada_2). El conjunto final de endmembers se
obtiene a partir de la imagen de pureza mediante el mtodo MEPP.

8000
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
8000
MEPP_1
MEPP_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
9000
8000
MEPP_1
MEPP_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
- 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
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.

Realizamos de nuevo el experimento, considerando ahora la imagen_simulada_2 en
unidades de reflectancia. En la figura 4.2.20 se muestran las firmas originales utilizadas en la
generacin de esta imagen y los endmembers extrados siguiendo el procedimiento MEPP,
considerando los valores habituales de SNR de 10:1, 30:1 y 50:1.

6000
Vegetacin
Suelo
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
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
MEPP_1
MEPP_2
6000
6000
MEPP_1
MEPP_2
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
- 188 -

SNR = 10:1
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
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.

Consideramos la imagen_simulada_1, generada a partir de datos de radiancia y contaminada
con ruido en diferentes proporciones hasta llegar a valores de SNR de 10:1, 30:1 y 50:1. A
continuacin, se estima el ndice de pureza de los pixels de la imagen y se aplica un proceso de
identificacin de endmembers utilizando el mecanismo MECR, en el que el resultado obtenido
se refina mediante un proceso de crecimiento de regiones adaptativo.
La figura 4.2.21 muestra las regiones finales obtenidas tras aplicar el proceso de crecimiento
adaptativo MECR y los endmembers que se obtienen a partir del clculo del espectro promedio
en dichas regiones. Como puede apreciarse en la figura, a medida que la SNR aumenta, el
proceso de crecimiento es mucho ms preciso. En todos los casos, los endmembers finales
obtenidos son muy similares en trminos espectrales a las firmas originales utilizadas para
construir la imagen, las cuales se muestran tambin en la figura 4.2.21 para facilitar una
comparacin visual.
- 189 endmembers (SNR=10:1)

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
MECR_1
MECR_2
6000
4000
2000
0
300
MECR_1
MECR_2
6000
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
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
TABLA 4.2.7. MATRIZ SAM ENTRE ENDMEMBERS EXTRADOS A PARTIR DE IMAGEN_SIMULADA_1

(UNIDADES DE RADIANCIA) Y FIRMAS ORIGINALES.
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.

Consideramos ahora la imagen_simulada_1 generada a partir de datos de reflectancia y los
valores de SNR habituales: 10:1, 30:1 y 50:1. La figura 4.2.22 muestra las regiones finales y los
- 190 -
endmembers obtenidos por el procedimiento MECR para esta imagen concreta, junto con las
firmas originales utilizadas en la creacin de la imagen.
Vegetacin
Suelo
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
MECR_1
MECR_2
1200
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
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

(UNIDADES DE REFLECTANCIA) Y FIRMAS ORIGINALES.
- 191 -

Consideramos ahora la imagen_simulada_2 en unidades de radiancia y las proporciones de
ruido habituales hasta dar lugar a valores de SNR de 10:1, 30:1 y 50:1. Sobre cada imagen
resultante aplicamos el proceso de identificacin de endmembers basado en el mecanismo
MECR, obteniendo las regiones finales y los endmembers que se muestran en la figura 4.2.23, la
cual muestra tambin las firmas originales utilizadas en la creacin de la imagen.
En esta figura, llama particularmente la atencin el irregular proceso de crecimiento de
regiones producido en el caso en el que la SNR es de 10:1. A pesar de esta circunstancia,
podemos advertir visualmente el gran parecido existente entre los endmembers extrados en este
8000

Vegetacin
Suelo
6000
4000
2000
0
300
caso y las firmas originales.
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
6000
900
MECR_1
MECR_2
6000
4000
2000
0
300
600
900
1200
1500
1800
2100
2400
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 = 10:1
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

(UNIDADES DE RADIANCIA) Y FIRMAS ORIGINALES.

Para terminar esta prueba, consideramos la imagen_simulada_2 en unidades de reflectancia
y los valores de SNR habituales. Las regiones finales y los endmembers extrados tras aplicar el
proceso MECR se muestran en la figura 4.2.24, junto con las firmas originales para permitir una
comparacin visual.
Vegetacin
Suelo
4000
2000
0
300
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
1200
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
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

(UNIDADES DE REFLECTANCIA) Y FIRMAS ORIGINALES.
A modo de resumen de las pruebas realizadas a lo largo de este segundo

experimento, enumeramos una serie de valoraciones que sern tenidas en cuenta en
experimentos posteriores:
El mecanismo de seleccin de endmembers MEPP es sensible al ruido: las pruebas
realizadas revelan que la utilizacin de valores de SNR de 10:1 dan como
resultado endmembers ruidosos, poco similares espectralmente con las firmas
originales utilizadas en la generacin de las imgenes.
El mecanismo de seleccin MECR permite obtener endmembers muy similares, en
trminos espectrales, a las firmas originales, an en presencia de condiciones de
ruido extremas. Este hecho se debe a la incorporacin de informacin espacial en
el proceso de crecimiento de regiones, que permite dotar a los endmembers
extrados de una coherencia espacial que no presentan las firmas que se
seleccionan utilizando el mecanismo MEPP.
En el caso de utilizar el mecanismo MECR, el mtodo es capaz de extraer
correctamente los endmembers en los dos tipos de mezcla analizados: abrupta
(imagen_simulada_1) y progresiva (imagen_simulada_2).
El funcionamiento del mecanismo MECR parece independiente del valor de SNR
presente en la imagen. Por su parte, el funcionamiento del mtodo MEPP mejora
de forma ostensible cuanto mayor sea el ratio SNR presente en la imagen.
El proceso de seleccin de endmembers no se ve afectado por el hecho de utilizar
datos de radiancia o reflectancia, particularmente cuando se aplica el mecanismo
MECR para realizar la seleccin final de firmas puras.
- 194 -
4.2.3.3. Tercer experimento: estimacin de abundancias.

El objetivo general de este experimento es analizar la precisin del algoritmo a la hora de
estimar la abundancia de los endmembers extrados. Los elementos estudiados en este
experimento son los siguientes:
Las pruebas realizadas en este experimento pretenden determinar la influencia de estos
elementos individuales en el proceso de estimacin de abundancias. Las imgenes utilizadas en
dichas pruebas son las siguientes: imagen_simulada_1 (mezcla abrupta), imagen_simulada_2
(mezcla progresiva) e imagen_simulada_3 (mezcla progresiva con cambios muy pequeos en la
abundancia). A continuacin, detallamos mediante una serie de pasos el procedimiento general a
la hora de realizar las pruebas.
1.-
Inicialmente, partimos de los endmembers extrados a partir de las imgenes

anteriormente mencionadas, contaminadas con ruido hasta dar lugar a diferentes
valores de SNR (10:1, 30:1 y 50:1). El mecanismo empleado para extraer los
endmembers es el MECR, el cual se revel en el experimento anterior como el ms
apropiado en condiciones de ruido adversas.
2.-
Utilizando los endmembers extrados, generamos mapas de abundancia mediante un

procedimiento de desmezclado espectral lineal restringido FCLSU (ver apartado
3.2.2.5).
3.-
Seguidamente, comparamos los mapas de abundancia estimados con mapas de

abundancia verdad terreno obtenidos directamente a partir de la imagen sinttica. La
comparacin se realiza utilizando diagramas de dispersin, que ofrecen una indicacin
visual acerca de la correlacin entre los valores estimados y los valores reales. A partir
de dichos diagramas, se derivan medidas cuantitativas como el error RMSE, descrito
en el apartado 2.3.2. El procedimiento descrito se repite considerando las imgenes
generadas a partir de datos de radiancia y reflectancia.

La figura 4.2.25 muestra los mapas de abundancia, obtenidos mediante FCLSU, asociados a
los endmembers extrados a partir de la imagen_simulada_1 en unidades de radiancia, con
- 195 -
diferentes proporciones de ruido. En la figura tambin se muestran los mapas de abundancia

verdad terreno asociados a dicha imagen.
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)
Figura 4.2.25. Mapas de abundancia verdad terreno para imagen_simulada_1 en unidades de

radiancia (parte superior) y mapas de abundancia (FCLSU) para los endmembers extrados a partir de
dicha imagen.
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
TABLA 4.2.11. COMPARACIN ENTRE RMSE TOTAL Y RELATIVO COMETIDO EN ESTIMACIN DE

ABUNDANCIAS DE IMAGEN_SIMULADA_1 EN UNIDADES DE RADIANCIA.
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.

Una vez realizada la prueba con la imagen_simulada_1 en unidades de radiancia, repetimos
el procedimiento utilizando esta vez la imagen generada a partir de datos de reflectancia. La
figura 4.2.27 muestra los mapas de abundancia asociados a los endmembers finales extrados a
partir de esta imagen, junto con los correspondientes mapas de abundancia verdad terreno.
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)

reflectancia; mapas de abundancia (FCLSU) para los endmembers extrados a partir de dicha imagen.
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).
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

ABUNDANCIAS DE IMAGEN_SIMULADA_1 EN UNIDADES DE REFLECTANCIA.
La tabla 4.2.10 muestra los RMSE absolutos y relativos cometidos en el proceso de

estimacin de abundancias para esta imagen. Los errores absolutos se encuentran en torno al
10% cuando la SNR es de 10:1 y se reducen hasta un 1% cuando la SNR es de 50:1. Los errores
relativos presentan contribuciones muy similares al error total, lo cual revela que el mtodo se
comporta de forma muy similar independientemente de cul sea el coeficiente de abundancia a
estimar.
- 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.

La figura 4.2.29 muestra los mapas de abundancia asociados a los endmembers
seleccionados por el algoritmo para la imagen_simulada_2 en unidades de radiancia, junto con
los mapas de abundancia verdad terreno para dicha imagen.
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)

radiancia; mapas de abundancia (FCLSU) para los endmembers extrados a partir de dicha imagen.
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 -
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 -

seleccionados a partir de la imagen_simulada_2 en unidades de reflectancia, junto con los
correspondientes mapas verdad terreno.
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
proporcionales al error global.
las
abundancias
individuales
presentan
contribuciones
- 202 -
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

ABUNDANCIAS DE IMAGEN_SIMULADA_2 EN UNIDADES DE REFLECTANCIA.

seleccionados a partir de la imagen_simulada_3 en unidades de reflectancia, junto con los
correspondientes mapas verdad terreno. El efecto de degradado que se aprecia en los mapas
resultantes es un fiel reflejo de la situacin de mezcla progresiva en proporciones muy pequeas
que se da en la imagen original.
- 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)

radiancia; mapas de abundancia (LSU) para los endmembers extrados a partir de dicha imagen.
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.
- 204 -
Los diagramas de dispersin mostrados en la figura 4.2.32 revelan que la correlacin

obtenida es aceptable en todas las situaciones, si bien es cierto que en condiciones de ruido
extremo (SNR de 10:1), la correlacin obtenida es sensiblemente inferior. La tabla 4.2.15
muestra los errores totales y relativos cometidos en la estimacin de abundancias en esta
imagen. Esta tabla muestra que los errores totales se mueven en unos porcentajes en torno al
13% en el peor caso, disminuyendo hasta el 2% cuando la SNR es aceptable (50:1). Con objeto
de analizar el RMSE relativo, hemos dividido las abundancias reales en diez grupos, donde el
primer grupo est constituido por los coeficientes entre 0 y 0.1; el segundo entre 0.1 y 0.2, y as
sucesivamente hasta el dcimo grupo, que contiene los coeficientes entre 0.9 y 1. Los valores
obtenidos en cada grupo revelan que la contribucin al error total de los errores relativos en
cada grupo es proporcional. Este hecho indica que, a pesar de la compleja situacin de mezcla
que se modela en la imagen, el mtodo muestra un comportamiento similar a la hora de
determinar la proporcin de componentes abundantes y de componentes poco abundantes.
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
abundancia de 0.1 a 0.2
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


Para concluir esta ltima prueba dentro del experimento que nos ocupa, la figura 4.2.35
muestra los mapas de abundancia asociados a los endmembers obtenidos a partir de la
imagen_simulada_3 en unidades de reflectancia, junto con los correspondientes mapas de
abundancias reales.
- 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 -
A modo de resumen general de los resultados obtenidos en este tercer experimento,

destacamos las siguientes valoraciones, que sern tenidas en cuenta en experimentos
sucesivos:
Las abundancias estimadas a partir de los endmembers obtenidos por el mtodo
propuesto presentan valores de correlacin elevados con respecto a la verdad
terreno, incluso en presencia de condiciones de ruido extremas. A pesar de que las
correlaciones obtenidas son inferiores cuando la SNR es de 10:1 o inferior, el
proceso de estimacin no se ve seriamente perjudicado.
El comportamiento del mtodo propuesto es similar en los tres modelos de mezcla
lineal analizados: mezcla abrupta, mezcla progresiva y mezcla progresiva a
intervalos de abundancia muy pequeos.
La utilizacin de datos de reflectancia mejora ligeramente los resultados obtenidos
respecto a la utilizacin de datos de radiancia en el caso de trabajar con mezclas
abruptas y mezclas progresivas. No obstante, la mejora obtenida no resulta
demasiado significativa a la hora de evaluar los resultados desde un punto de vista
global.
En el caso de trabajar con mezclas progresivas a intervalos de abundancia muy
pequeos, resulta indiferente trabajar con datos de radiancia o reflectancia. Este
hecho puede deberse al procedimiento empleado a la hora de generar las mezclas
entre los espectros originales.
4.2.3.4. Cuarto experimento: deteccin de objetos.

El objetivo general de este experimento es evaluar la capacidad del algoritmo propuesto para
detectar objetos individuales en la imagen. Los elementos que sern evaluados a lo largo del
presente experimento son:
La justificacin de utilizar el algoritmo propuesto de identificacin de endmembers para
identificar objetos se fundamenta en el hecho de que el proceso de deteccin de objetos o
targets puede plantearse como un caso particular de la identificacin de endmembers, siendo los
targets los elementos espectralmente ms puros. Con objeto de evaluar la precisin del
algoritmo en esta tarea, proponemos un conjunto de pruebas basadas en los siguientes pasos:
- 207 -
1.-
Inicialmente, se extraen los endmembers de la escena.
2.-
A continuacin, se construyen filtros de similaridad (ver apartado 2.3.2.1) para separar

cada uno de los objetos individuales del resto de objetos de la imagen. Los filtros de
similaridad proporcionan como resultado imgenes en NDs que indican la
probabilidad de que un cierto pixel pertenezca o no a un objeto concreto. En este
sentido, las imgenes de probabilidad son binarias en el sentido de que contienen
informacin acerca de dos elementos: el objeto que estamos tratando de identificar y
el fondo. Todos aquellos pixels que no forman parte del objeto buscado sern
etiquetados como fondo.
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.-
Seguidamente, se aplican algoritmos de umbralizacin automtica (ver apartados 2.2.2

y 3.2.2.2) sobre las imgenes proporcionadas por los filtros de similaridad para
separar objeto y fondo.
5.-
A partir de los resultados obtenidos, se utilizan medidas propias de la teora de la

deteccin (apartado 2.3.2.1), como la fraccin de verdaderos positivos (ver expresin
2.3.15) y la fraccin de falsos positivos (expresin 2.3.16), para obtener una medida
cuantitativa de la precisin obtenida a la hora de reconocer el objeto.
Los
experimentos
presentados
en
este
apartado
han
sido
realizados
con
la
imagen_simulada_4, especialmente diseada para este experimento. Esta imagen se caracteriza

por simular dos "objetos" individuales (en concreto, un edificio y una carretera) sobre un fondo
homogneo (suelo).

La figura 4.2.36 (parte superior) muestra los endmembers obtenidos al aplicar el algoritmo
propuesto, utilizando el mecanismo MECR, sobre la imagen_simulada_4 en unidades de
radiancia. A la hora de generar la imagen, se han considerado dos valores diferentes de la
relacin SNR: un valor inaceptable (10:1) y un valor reducido (30:1). En la parte intermedia de
la figura se muestran las imgenes resultantes proporcionadas por los filtros de similaridad
- 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 (W/cm /nm/sr)
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 -
La tabla 4.2.16 muestra un anlisis cuantitativo de los resultados mostrados en la figura

4.2.36. Cuando la SNR es de 10:1, la fraccin de verdaderos positivos detectados en el objeto
edificio es del 85%, pero la tasa de falsos positivos se sita en un 33%, dando como resultado
un rendimiento global moderado a la hora de detectar este objeto. En el caso del objeto edificio,
los pixels correctamente clasificados apenas superan el 30%, mantenindose la proporcin de
falsos positivos. Por el contrario, cuando la SNR es de 30:1, el algoritmo ofrece resultados muy
satisfactorios, dando lugar a tasas ptimas en cuanto a la proporcin de verdaderos positivos y
falsos positivos en la deteccin de ambos objetos.
SNR
10:1
30:1
Endmember
Edificio
Carretera
Edificio
Carretera
Fraccin verdaderos positivos
0.85
0.33
1.00
1.00
Fraccin falsos positivos
0.27
0.25
0.01
0.01
TABLA 4.2.16. FRACCIN DE VERDADEROS POSITIVOS Y FALSOS POSITIVOS EN LA DETECCIN DE

OBJETOS INDIVIDUALES EN IMAGEN_SIMULADA_4 EN UNIDADES DE RADIANCIA.
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
Dispersin Radiancia (SNR=50:1)

5000
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
Figura 4.2.37. Diagramas de dispersin de componentes principales para imagen_simulada_4 en

unidades de radiancia.
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.

La figura 4.2.38 (parte superior) muestra los endmembers obtenidos al aplicar el algoritmo
propuesto, utilizando el mecanismo MECR, sobre la imagen_simulada_4 en unidades de
reflectancia, generada considerando valores de SNR de 10:1 y 30:1. En la parte intermedia de la
figura se muestran las imgenes resultantes proporcionadas por los filtros de similaridad
construidos para los objetos edificio y carretera, y en la parte inferior se muestra el resultado de
aplicar el mtodo de umbralizado automtico de Otsu sobre las imgenes anteriormente
mencionadas.
Los resultados mostrados en la figura 4.2.38 son muy similares a los ya mencionados para la
misma imagen en unidades de radiancia. En presencia de condiciones de ruido extremas (SNR
de 10:1), la forma del objeto edificio se recupera con dificultades, mientras que la forma del
objeto carretera no puede extraerse. Cuando la SNR es reducida (30:1), la forma de ambos
objetos se recupera de forma muy precisa.
SNR
10:1
30:1
Endmember
Edificio
Carretera
Edificio
Carretera
Fraccin verdaderos positivos
0.85
0.33
1.00
1.00
Fraccin falsos positivos
0.27
0.25
0.01
0.01
TABLA 4.2.17. FRACCIN DE VERDADEROS POSITIVOS Y FALSOS POSITIVOS EN LA DETECCIN DE

OBJETOS INDIVIDUALES EN IMAGEN_SIMULADA_5 EN UNIDADES DE REFLECTANCIA.
La tabla 4.2.17 cuantifica los resultados anteriormente comentados en trminos de

verdaderos y falsos positivos. Cuando la SNR es de 10:1, la fraccin de verdaderos positivos
detectados en el objeto edificio es del 72%, siendo la tasa de falsos positivos del 19%. En el
objeto carretera, la tasa de verdaderos y falsos positivos es casi equiparable (36% frente a 24%).
Cuando la SNR es de 30:1, los resultados de deteccin para ambos objetos se aproximan al caso
- 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
)mn( ad no ed d utig noL
ar et erraC
0 004
0 012
0 081
0 051
0 021
0 09
0 06
)001*%( ecna tce lfeR
0 003
0 005
oi cif idE
ar et erra C
ol euS
) 001* %( aic natce lfeR
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).
A modo de resumen de los resultados obtenidos en este experimento, podemos destacar

las siguientes valoraciones:
En condiciones extremas de ruido (SNR de 10:1), se produce una tendencia de
unificacin de los datos en el espacio N-dimensional. Este hecho dificulta el proceso
de identificacin de objetos individuales en la imagen.
En condiciones de ruido muy elevadas (SNR de 30:1), el algoritmo propuesto es
capaz de identificar, de forma muy precisa, la forma exacta de los objetos presentes
en la imagen.
El uso combinado de filtros de similaridad y tcnicas automticas de umbralizado
resulta apropiado para recuperar el contorno de los objetos presentes en la imagen.
Esta tarea puede verse complementada con la utilizacin de diagramas de dispersin
- 212 -
de componentes principales, que ofrecen una medida cualitativa acerca de la

dificultad de realizar la separacin entre objetos de inters y fondo.
Las altas prestaciones obtenidas por el algoritmo propuesto en la tarea de
identificacin de objetos pueden deberse a la incorporacin de informacin espacial
en el proceso de identificacin de endmembers.
El uso de datos de radiancia/reflectancia no tiene una influencia significativa en el
proceso, siendo prcticamente equivalentes los resultados obtenidos en la imagen
considerada en el experimento.
4.3. Anlisis de imgenes reales

En este apartado presentamos las pruebas realizadas con imgenes reales, siguiendo la
estructura que se describe a continuacin.
1.-
Inicialmente, destacamos las caractersticas fundamentales de las imgenes reales

utilizadas en el estudio, describiendo las condiciones en que se realiz la toma de
datos, relacin SNR, materiales presentes en la escena captada, disponibilidad o no de
informacin verdad terreno y principales caractersticas de dicha informacin en caso
de estar presente.
2.-
A continuacin, exponemos de forma detallada los experimentos realizados con estas

imgenes. A partir de la experimentacin realizada, se derivan una serie de
conclusiones acerca del funcionamiento del mtodo.
4.3.1. Imgenes utilizadas y caractersticas.

A la hora de seleccionar un conjunto de imgenes reales para realizar la experimentacin,
hemos optado por escoger imgenes que han sido utilizadas en un amplio abanico de
aplicaciones.
Por otra parte, las imgenes utilizadas han sido adquiridas por sensores muy diversos en
diferentes fechas, con lo que la calidad de las mismas es variable. Los materiales que pueden
encontrarse en las mismas son muy variados, incluyendo minerales, vegetacin, suelos,
estructuras urbanas, cultivos, etc. La tabla 4.3.1 muestra un resumen de la base de datos de
imgenes reales empleadas en este estudio, que est compuesta por un total de 20 imgenes. En
cada caso, se destacan las caractersticas fundamentales de la imagen y su campo de aplicacin
fundamental.
Captulo 4. Anlisis y Discusin de resultados
- 213 -
Nuestra principal motivacin a la hora de testear el algoritmo con un conjunto tan

heterogneo de datos como el mostrado en la tabla 4.3.1 es comprobar su funcionamiento en
diferentes aplicaciones y en condiciones muy diversas. A continuacin, procedemos a describir
de forma ms detallada las imgenes utilizadas en el estudio.
Descriptor
Sensor
Zona cubierta
Ao
AVCUP95
AVIRIS
Cuprite, NV, USA
1995
50
AVIP92
AVIRIS
Indian Pines, IN, USA 1992

Simulacin en
laboratorio: rboles
sobre fondo
Bandas Rango espectral
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
Jasper Ridge, CA,

USA
1997
224
0.4 2.5 m
Radiancia
Ecologa
AVJREF97
AVIRIS
Jasper Ridge, CA,

USA
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
TABLA 4.3.1. BASE DE DATOS DE IMGENES REALES UTILIZADAS EN EL ESTUDIO.
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.-
Firmas espectrales de referencia, obtenidas a partir de estudios de campo realizados

por expertos del USGS sobre la regin Cuprite, utilizando un espectro-radimetro
Beckman con resolucin radiomtrica de 0.5 nm en el infrarrojo cercano y 0.2 nm en
el visible (Clark y Swayze, 1996). La elevada resolucin radiomtrica de este
instrumento ha motivado la creacin de una librera espectral de firmas
convolucionadas con las longitudes de onda de AVIRIS, de forma que se pueda
establecer una comparacin entre los datos adquiridos por ambos instrumentos de
medida en longitudes de onda comunes. La librera espectral convolucionada se
denomina AVIRIS-Convolved Digital Spectral Library, y se encuentra disponible de
forma pblica a travs de USGS (Clark y col, 1993). La figura 4.3.2 muestra cuatro
firmas espectrales correspondientes a los minerales ms abundantes en la zona de
estudio: alunite, buddingtonite, calcite y kaolinite. En la figura, estas firmas
espectrales aparecen etiquetadas respetando sus identificadores asociados en la librera
USGS.
- 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.-
Mapas de abundancia de los minerales ms caractersticos que pueden encontrarse

en la zona. Estos mapas, proporcionados por USGS (Swayze, 1997), contienen la
abundancia individual de cada componente en cada pixel de la imagen, por lo que
- 216 -
presentan una gran riqueza en cuanto a la cantidad de informacin que contienen.

Conviene destacar que estos mapas han sido obtenidos mediante la aplicacin del
algoritmo Tetracorder (Clark y col., 1999), utilizando las firmas espectrales
contenidas en la librera USGS, y no mediante estudios de campo en el terreno. La
figura 4.3.3 muestra dichos mapas de abundancia.
Para facilitar la visualizacin de los NDs de los mapas de abundancia de la figura 4.3.3, se
ha optado por utilizar una representacin en colores en lugar de la tradicional representacin en
niveles de grises. Esta forma de representacin ser utilizada en lo sucesivo a lo largo del
captulo.
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.-
Inicialmente, se montaron objetos esfricos de dos tipos (opacos y translcidos) sobre

una serie de soportes o estacas, simulando as un conjunto de rboles.
2.-
Estos rboles simulados se colocaron, siguiendo una distribucin aleatoria, sobre un

rea de 40 cm por 40 cm delimitada en una maqueta cubierta con un fondo. Las
tonalidades empleadas para los distintos fondos utilizados fueron verde, oscuro y
claro.
3.-
La maqueta resultante fue iluminada mediante una lmpara artificial de 1000 W,

utilizando un ngulo de incidencia de 40.
4.-
Finalmente, se adquirieron imgenes hiperespectrales de las maquetas simuladas

mediante el sensor CASI, descrito en el apartado 2.3.1. El proceso de adquisicin se
realiz desplazando cada maqueta con velocidad constante de forma perpendicular al
IFOV del sensor. Para la calibracin de estas imgenes, se utiliz como referencia un
panel Spectralon, cuyas unidades de radiancia fueron utilizadas como referencia a la
hora de calcular los valores de reflectancia de las escenas.
- 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
Altura del rbol
7.4
7.4
Altura de la estaca
4.8
4.0
Radio vertical
1.3
1.7
Radio horizontal
1.3
1.7
TABLA 4.3.2. DIMENSIONES EN CENTMETROS Y NATURALEZA DE LOS RBOLES UTILIZADOS EN EL

JUEGO DE IMGENES CASI01.
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
TABLA 4.3.3. CARACTERSTICAS DE LAS IMGENES QUE COMPONEN EL CONJUNTO CASI01.
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
Figura 4.3.5. Composicin en color de las imgenes CASI utilizadas en el estudio.
El gran control mantenido sobre las condiciones de generacin de las imgenes

anteriormente descritas ha propiciado la obtencin de informacin de verdad terreno a partir de
las mismas. En concreto, esta informacin contiene la proporcin o abundancia global de cada
uno de los tres componentes fundamentales (rbol, fondo y sombra) en las imgenes.
A diferencia de la verdad terreno en el caso de la imagen AVCUP95, constituida por un
conjunto de mapas de abundancia que contienen los coeficientes de abundancia de cada
endmember en cada pixel de la imagen, en este caso nicamente se dispone de los valores de
abundancia globales. Estos valores fueron obtenidos en el CRESTech mediante el modelo
SPRINT (Goel y Thompson, 2000), que utiliza el concepto de ray-tracing, ampliamente
utilizado para modelar los efectos no lineales de dispersin mltiple, caractersticos de las
cubiertas vegetales. Esta informacin puede considerarse una verdad terreno, y resulta muy til
para comparar los errores introducidos por el modelo lineal utilizado por nuestro mtodo en un
escenario altamente no lineal.
- 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
CASI02_01, CASI02_05, CASI02_09

(rboles opacos, poblacin dispersa)
0.1094
0.7231
0.1675
CASI02_02, CASI02_06, CASI02_10

(rboles translcidos, poblacin dispersa)
0.1041
0.7016
0.1944
CASI02_03, CASI02_07, CASI02_11

(rboles opacos, poblacin densa)
0.2947
0.3837
0.3180
CASI02_04, CASI02_08, CASI02_12

(rboles translcidos, poblacin densa)
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 -
precisin de algoritmos de anlisis de carcter general, capaces de funcionar de forma

satisfactoria en mltiples aplicaciones.
No existe informacin de verdad terreno publicada en la literatura en referencia a esta
imagen. En las figuras 4.2.1.a y 4.2.1.b se mostr una composicin en color verdadero de la
misma.
Por ltimo, destacar que en las pruebas realizadas con esta imagen se utilizaron 191 bandas
espectrales. Las bandas de absorcin de agua (situadas en las regiones 0.40-1.34 m, 1.43-1.80
m y 1.95-2.47 m) fueron eliminadas, tanto en la imagen AVJRAD97 como en AVJREF97.
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.
4.3.7. Composicin en color de la imagen DSCA01L.
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.
4.3.8. Composicin en color de la imagen RSCA01H.
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.
4.3.9. Composicin en color de la imagen RSCA01L.
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.
4.3.2. Experimentos realizados con imgenes reales.

En este apartado describimos los experimentos realizados con las imgenes reales
anteriormente descritas. El procedimiento seguido en cada experimento viene condicionado por
la disponibilidad y caractersticas de la informacin de verdad terreno.
En las pruebas realizadas, el algoritmo propuesto se compara con otras aproximaciones
existentes en la literatura, en concreto, los mtodos PPI y N-FINDR, que han sido descritos con
anterioridad en el apartado 2.3.2.2.
A continuacin se describen brevemente los experimentos realizados, los cuales permiten
obtener una serie de conclusiones sobre la aplicacin del mtodo propuesto en problemas reales.
1.-
Primer experimento. Presupone que la informacin de verdad terreno consiste en un

conjunto de firmas espectrales puras caractersticas de los materiales presentes en la
escena. En este caso, el mecanismo de comparacin utilizado consiste en un algoritmo
de emparejamiento de firmas espectrales que nos permitir separar entre los
endmembers asociados a materiales presentes en la imagen, y endmembers
- 226 -
adicionales, producidos por ruido y otras circunstancias ya apuntadas en el captulo de

antecedentes, entre las que destacamos las siguientes (ver figura 2.1.4).
a. Extraccin de ms de una firma espectral asociada a un material concreto.
b. Efectos de ruido producidos por valores de SNR bajos en determinados canales
espectrales del sensor.
c. Existencia de sombras y condiciones de escasa iluminacin en determinadas
zonas de la escena considerada.
d. Alteracin espectral de ciertos pixels provocada por efectos atmosfricos.
e. Mezclas entre materiales.
2.-
Segundo experimento. Considera que la informacin de verdad terreno viene

expresada en la forma de un mapa temtico de clasificacin (ver apartado 2.3.2.1). En
este tipo de mapas, los pixels aparecen etiquetados como pertenecientes a una nica
clase, normalmente asociada a un material concreto. Las caractersticas de la verdad
terreno en este caso hace que la comparacin vaya precedida de un paso previo en el
que los pixels mezcla de la imagen se etiquetan como pertenecientes a una clase
concreta. Este paso equivale a convertir pixels mezcla en pixels puros.
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.-
Quinto experimento. Presupone que no existe informacin verdad terreno asociada a

la imagen analizada. En este caso, la evaluacin de la calidad del algoritmo de
extraccin de endmembers se basa en un proceso en el que se obtiene una versin
- 227 -
reconstruida de la imagen original a partir del juego de endmembers extrados y sus

correspondientes abundancias (ver apartado 2.3.2.2). La informacin utilizada como
verdad terreno en este caso es la propia imagen original, con la cual se compara la
imagen reconstruida para establecer una evaluacin cualitativa del algoritmo. De
forma paralela a la anterior experiencia, en este experimento tambin se evala la
posibilidad de comprimir la imagen original almacenando nicamente los mapas de
abundancia asociados a los endmembers de la imagen.
6.-
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.
4.3.2.1. Primer experimento. Firmas espectrales verdad terreno.

Las pruebas realizadas en este apartado tienen como objetivo analizar la calidad de los
endmembers extrados por nuestro algoritmo cuando la verdad terreno viene expresada en forma
de un conjunto de firmas espectrales de referencia. El objetivo general antes planteado se
desglosa en los siguientes objetivos especficos:
Evaluar la calidad de los endmembers extrados por el algoritmo en trminos de su
similaridad espectral respecto a las firmas verdad terreno disponibles.
Comparar el mtodo propuesto con otros existentes.
El proceso comparativo realizado en este experimento se lleva a cabo mediante una serie de
pasos que se describen a continuacin.
1.-
Se extraen los endmembers de la imagen utilizando un algoritmo de identificacin.
2.-
Se calculan matrices de correlacin entre el juego de endmembers extrado y las

firmas espectrales verdad terreno, utilizando como medidas el ngulo espectral (SAM)
y la divergencia espectral (SID). Ambas medidas fueron introducidas en el apartado
2.3.2.
3.-
A partir de dichas matrices, se establecen emparejamientos entre endmembers y firmas

verdad terreno. El proceso de emparejamiento consiste en identificar el endmember
ms similar, segn las anteriores medidas, para cada firma verdad terreno. Como
- 228 -
resultado de este proceso, los endmembers extrados se etiquetan como emparejados o

adicionales dependiendo de si fueron o no asociados con alguna firma verdad terreno.
4.-
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.
Primera prueba: anlisis de AVCUP95 con algoritmo PPI

Los endmembers extrados por el mtodo PPI a partir de la imagen AVCUP95 han sido
extrados por los autores del mtodo. Recordamos que PPI es un mtodo supervisado que se
caracteriza por su gran interactividad, de modo que es recomendable la intervencin de un
analista con conocimiento previo sobre los datos. En este sentido, los desarrolladores de PPI
poseen una amplia experiencia en la aplicacin de su mtodo sobre la zona de Cuprite, Nevada,
por lo que hemos dejado a su criterio la seleccin de los parmetros ptimos para el
funcionamiento adecuado del mtodo. A continuacin, enumeramos los pasos seguidos por los
autores del mtodo en el proceso de anlisis de la imagen AVCUP95:
1.-
Se aplic una transformacin MNF (ver apartado 2.3.2.2) para reducir la

dimensionalidad de la imagen original, obteniendo una imagen reducida a subconjunto
de 25 bandas.
2.-
Se aplic el mtodo PPI sobre la imagen de dimensionalidad reducida obtenida en el

paso anterior. El nmero de iteraciones realizadas fue 10,000. Como refutado de este
paso, se obtuvo una imagen en NDs donde el ND en cada pixel corresponde al
nmero de veces que el pixel fue seleccionado como extremo.
3.-
A partir de la anterior imagen, se identificaron los pixels seleccionados como

extremos 1,000 veces o ms y se cargaron en una herramienta de visualizacin Ndimensional (Boardman, 1993).
4.-
Despus de un proceso interactivo consistente en representar unas bandas MNF frente

a otras y anotar los puntos extremos en cada representacin, se identificaron 11 firmas
espectrales o endmembers.
- 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.
Endmembers extrados por el mtodo PPI

Firmas 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.
En la tabla 4.3.5, aparecen resaltados en negrita los emparejamientos realizados. Como

puede apreciarse, los endmembers emparejados son P1 (alunite), P4 (buddingtonite), P5
(calcite) y P8 (kaolinite).
Por su parte, la tabla 4.3.6 muestra una variante de la matriz de correlacin anterior, en la
que los valores representados en la matriz corresponden a la divergencia espectral (SID). De
nuevo, se resaltan en negrita los emparejamientos realizados, que son idnticos a los obtenidos
en el caso de la matriz SAM.
Endmembers extrados por el mtodo PPI

Firmas 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 -

Endmembers emparejados (PPI)
Endmembers adicionales (PPI)

600
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.
Segunda prueba: anlisis de AVCUP95 con algoritmo N-FINDR

El mtodo N-FINDR ha sido aplicado sobre la imagen AVCUP95 por el autor del algoritmo,
que ha seleccionado los parmetros ptimos en base a su experiencia y nos ha proporcionado el
conjunto final de endmembers extrados. El mtodo fue aplicado de forma directa sobre la
imagen original, sin ningn tipo de reduccin dimensional previa. Los parmetros empleados en
el proceso de anlisis fueron los siguientes:
Nmero mximo de endmembers a identificar: 15.
Sensibilidad: 0.005.
Las tablas 4.3.7 y 4.3.8 muestran, respectivamente, la matriz de distancias angulares y la
matriz SID entre las firmas extradas por el algoritmo N-FINDR y las firmas espectrales de
referencia pertenecientes a la librera USGS. Los endmembers extrados por N-FINDR se
- 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
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
EL MTODO N-FINDR Y LOS ESPECTROS DE REFERENCIA DE LA LIBRERA USGS.
Endmembers emparejados (N-FINDR)
Endmembers adicionales (N-F INDR)

700
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
el algoritmo N-FINDR.
- 232 -
Tercera prueba: anlisis de AVCUP95 con algoritmo AMEE

La imagen AVCUP95, sin ningn tipo de pre-procesado o reduccin dimensional previa, ha
sido procesada mediante el mtodo AMEE en nuestro laboratorio, utilizando el procedimiento
que se describe a continuacin.
1.-
Se estableci como parmetro un elemento estructural de 15x15 pixels. Las

dimensiones de este elemento fueron determinadas de forma emprica a partir de los
mapas de abundancia verdad terreno disponibles para la imagen (ver apartado 4.3.1.1).
2.-
Utilizando el elemento estructural antes mencionado, se aplic el mtodo morfolgico

propuesto, obteniendo una imagen en NDs donde cada valor puede interpretarse
como una estimacin del ndice de pureza de cada pixel.
3.-
La imagen de pureza fue umbralizada mediante el mtodo automtico de Otsu,

descrito en el apartado 2.3.2.2, obteniendo un conjunto de regiones puras.
4.-
Finalmente, se aplic un proceso de crecimiento MECR (descrito en 3.2.2.3) sobre

dichas regiones. A partir de las regiones resultantes de la etapa de crecimiento, se
obtuvo un conjunto final de endmembers mediante el clculo del espectro promedio en
cada regin.
Endmembers extrados por el mtodo AMEE
Firmas USGS
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
EL MTODO AMEE Y LOS ESPECTROS DE REFERENCIA PRESENTES EN LA LIBRERA USGS.
Endmembers extrados por el mtodo AMEE

Espectros 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.
Endmembers emparejados (AMEE)
Endmembers adicionales (AMEE)

500
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
el algoritmo AMEE.
La realizacin de un estudio comparativo de los resultados proporcionados por los

algoritmos PPI, N-FINDR y AMEE debe centrarse en un anlisis pormenorizado de los
endmembers emparejados. Este hecho se debe a que no todos los endmembers adicionales
pueden ser evaluados al no existir informacin de verdad terreno asociada a muchos de ellos en
la librera de referencia (por ejemplo, no existe ningn endmember de sombra en dicha librera).
La figura 4.3.13 muestra un estudio comparativo entre los endmembers extrados por los
mtodos antes mencionados para los minerales: alunite, buddingtonite, calcite y kaolinite. Con
motivo de poder establecer una comparacin visual con las firmas verdad terreno de la librera
espectral USGS, representamos en las grficas la firma USGS de referencia asociada a cada
mineral junto con las firmas extradas por los diferentes mtodos de extraccin de endmembers
- 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 (%*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.
A modo de resumen de las pruebas realizadas a lo largo del primer experimento,

destacamos las siguientes consideraciones:
Los tres mtodos comparados (PPI, N-FINDR y AMEE) proporcionan resultados
comparables en cuanto a la identificacin de endmembers en la imagen
AVCUP95. Esta circunstancia resulta destacable, puesto que dichos mtodos se
basan en fundamentos diferentes.
La utilizacin de firmas de referencia basadas en medidas sobre el terreno pone de
manifiesto algunos problemas posiblemente introducidos por el proceso de
correccin atmosfrica de la imagen. En la imagen analizada, los endmembers
- 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.
4.3.2.2. Segundo experimento. Mapas temticos verdad terreno.

endmembers extrados por nuestro algoritmo en el caso en que la informacin de verdad terreno
viene expresada en forma de un mapa temtico de clasificacin. Este objetivo general se
desglosa en los siguientes objetivos especficos:
Analizar la calidad de los endmembers extrados utilizando la informacin de verdad
terreno disponible.
Comparar el mtodo propuesto con respecto a otros mtodos existentes.
El procedimiento de comparacin en este experimento se basa en la realizacin de los
siguientes pasos.
1.-
Se extraen los endmembers de la imagen utilizando un determinado algoritmo.
2.-
A continuacin, se utiliza un mecanismo para asignar cada pixel de la imagen a una

nica clase. Este mecanismo se denomina winner-take-all (WTA), y ha sido
frecuentemente utilizado en aplicaciones de redes neuronales (Simon, 1999). El
proceso WTA para asignar un determinado pixel (ya sea puro o mezcla) a una clase
concreta se realiza mediante los siguientes pasos:
- 236 -
a. Se establecen las clases presentes en la imagen. Estas clases vienen definidas

por los endmembers extrados.
b. Se calculan los coeficientes de abundancia de los endmembers presentes en el
pixel utilizando un procedimiento FCLSU (ver apartado 2.3.2.2).
c. Utilizando las fracciones de abundancia obtenidas, se determina cul es el
endmember ms abundante en el pixel.
d. El pixel se etiqueta como perteneciente a la clase definida por el endmember
ms abundante.
3.-
Una vez realizada la clasificacin, se compara, pixel a pixel, el resultado de

clasificacin temtico obtenido con la informacin del mapa temtico verdad terreno.
Para ello, calculamos la fraccin de verdaderos y falsos positivos en cada clase.
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.
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
4.3.14. Espectros caractersticos de las regiones verdad terreno en la imagen AVIP92.
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.
A modo de resumen de las pruebas realizadas a lo largo del segundo experimento,

La utilizacin del procedimiento WTA para convertir pixels mezcla en pixels
puros permite analizar la calidad de los endmembers extrados por los mtodos
PPI, N-FINDR y AMEE cuando la informacin de verdad terreno viene expresada
en forma de un mapa de clasificacin temtico.
Los resultados proporcionados por el mtodo AMEE en un problema de
clasificacin complejo como es el anlisis de la imagen AVIP92 pueden resumirse
en una tasa aceptable de verdaderos positivos y una fraccin muy reducida de
falsos positivos.
En el resto de los mtodos comparados (PPI y N-FINDR), la tasa de falsos
positivos se mantiene en valores muy bajos en la mayor parte de los casos, pero el
porcentaje de acierto disminuye con respecto a los valores alcanzados por AMEE.
Este hecho podra venir causado por la incorporacin de informacin espacial en
el proceso de identificacin de endmembers.
Por otra parte, el comportamiento del mtodo AMEE es similar en cada una de las
clases verdad terreno. Al contrario, los mtodos PPI y N-FINDR vienen
caracterizados por tasas de acierto variables en las diferentes clases.
La mejora en los resultados proporcionados por el mtodo AMEE puede venir
propiciada por la incorporacin de informacin espacial en el proceso de seleccin
de endmembers.
- 240 -
4.3.2.3. Tercer experimento. Mapas de abundancia verdad terreno.

viene expresada en forma de un conjunto de valores de abundancia. En este experimento, al
contrario que en el anterior, los pixels de la imagen se consideran como una mezcla de
componentes, y no como pixels puros. El objetivo general antes mencionado se desglosa en los
siguientes objetivos especficos:
Evaluar la calidad de los endmembers extrados por el algoritmo en trminos de
utilizacin para estimar la abundancia de los componentes presentes en la escena.
Comparar el mtodo propuesto con respecto a otros mtodos existentes.
En este experimento, la metodologa de comparacin se basa en la realizacin de los
siguientes pasos.
1.-
2.-
A continuacin, se estima la abundancia de cada uno de los endmembers en la imagen,

utilizando el procedimiento FCLSU. Como resultado, se obtiene un mapa de
abundancia por cada firma espectral identificada.
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
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
AMEE.
- 243 -
La figura 4.3.18 pone de manifiesto que los resultados en cuanto a la estimacin de

abundancias en el mineral calcite son precisos en los tres mtodos probados, aunque puede
apreciarse visualmente que las zonas en las que el mineral es muy abundante (marcadas en rojo
en el mapa de abundancia verdad terreno) tienden a ser sobre-estimadas por el mtodo PPI, algo
que no ocurre cuando se utilizan los otros dos mtodos.
Por ltimo, la figura 4.3.19 muestra los mapas verdad terreno asociados al mineral kaolinite,
junto con los mapas obtenidos para los endmembers asociados a este mineral, es decir, P8
(mtodo PPI), N9 (mtodo N-FINDR) y A7 (mtodo AMEE).
De nuevo, la figura 4.3.19 revela gran similaridad con respecto a la verdad terreno en los
tres algoritmos evaluados. En este caso, las zonas en las que el mineral es muy abundante
(marcadas en rojo en el mapa de abundancia verdad terreno) parecen ser estimadas a la baja por
el mtodo N-FINDR, mientras que las zonas en las que el mineral es poco abundante (marcadas
en negro en el mapa verdad terreno) tienden a ser sobre-estimadas por el mtodo AMEE.
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
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
AMEE.
Con objeto de establecer una valoracin cuantitativa de los resultados cualitativos

anteriormente comentados, la tabla 4.3.13 muestra los errores RMSE totales obtenidos al
comparar cada uno de los mapas de abundancia estimados con su correspondiente mapa verdad
terreno.
- 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.
4.3.20. Diagramas de dispersin de abundancias reales frente a abundancias estimadas en el mineral

alunite.

buddingtonite.
- 246 -
En el caso del mineral buddingtonite, se observa en los tres mtodos un brazo o

desviacin en los diagramas de dispersin obtenidos en el caso de los tres mtodos, que se
traduce en correlaciones bajas en los casos en los que la abundancia del mineral es reducida.
Este hecho revela que existe una mayor dificultad para identificar este mineral en
concentraciones pequeas. Teniendo en cuenta los resultados mostrados en el primer
experimento, en el que qued patente la dificultad de recuperar correctamente el endmember de
buddingtonite debido a efectos atmosfricos, es probable que la sub-estimacin de la presencia
del mineral cuando participa ligeramente en una mezcla se deba a este tipo de efectos.
La figura 4.3.22 muestra los diagramas de dispersin de abundancias reales frente a
abundancias estimadas en el caso del mineral calcite.

calcite.
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 -

kaolinite.
A modo de resumen de las pruebas realizadas a lo largo del presente experimento,

Las elevadas correlaciones obtenidas al comparar las abundancias de los
endmembers extrados por los diferentes mtodos (PPI, N-FINDR y AMEE) con
respecto a los mapas de abundancia verdad terreno parecen indicar que los tres
mtodos proporcionan resultados satisfactorios y bastante similares entre s, siendo
las correlaciones obtenidas por el mtodo AMEE ligeramente superiores a las
obtenidas por el resto de mtodos en todos los minerales estudiados.
Un estudio detallado de los errores cometidos en las estimaciones revela que, en
los tres mtodos comparados se producen algunos efectos de sub-estimacin y
sobre-estimacin de la abundancia de algunos minerales (especialmente para los
minerales buddingtonite y calcite). Este hecho puede deberse a errores
sistemticos en la evaluacin de las firmas espectrales de los endmembers y a
efectos atmosfricos que no han sido modelados de forma satisfactoria por el
algoritmo de correccin atmosfrica.
Otra posible fuente de error pueden ser efectos no lineales entre materiales de la
escena. En cualquier caso, los errores introducidos por estas circunstancias no
parecen demasiado significativos.
- 248 -
4.3.2.4. Cuarto experimento. Valores de abundancia verdad terreno.

viene expresada en forma de un conjunto de valores globales de abundancia. En este
experimento, al contrario que en el anterior, no puede realizarse una comparacin de los valores
de abundancia pixel a pixel, siendo necesario estimar la abundancia global de los endmembers
en la escena.
Los objetivos especficos del presente experimento son los que se mencionan a
continuacin:
Evaluar la calidad de los endmembers extrados por el algoritmo en trminos de su
abundancia global en la escena.
Evaluar el procedimiento lineal utilizado en el proceso de estimacin de abundancias
(FCLSU) con una metodologa de carcter no lineal, en el marco de una aplicacin
orientada a cuantificar la abundancia de cubiertas vegetales.
Las imgenes utilizadas en este experimento son las denominadas CASI01 (12 imgenes en
total). Estas imgenes, etiquetadas como CASI01_01 a CASI01_12 se caracterizan por estar
compuestas nicamente por dos componentes fundamentales (rboles y fondo), y un tercer
componente aadido (sombra), causado por la iluminacin artificial realizada sobre la escena. A
pesar de su aparente sencillez, la principal dificultad a la hora de analizar estas imgenes radica
en cuantificar los efectos de dispersin mltiple provocados por las cubiertas vegetales
simuladas (ver apartado 2.3.2.2). De forma previa a la presentacin de los resultados obtenidos
con estas imgenes, realizamos una serie de consideraciones.
El juego de imgenes CASI01 simula diferentes combinaciones en cuanto a las
propiedades reflectivas no lineales de los objetos presentes en la imagen. As, se han
utilizado rboles opacos y transparentes y distintos tipos de fondo, a saber, verde,
blanco y oscuro. Por otra parte, la poblacin de rboles en la imagen puede ser
dispersa (40 rboles) o densa (100 rboles). Obviamente, los efectos de dispersin
mltiple no son iguales en todas las situaciones, siendo ms acusados en el caso de
rboles transparentes, fondos blancos y poblacin densa (Hu y col., 2002). Por otra
parte, la sombra tambin presenta caractersticas variables dependiendo del nmero de
rboles presentes en la escena y de la transparencia de los mismos.
Todas las variantes anteriormente descritas, unidas a la disponibilidad de informacin
verdad terreno (obtenida mediante un modelo de simulacin de la reflectancia no
lineal de las cubiertas), hace que este conjunto de imgenes permita una comparacin
- 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.
Primera prueba: imgenes con rboles opacos y poblacin dispersa

La tabla 4.3.14 muestra los resultados obtenidos por el mtodo FCLSU en el proceso de
estimacin de la abundancia de los endmembers proporcionados por el mtodos AMEE en el
caso de utilizar las imgenes con rboles opacos y poblacin dispersa (CASI01_01, CASI01_05
y CASI01_09). En esta prueba, al igual que en las siguientes, el tamao del elemento estructural
utilizado en la aplicacin de AMEE fue de 15x15 pixels, tamao que se ha ajustado en funcin
de las dimensiones en pixels de los rboles simulados.
rbol
Fondo
Sombra
RMSE
rbol
RMSE
Fondo
RMSE
Sombra
RMSE
global
CASI01_01 (fondo verde)
0,1136
0.7401
0.1463
+0.0042
+0.0170
-0.0212
0.0424
CASI01_05 (fondo blanco)
0.0921
0.7889
0.1185
-0.0173
+0.0558
-0.0490
0.1221
CASI01_09 (fondo oscuro)
0.1160
0.6988
0.1991
+0.0066
+0.0257
+0.0316
0.0539
SPRINT
0.1094
0.7231
0.1675
TABLA 4.3.14. COMPARACIN ENTRE ABUNDANCIAS REALES (SPRINT) Y ABUNDANCIAS ESTIMADAS

EN EL CASO DE IMGENES CON RBOLES OPACOS Y POBLACIN DISPERSA.
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 -
error en la estimacin es por exceso (sobre-estimacin) o por defecto (sub-estimacin). El error

global se obtiene sumando los valores absolutos de los errores relativos.
La tabla 4.3.14 revela que, para el caso de imgenes con rboles opacos y poblacin
dispersa, el error global en el proceso de estimacin de abundancias se encuentra por debajo del
10% en todos los casos. El error global ms alto se obtiene para la imagen con fondo blanco, en
la que el error asciende hasta un 12.2%, frente al 4.2% en la imagen con fondo verde y el 5.3%
en la imagen con fondo oscuro. A continuacin realizamos una breve descripcin de los errores
relativos cometidos para cada endmember.
En el caso de la imagen con fondo verde (CASI01_01), se produce una ligera sobreestimacin de la abundancia de los endmembers rbol y fondo, mientras que la abundancia del
endmember sombra ligeramente sub-estimada. Este hecho puede apreciarse de forma visual en
la figura 4.3.24, en la que se muestran los endmembers obtenidos para la imagen, junto con sus
correspondientes mapas de abundancia FCLSU. Los resultados mostrados en la figura permiten
obtener una estimacin visual sobre la distribucin global de abundancias en la imagen.
CASI01_01
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
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
- 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.
Segunda prueba: imgenes con rboles translcidos y poblacin dispersa

estimacin de la abundancia de los endmembers proporcionados por el mtodo AMEE en el
caso de utilizar las imgenes con rboles translcidos y poblacin dispersa (CASI01_02,
CASI01_06 y CASI01_10). En la tabla tambin se muestran los valores de abundancia reales y
el error RMSE global y relativo cometido en las estimaciones.
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

EN EL CASO DE IMGENES CON RBOLES TRANSLCIDOS Y POBLACIN DISPERSA.
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
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.
Tercera prueba: imgenes con rboles opacos y poblacin densa

estimacin de la abundancia de los endmembers proporcionados por el mtodos AMEE en el
caso de utilizar las imgenes con rboles opacos y poblacin densa (CASI01_03, CASI01_07 y
CASI01_11). Al igual que en las pruebas anteriores, en la tabla tambin se muestran los valores
de abundancia reales y el error RMSE global y relativo cometido en las estimaciones.
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

EN EL CASO DE IMGENES CON RBOLES OPACOS Y POBLACIN DENSA.
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 -
La descripcin cualitativa de la estimacin de abundancias ilustrada en la figura 4.3.28 pone

de manifiesto que, a pesar del error global cometido en la imagen CASI01_07 se sita en un
14.3%, los mapas de abundancia resultantes permiten obtener una descripcin adecuada de la
escena, siendo posible la diferenciacin de los distintos materiales que la componen.
CASI01_07
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
Cuarta prueba: imgenes con rboles translcidos y poblacin densa

estimacin de la abundancia de los endmembers proporcionados por el mtodo AMEE en el
caso de utilizar las imgenes con rboles translcidos y poblacin densa (CASI01_04,
CASI01_08 y CASI01_12). Al igual que en las pruebas anteriores, en la tabla tambin se
muestran los valores de abundancia reales y el error RMSE global y relativo cometido en las
estimaciones.
La tabla 4.3.17 revela que los errores cometidos al estimar las abundancias de los
endmembers en las imgenes con rboles translcidos y poblacin densa son superiores a los
obtenidos al utilizar rboles opacos y la misma poblacin (ver tabla 4.3.16).
El error ms elevado, como viene siendo habitual en los experimentos realizados, es
cometido al utilizar la imagen con fondo blanco (CASI01_08), para la que el error global
asciende hasta un 17.4%. El error cometido en las imgenes con fondo verde y fondo oscuro se
- 256 -
sita por debajo de este valor, concretamente en un 15% y en un 13.7%, respectivamente. En

todos los casos, los errores aumentan de forma sustancial con respecto al caso de utilizar rboles
opacos debido a los efectos de dispersin que se introducen como consecuencia de la naturaleza
transparente de los rboles.
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

EN EL CASO DE IMGENES CON RBOLES TRANSLCIDOS Y POBLACIN DENSA.
Puesto que el error cometido en el caso de la imagen CASI01_08 parece relevante,

procedemos a analizar la situacin que tiene lugar en esta imagen concreta. En primer lugar, la
tabla 4.3.17 muestra que las mayores contribuciones al error global vienen en el proceso de
estimacin de los endmembers rbol y sombra. Este hecho puede apreciarse de forma cualitativa
en los mapas de abundancia mostrados en la figura 4.3.29.
CASI01_08
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
- 257 -
El principal motivo del descenso en el rendimiento del mtodo en la estimacin de la

abundancia de los endmembers rbol y sombra puede venir propiciado por el aumento
considerable en los efectos de dispersin mltiple, provocados por la naturaleza transparente de
los rboles, por la gran poblacin de rboles en la escena y por el fondo blanco de las mismas.
Todas estas circunstancias plantean una serie de limitaciones en el modelo lineal de estimacin
de abundancias que dan como resultado algunos errores en el proceso de estimacin de
abundancias. A pesar de estas circunstancias adversas, el rendimiento global del mtodo se sita
en torno al 82%, y los mapas de abundancia mostrados en la figura 4.3.29 permiten discernir
claramente entre los componentes presentes en la escena. En el caso de utilizar imgenes con
fondo verde u oscuro, el rendimiento del mtodo aumenta en un 2% y un 4%, respectivamente.
Quinta prueba: comparacin de todos los casos analizados

En esta ltima prueba, procedemos a analizar de forma global la precisin del mtodo en
todos los casos presentados en las anteriores pruebas. A ttulo comparativo, la figura 4.3.30
muestra los valores de precisin global alcanzada por el mtodo en todos los casos analizados.
El color de cada barra se corresponde con el color del fondo de la imagen que describe.
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.

destacamos las siguientes valoraciones:
Los resultados obtenidos para las imgenes con rboles opacos y poblacin
dispersa indican que el mtodo propuesto permite obtener una estimacin muy
precisa de las abundancias en las imgenes con fondo verde y fondo oscuro. En el
caso de la imagen con fondo blanco, el proceso de estimacin de abundancias se
ve afectado por algunos errores, introducidos porque el modelo lineal no consigue
modelar la totalidad de efectos de dispersin mltiple que tienen lugar en la
imagen. No obstante, el error global cometido al aplicar el modelo lineal no resulta
demasiado significativo, siendo posible obtener una descripcin bastante precisa
de la imagen.
En el caso de imgenes con rboles transparentes y poblacin dispersa, el mtodo
propuesto permite obtener una estimacin bastante precisa de la abundancia del
componente rbol en todos los casos. Por otra parte, el proceso lineal de
estimacin de abundancias de sombra y fondo se ve afectado por algunos errores
introducidos por la naturaleza transparente de los rboles. En particular, estos
efectos son ms acusados cuando el fondo de las imgenes es blanco, caso en el
que los efectos de dispersin mltiple son mayores.
Para las imgenes con rboles opacos y distribucin densa, el aumento del nmero
de rboles en las escenas trae como consecuencia un ligero aumento en el error
cometido al estimar la abundancia de rboles, fondo y sombra. El incremento en el
error nicamente es relevante en el caso de la imagen con fondo blanco, debido a
los efectos de dispersin mltiple introducidos. En este caso, la precisin del
mtodo desciende hasta un 85%, valor que parece aceptable en funcin de la
apariencia visual de los mapas de abundancia obtenidos.
La cota inferior de rendimiento del mtodo propuesto se sita en torno a un 82%
cuando las circunstancias son muy adversas, es decir, una poblacin muy alta de
- 259 -
rboles transparentes sobre un fondo blanco, lo cual trae como resultado

numerosos efectos de dispersin mltiple. Bajo estas circunstancias, el
rendimiento del mtodo resulta aceptable, aunque puede ser mejorado
incorporando un modelo no lineal a la hora de realizar el proceso de estimacin de
abundancias. En cualquier caso, los efectos mencionados no introducen un
descenso significativo en el rendimiento del mtodo.
Finalmente, destacamos que las limitaciones del mtodo de estimacin de
abundancias FCLSU son la principal causa de los errores cometidos en el proceso
de estimacin de abundancias, en particular en los casos en los que los efectos no
lineales son ms acusados.
4.3.2.5. Quinto experimento. Verdad terreno no disponible.

El objetivo fundamental de las pruebas realizadas dentro de este experimento es analizar la
calidad de los endmembers extrados por nuestro algoritmo cuando no hay ningn tipo de
informacin verdad terreno disponible. La importancia de este experimento radica en que, en la
mayor parte de los casos, las imgenes disponibles no tienen verdad terreno asociada.
En nuestro caso, dado el carcter genrico del mtodo propuesto y su pretendida utilizacin
en diversas aplicaciones, hemos optado por desarrollar un esquema de comparacin ms
genrico, basado en la utilizacin de los endmembers extrados y sus correspondientes
abundancias para reconstruir la imagen original. En este sentido, consideramos que la similitud
de la imagen reconstruida con respecto a la original es indicativa de la calidad de los
endmembers utilizados en el proceso.
Por otra parte, la posibilidad de reconstruir una imagen hiperespectral utilizando los
endmembers de la imagen y sus correspondientes abundancias ofrece un mecanismo simple y
eficiente para lograr la compresin con prdida de la imagen original. Si la imagen puede ser
regenerada de forma precisa a partir de los endmembers y sus correspondientes mapas de
abundancia, bastar con almacenar dicha informacin para obtener de forma sencilla la imagen.
Los ratios de compresin alcanzados por este mecanismo pueden ser elevados, puesto que el
nmero de endmembers en una imagen hiperespectral suele ser mucho menor que el nmero de
bandas espectrales de la imagen. No obstante, este planteamiento debe ser cuantificado
mediante un estudio comparativo que relacione los ratios de compresin alcanzados y el error
cometido en el proceso de reconstruccin.
Una vez realizadas estas consideraciones previas, enumeramos los objetivos especficos de
las pruebas realizadas dentro del presente experimento.
- 260 -
Evaluar la calidad de los endmembers extrados por el algoritmo propuesto en

trminos de su capacidad para reconstruir/comprimir la imagen original.
Comparar los resultados obtenidos por el mtodo propuesto en dichas tareas con los
resultados proporcionados por otros mtodos de extraccin de endmembers.
Analizar la influencia del uso de datos de radiancia/reflectancia en el proceso.
Estudiar los ratios de compresin obtenidos en el proceso de reconstruccin de la
imagen, y relacionarlos con el tanto por ciento de informacin perdida en el proceso.
En las diferentes pruebas realizadas dentro de este experimento se han utilizado las
imgenes denominadas AVJRAD97 y AVJREF97. Las razones principales que han motivado la
seleccin de estas imgenes son las siguientes.
En primer lugar, la zona que cubren es heterognea, y viene caracterizada por la
presencia de muy diversos componentes: vegetacin, suelo, estructuras urbanas, etc.
Dado el carcter genrico del algoritmo propuesto, consideramos que esta imagen
resulta muy apropiada para su evaluacin sin informacin a priori.
Por otra parte, la imagen se encuentra disponible en unidades de radiancia y
reflectancia, lo cual permite analizar el impacto de ambas opciones en el proceso.
A continuacin, describimos las pruebas realizadas en este experimento.
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.-
Para cada endmember identificado, se calcula su correspondiente mapa de abundancia

mediante un procedimiento FCLSU.
3.-
Se reconstruye la imagen original utilizando los endmembers extrados y los mapas de

abundancia asociados. Este proceso se realiza utilizando el modelo lineal de mezcla,
de forma que cada pixel de la imagen original se obtiene como una combinacin lineal
de los endmembers presentes en el pixel y sus correspondientes abundancias,
estimadas en el paso anterior.
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
TABLA 4.3.19. ERRORES RMSE GLOBALES COMETIDOS EN RECONSTRUCCIN DE LAS IMGENES

AVJRAD97 Y AVJREF97 Y NMERO TOTAL DE ENDMEMBERS EXTRADOS POR CADA MTODO.
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
Figura 4.3.31. Imgenes de error en proceso de reconstruccin de la imagen AVJRAD97.
- 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
Figura 4.3.32. Imgenes de error en proceso de reconstruccin de la imagen AVJREF97.
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
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.-
Se ordenan los endmembers extrados por un determinado mtodo segn su

abundancia en la imagen, de mayor a menor abundancia. La estimacin de las
abundancias se realiza mediante FCLSU.
2.-
- 265 -
A continuacin, se reconstruye la imagen utilizando solamente los tres endmembers

ms abundantes, y se calcula el RMSE cometido en la reconstruccin, utilizando la
expresin 2.3.10.
3.-
Una vez calculado el error en la reconstruccin al utilizar los tres endmembers ms

abundantes, se incorpora el siguiente endmember ms abundante y se reconstruye la
imagen, calculando de nuevo el error cometido.
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
Error en la reconstruccin (%)
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
Nmero endmembers (abundancia decreciente)
12
15
18
21
24
27
30
Nmero endmembers (abundancia decreciente)
Figura 4.3.33. Disminucin del error en la reconstruccin de AVJRAD97 y AVJREF97 a medida

que se consideran endmembers menos abundantes.
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.
A modo de resumen de los resultados presentados en esta prueba, destacamos las

siguientes valoraciones:
En los tres mtodos comparados (PPI, N-FINDR y AMEE), el error cometido en
la reconstruccin desciende de forma considerable cuando se utilizan los
endmembers ms abundantes, mientras que el error se estabiliza al utilizar los
menos abundantes.
El mtodo PPI necesita utilizar un elevado nmero de endmembers para obtener
un error bajo en la reconstruccin de la imagen. Este resultado contrasta con el
obtenido para los mtodos AMEE y N-FINDR, que consiguen alcanzar las cotas
de error tan reducidas como las de PPI con menos de la mitad de endmembers.
Este hecho parece indicar que la precisin de AMEE y N-FINDR a la hora de
identificar los endmembers ms relevantes, en trminos del error global, es
superior a la de PPI.
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 -
El procedimiento seguido en la realizacin de esta prueba es el que se describe a

continuacin:
1.-
Se ordenan los endmembers obtenidos por los diferentes mtodos a comparar de

mayor a menor abundancia. La estimacin de las abundancias se realiza mediante
FCLSU (ver apartado 2.3.2.2).
2.-
A continuacin, se comprime la imagen utilizando nicamente los tres endmembers

ms abundantes. Se calcula el ratio de compresin obtenido y el error cometido en la
reconstruccin, utilizando el error RMSE (ver apartado 2.3.2).
3.-
Seguidamente, se incorpora el cuarto endmember ms abundante y se reconstruye la

imagen original, obteniendo un nuevo compromiso entre ratio de compresin y error
en la reconstruccin.
4.-
El proceso se repite hasta que se utilizan todos los endmembers extrados para
reconstruir la imagen.
En nuestro caso, calculamos el ratio de compresin de la siguiente forma. Las imgenes

utilizadas (AVJRAD97 y AVJREF97) se componen de 300 pixels de ancho por 250 pixels de
largo, cada uno de los cuales contiene 224 valores (radiancia y reflectancia) que se almacenan
utilizando 2 bytes. El tamao de ambas imgenes ser, por tanto, de 300x250x224x2 bytes, es
decir, aproximadamente 32 Mbytes.
Si reconstruimos estas imgenes utilizando los tres endmembers ms abundantes, ser
necesario almacenar los mapas de abundancia asociados a dichos endmembers y las
correspondientes firmas espectrales. Como los mapas de abundancia son generados utilizando
FCLSU, los valores de abundancia son nmeros reales en el rango [0,1]. Con objeto de reducir
el nmero de bytes necesarios para almacenar cada valor de abundancia, una tcnica
habitualmente empleada consiste en convertir los valores reales a valores enteros.
En nuestro caso, para almacenar los mapas de abundancia asociados a los tres endmembers
ms abundantes son necesarios 300x250x3x2 bytes. Como tambin es necesario almacenar los
tres endmembers, a esta cantidad hay que sumar 3x224x2 bytes, con lo que, en total, se
necesitan unos 400 Kbytes de espacio para almacenar la imagen comprimida. El ratio de
compresin en este caso es aproximadamente 74:1. Este ratio viene dado por la relacin entre el
tamao de la imagen original (32 Mbytes) y el de la imagen comprimida (400 Kbytes).
Cuando se utilizan los cuatro endmembers ms abundantes para reconstruir la imagen, el
ratio de compresin desciendo hasta un 55:1. A medida que el nmero de endmembers utilizado
es mayor, el ratio de compresin va descendiendo.
- 268 -
Intuitivamente, el objetivo es utilizar un nmero de endmembers lo ms reducido posible

para comprimir al mximo la imagen. Como contrapunto, el uso de un nmero muy pequeo de
firmas aumenta considerablemente el error en la reconstruccin y, por tanto, la prdida de
informacin.
La figura 4.3.34 muestra dos grficas comparativas que indican, respectivamente, cmo
aumenta el error cometido en la reconstruccin de las imgenes AVJRAD97 y AVJREF97 a
medida que el ratio de compresin de las mismas es mayor. A la hora de discutir los resultados
mostrados en la figura 4.3.34, se ha considerado como zona de mayor inters la situada en la
parte inferior izquierda de las curvas representadas y, es decir, aquellos ratios de compresin
que permiten obtener errores en la reconstruccin inferiores al 10%. Esta zona ha sido resaltada
en sendas grficas.
En el caso de la imagen AVJRAD97, el mtodo que proporciona resultados ms reducidos
es PPI, puesto que, para cualquier ratio de compresin, la prdida de informacin es superior a
la del resto de los mtodos. El funcionamiento de AMEE y N-FINDR es similar en esta zona de
inters. Fuera de esta zona, el funcionamiento de los tres mtodos se equipara, siendo
prcticamente idntico para ratios de compresin superiores a 60:1 (a partir de este ratio, el error
cometido en la reconstruccin es superior al 40%).
AVJREF97
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
En el caso de la imagen AVJREF97, el mtodo AMEE es el que ofrece los mejores

resultados en la zona de inters. A pesar de que el rendimiento de PPI es inferior al de NFINDR para ratios de compresin inferiores a 10:1, a partir de este valor el rendimiento de NFINDR es superior al de PPI.
- 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.
4.3.2.6. Sexto experimento. Disponibilidad de vuelos a diferentes alturas.

Las pruebas realizadas en este apartado tienen como objetivo fundamental analizar la calidad
de los endmembers extrados por nuestro algoritmo en una situacin en la que no hay
informacin verdad terreno para la imagen original, pero se dispone de varias versiones de dicha
imagen obtenidas mediante vuelos a diferentes alturas.
En este supuesto, las imgenes disponibles vendrn caracterizadas por mantener constante la
resolucin espectral (en el caso de haber sido adquiridas por un mismo sensor), mientras que la
resolucin espacial vara con la altura (suponiendo que la zona estudiada es la misma en todos
los casos). Si suponemos que se cumplen las anteriores propiedades, podemos hablar de
imgenes de alta o baja resolucin refirindonos nicamente a la resolucin espacial, asumiendo
que la resolucin espectral permanece constante. El anlisis del impacto de la resolucin
espacial en la tarea de identificar endmembers ha sido identificado en la literatura como un
objetivo de gran inters (Goetz y Kindel, 1999).
Para conseguir el objetivo antes mencionado, nos basamos en la consecucin de los
siguientes objetivos especficos:
- 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.-
Se extraen los endmembers a partir de la imagen de resolucin ms alta, utilizando

nuestro algoritmo de extraccin de endmembers.
2.-
Para cada endmember, se calculan sus correspondientes coeficientes de abundancia

mediante un procedimiento FCLSU (ver apartado 2.3.2.2).
3.-
A continuacin, se aplica el algoritmo de extraccin de endmembers a la imagen de

resolucin baja, utilizando los mismos parmetros que fueron empleados para
procesar la imagen de mayor resolucin.
4.-
De nuevo, se calculan los coeficientes de abundancia de los endmembers extrados

mediante un procedimiento FCLSU.
5.-
Se calcula la abundancia global de cada endmember, sumando las fracciones de

abundancia de dicho endmember en todos los pixels de la imagen y dividiendo el valor
obtenido por el nmero total de pixels (Hu y col., 2002).
6.-
Las abundancias globales de los endmembers obtenidos a partir de la imagen de

mayor resolucin se utilizan como verdad terreno para las abundancias de los
endmembers obtenidos a partir de la imagen de menor resolucin. A partir de estos
valores, se calcula el error RMSE para un determinado componente como la diferencia
entre la abundancia global del mismo en la imagen de mayor resolucin y en la
imagen de menor resolucin.
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.
Primera prueba: anlisis de DSCA01

En esta prueba comparamos la calidad de los endmembers obtenidos por el mtodo de
extraccin de endmembers AMEE a partir de la imagen DSCA01H (menor resolucin, pixels de
- 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
Figura 4.3.35. Endmembers extrados para las imgenes DSCA01H y DSCA01L.
Para comprobar de forma cualitativa el efecto de la resolucin espacial en la identificacin

de las encinas, la figura 4.3.36 muestra los mapas de abundancia obtenidos para los endmembers
etiquetados como DS_Quercus_L y DS_Quercus_H. En ambos casos, se ha identificado una
zona de inters caracterizada por una gran abundancia de los endmembers mencionados. Esta
zona se ha magnificado con objeto de obtener una comparativa visual acerca del proceso de
- 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
Figura 4.3.36. Mapas de abundancia de los endmembers DS_Quercus_L y DS_Quercus_H y detalle

de zona en la imagen con gran abundancia de dichos endmembers.
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
Figura 4.3.37. Mapas de abundancia de los endmembers DS_Pasto_L, DS_Pasto_H, DS_Suelo_L y

DS_Suelo_H.
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.
Segunda prueba: anlisis de RSCA01

En esta segunda prueba comparamos la calidad de los endmembers obtenidos por el mtodo
de extraccin de endmembers AMEE a partir de la imagen RSCA01H (menor resolucin, pixels
de 2.4 metros), utilizando como referencia los endmembers extrados a partir de la imagen
DSCA01L (mayor resolucin, pixels de 1.2 metros).
- 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
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
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
Figura 4.3.38. Endmembers extrados para las imgenes RSCA01H y RSCA01L.
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
Figura 4.3.39. Mapas de abundancia de los endmembers RS_Quercus_L y RS_Quercus_H y detalle de

zona en la imagen con gran abundancia de dichos endmembers.
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
Figura 4.3.40. Mapas de abundancia de los endmembers RS_Pasto_L, RS_Pasto_H, RS_Suelo_L y

RS_Suelo_H.
- 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 -

destacamos las siguientes valoraciones de carcter general:
En el caso de las imgenes correspondientes al sensor DAIS 7915, el error
cometido al estimar la abundancia del endmember encina es mayor que el obtenido
al estimar la abundancia del endmember pasto y el endmember suelo. Este hecho
parece deberse a que la resolucin disponible en el peor caso (pixels de 5 metros)
no resulta suficiente para diferenciar entre encinas individuales, producindose
agrupaciones y mezclas que dan como consecuencia una sobre-estimacin de las
abundancias obtenidas con la mejor resolucin (pixels de 3 metros).
En el caso de las imgenes del sensor ROSIS, la abundancia del endmember
encina es muy similar en las dos resoluciones analizadas. Este hecho parece
indicar que las dos resoluciones disponibles (pixels de 1.2 y 2.4 metros) son
adecuadas para diferenciar entre encinas individuales.
Finalmente, los valores de abundancia obtenidos para los endmembers pasto y
suelo son muy similares en las cuatro resoluciones utilizadas, lo cual indica que
todas las resoluciones resultan apropiadas para cuantificar estos componentes que
son, por otra parte, los ms abundantes en la escena. En el caso de las encinas, los
errores cometidos al utilizar las imgenes de menor resolucin son superiores,
aunque no demasiado significativos en trminos generales.
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 -
5.1. Metodologa de diseo

La mayora de los algoritmos de anlisis hiperespectral planteados en la presente memoria
conllevan primordialmente operaciones que son repetitivas y regulares (ver apartado 3.2). Por tanto,
pueden ser mapeados de forma eficiente a arquitecturas paralelas (Aguilar y col., 2002).
En la literatura, existen algunos antecedentes en cuanto a la implementacin hardware de
algoritmos de anlisis hiperespectral, como el mtodo PPI, utilizando FPGA's (Lavernier y col.,
2000a) y arrays de sistlicos (Lavernier y col., 2000b). Para esta clase de algoritmos, una eleccin
arquitectnica atractiva es un array de procesadores sistlicos. Esta aproximacin consigue de
forma idnea el principio de diseo de un sistema VLSI que explota las arquitecturas paralelas,
segmentadas y modulares, y que, adems, reduce el hardware de comunicacin a interconexiones
locales. Esto prepara el terreno para el procesamiento masivamente paralelo, lo que representa una
futura solucin viable para el procesamiento de la informacin hiperespectral en tiempo real.
De entre las diferentes metodologas de diseo de arrays de sistlicos, optamos por utilizar la
basada en grafos de dependencias, en la que se disean algoritmos sistlicos a partir de
especificaciones de alto nivel como programas secuenciales o ecuaciones matemticas (Martnez y
col., 2002; Prez y col., 2002a). Por tanto en el proceso de diseo vamos a distinguir dos fases:
1.-
Del algoritmo secuencial al grafo de dependencias. El punto de partida en esta fase es

la especificacin de los clculos a realizar para resolver el problema, mediante un
algoritmo secuencial. Debido a la necesidad de regularidad y localidad en las
comunicaciones, nos restringimos a algoritmos basados en bucles anidados, con no mas
de tres anidaciones, y con dependencias de datos constantes. A partir del algoritmo
secuencial obtendremos un grafo regular y con dependencias locales que pone de
manifiesto el mximo paralelismo inherente a los clculos que se deben realizar.
Dedicamos un sub-apartado a la exposicin de esta fase.
2.-
Del grafo de dependencias al algoritmo sistlico. Para definir el algoritmo sistlico

(paralelo) a partir del grafo de dependencias habr que establecer las asignaciones que
asocian a cada nodo del grafo un ciclo (asignacin temporal) y una celda de ejecucin
(asignacin espacial). Normalmente, para un grafo dado son posibles varias asociaciones
correctas distintas, dando lugar a varios algoritmos sistlicos que resuelven un mismo
problema. En los apartados 5.2 y 5.3 de este captulo presentaremos dos de los posibles
sistlicos que pueden ser utilizados en la implementacin del mtodo propuesto en el
apartado 3.2.1.
- 281 -
5.1.1. Del algoritmo secuencial al grafo de dependencias.

De forma previa al desarrollo de esta fase, describimos la notacin que ser utilizada a lo largo
de este captulo, as como algunas consideraciones previas.
P es el nmero total de pixels en la imagen hiperespectral.
K es un elemento estructural, compuesto por M elementos en total.
x 1 , x 2 , ..., x M son los pixels de la imagen hiperespectral englobados por el elemento

estructural K.
N es el nmero de bandas de cada pxel.
D i D( x i , K ) denota la distancia acumulada del pxel x i de K con respecto al resto de

elementos de dicho elemento estructural.
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
norm_x norm_x1 , norm_x 2 ,..., norm_x M x 1 , x 2 ,..., x M
(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
prod [i,j] = prod [i,j] + X[i,k] * X[j,k]

norm_x [i] = norm_x [i] + X[i,k] * X[i,k]
Endfor
Endfor
Endfor
dist = 0
For i = 1 to M
For j = 1 to M
aux[j] = cos-1 ( prod [i,j] / ( norm_x [i] * norm_x [j]))
dist[i] = dist[i] + aux[j]
Endfor
Endfor
ALGORITMO 1. CLCULO DE LA DISTANCIA ACUMULADA.
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
norm_x i [i,j,0] = norm_x [i]

norm_x j [i,j,0] = norm_x [j]
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]
norm_x i [i,j,k] = norm_x i [i,j,k-1] + X i [i,j,k] * X i [i,j,k]

norm_x j [i,j,k] = norm_x j [i,j,k-1] + X j [i,j,k] * X j [i,j,k]
Endfor
Endfor
Endfor
ALGORITMO 2. PRIMEROS TRES BUCLES DE ALGORITMO 1 (REGULAR, DEPENDENCIAS LOCALES).
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
X i [i,k] y X j [j,k] pueden ser segmentados en las direcciones j e i, respectivamente. La figura

5.1.1 muestra el grafo de dependencias correspondiente a este algoritmo.
A partir del grafo de dependencias, pueden obtenerse de forma intuitiva los vectores de
dependencias de datos, igualando ndices de posibles pares de variables utilizadas y generadas,
como se muestra en las siguientes expresiones:
d1T i, j, k i 1, j, k 1,0,0 para X[j,k]
(5.1.4)
d 2T i, j, k i, j 1, k 0,1,0 para X[i,k]
(5.1.5)
d 3T i, j, k i, j, k 1 0,0,1 para prod i , norm_x i y norm_x j
(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 * *
x NM ... x2M x1M * * *
Figura 5.1.1. Grafo de dependencias correspondiente al algoritmo 2.
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.
5.1.2. Del grafo de dependencias al algoritmo sistlico.

Con objeto de mapear los algoritmos anteriormente descritos en arquitecturas sistlicas,
utilizamos las aproximaciones clsicas de Kung, 1983 y Moldovan, 1983. As, el conjunto de
ndices de los bucles de los algoritmos vistos en el apartado anterior son transformados en un nuevo
conjunto de ndices mediante el uso de una funcin montona T, que posibilita el paralelismo y la
segmentacin, preservando al mismo tiempo los vectores de dependencias mostrados en las
expresiones (5.1.4), (5.1.5) y (5.1.6). La funcin T se define de la siguiente forma:
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
La eleccin de nos proporciona la asignacin temporal, y por tanto define:
(5.1.7)
- 286 -
La sincronizacin de los flujos de datos fijando el nmero de retardos asociados a los

enlaces entre celdas y a los internos de cada celda.
La ordenacin temporal de los datos de entrada /salida.
El tiempo de ejecucin del algoritmo.
La eleccin de S nos proporciona la asignacin espacial, que juega un papel primordial en la
complejidad hardware del algoritmo resultante, y que define:
El nmero de celdas del algoritmo sistlico.
El tipo de operacin que realiza cada celda.
La topologa de interconexin entre celdas (los arcos del grafo se transforman en enlaces
entre celdas).
Las estructuras de datos que entran y salen de cada celda (filas, columnas, diagonales,...)
En los siguientes apartados, detallamos las dos alternativas de implementacin que se han
considerado en este trabajo.
5.2. Primera arquitectura (A1)

En esta primera propuesta (Prez y col., 2002b), la seleccin de las funciones y S se realiza
de la siguiente forma:
Para lograr un orden de ejecucin vlido, lo cual se consigue cuando se cumple
d i 0, i 1,..,3 , y, al mismo tiempo, reducir al mximo el tiempo de ejecucin,

seleccionamos 1 1 1 .
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 -
donde n y m se refieren, respectivamente, al movimiento de datos en las direcciones vertical y

horizontal. Estos valores se calculan mediante las siguientes expresiones:
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)
Si denotamos mediante I el conjunto original de ndices, las funciones I y S I

(transformaciones del conjunto original de ndices mediante la funcin T) proporcionan,
respectivamente, el nmero de ciclos y el nmero de EPs para llevar a cabo los clculos indexados
por I. Si consideramos los valores mximos para los ndices de I, Imax, podemos obtener el nmero
total de EPs y el nmero total de ciclos necesarios. Estas operaciones son realizadas de la siguiente
forma:
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 -
Despus de N ciclos de cmputo, EP1, N calcula el producto de x1 consigo mismo,

adems de x1 .
Un ciclo despus, EP2, N realiza las mismas operaciones para x 1 y x 2 , y as

sucesivamente.
En el ciclo de cmputo N+M+1, se ha calculado el producto entre x 1 y los M pixels del

kernel, es decir, D1 .
Despus de N+2M+1 ciclos, el ltimo elemento de proceso, EPM, N , termina de
realizar sus clculos.
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
norm_x j . Como se aprecia en la figura 5.2.1.a, la arquitectura propuesta presenta un diseo

rectangular: los pixels hiperespectrales del kernel son introducidos de arriba abajo, y los resultados
intermedios se van transmitiendo de izquierda a derecha entre EPs vecinos.
Los requerimientos de cmputo de los EPs mostrados en la figura 5.2.1.a deben incluir las
operaciones de multiplicacin y suma. Adems, cada EP debe contener un registro acumulador, con
objeto de ir almacenando el valor de cada pixel en una determinada banda espectral. La figura 5.2.2
muestra un diagrama de bloques en el que aparecen reflejados los requerimientos computacionales
de los EPs anteriormente mencionados. En dicha figura, las salidas E1 , E 2 y E 3 proporcionan,
respectivamente, los operandos prod i , norm_x i y norm_x j .
O1
E1
O2
E2
O3
E3
AC
Figura 5.2.2. Requerimientos computacionales de los EPs mostrados en la figura 5.2.1.a.
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 -

Ciclo de cmputo
Mdulo
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
Figura 5.2.3. Requerimientos computacionales de los elementos CC_EAD.

A travs de su circuito CC_EAD asociado, cada EADJ almacena por tanto la distancia
acumulada entre x J y sus vecinos en el kernel despus de N+M+J+1 ciclos. Para obtener las
distancias acumuladas asociadas a todos los pixels del kernel, es necesario aadir M ciclos de
cmputo a los N+M+1 ciclos necesarios para completar las operaciones en el array rectangular.
Para obtener los valores mximo y mnimo de las distancias acumuladas, es necesario comparar
todos los CC_EADs asociados a los elementos de proceso del array vertical mostrado en la figura
5.2.1.b. Con objeto de poder realizar estas operaciones en paralelo, se utiliza un modelo de
interconexin entre los EADs de forma que cada mdulo se conecta con sus dos EADs ms
cercanos, utilizando para ello dos lneas de transmisin a travs de las cuales se envan los valores
mximo y mnimo entre los EAD vecinos.
Despus de M+1 ciclos de cmputo, el elemento EADM proporciona el valor mximo ( S1 ) y
el valor mnimo ( S 2 ) de las distancias acumuladas. Para ello, las entradas al elemento EAD1
deben ser los valores 0 e , como puede apreciarse en el algoritmo 3. La figura 5.2.4 muestra los
requerimientos computacionales de los elementos EAD mostrados en la figura 5.2.1.b.
En la figura 5.2.4 puede apreciarse que cada EAD consta de un circuito combinacional
CC_EAD, dos comparadores y dos multiplexores controlados por una entrada de inhibicin (Ib).
Esta entrada se utiliza para asegurar que la comunicacin entre CC_EADs solamente tiene lugar
despus de los N+M+1 ciclos adicionales necesarios para el clculo de la primera distancia
acumulada. Por motivos ilustrativos, la tabla 5.2.2 muestra un resumen de las operaciones
realizadas por los mdulos EAD en los primeros N+2M+1 ciclos de cmputo.
- 292 -
N1
N2
O1
CC_EAD
O2
AC
Comp
Comp
O3
Mux
Mux
Ib
S1
S2
Figura 5.2.4. Requerimientos computacionales de los EADs mostrados en la figura 5.2.1.b.
Ciclo de cmputo
Mdulo
N+1
N+M+1

SAM x1 , x 2
EAD1 AC SAM x 1 , x 1 SAM x1 , x1 +
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
arg_ MaxDi 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.
5.3. Segunda arquitectura (A2)

La propuesta de esta segunda alternativa (Aguilar y col., 2002; Prez y col., 2002c) tiene como
objetivo reducir el nmero de EPs necesario para realizar el proceso de clculo del pixel mximo y
mnimo. En esta segunda propuesta de arquitectura, denominada A2, la seleccin de las funciones
y S se realiza de la siguiente forma:
Para lograr un orden de ejecucin vlido y reducir al mximo el tiempo de ejecucin,

seleccionamos 1 1 1 , al igual que en la arquitectura A1.
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:
Despus de N ciclos de cmputo, EP1,1 calcula el producto de x 1 consigo mismo,

adems de x 1 .
Un ciclo despus, EP1,2 y EP2,1 realizan las mismas operaciones para x 1 y x 2 , y as

sucesivamente.
En el ciclo de cmputo N+M+1, se completa el clculo de la distancia SAM entre x 1 y

los M pixels del kernel. De este modo, en N+M+2 se obtiene D1 .
- 295 -
Despus de N+2M+2 ciclos, el ltimo elemento de proceso, EPM, M , termina de

realizar sus clculos.
Por razones ilustrativas, la tabla 5.3.1 muestra un resumen de las operaciones realizadas por los
EPs en los primeros N+2M+2 ciclos computacionales.
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
Figura 5.3.1. Arquitectura sistlica (A2) que soporta el algoritmo AMEE.
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
arg_ MinD i iM1
MAXM E
arg_ MaxD i iM1
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.
5.4. Estudio comparativo

En este apartado se efecta un anlisis comparativo del coste computacional empleado para
procesar una imagen hiperespectral de ejemplo, utilizando las arquitecturas sistlicas anteriormente
descritas, con respecto a la implementacin serie que se describi en el apartado 3.2.2.
La tabla 5.4.1 muestra un resumen del nmero de ciclos de computacin necesarios para llevar a
cabo el procesamiento en serie y en paralelo de una imagen hiperespectral, utilizando el mtodo
propuesto con un elemento estructural de M pixels, cada uno de los cuales viene dado por N bandas
espectrales (ver algoritmos 1, 2 y 3 en apartado 5.1.1).
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
TABLA 5.4.1. NMERO DE CICLOS DE CMPUTO NECESARIOS PARA LLEVAR A CABO EL

PROCESAMIENTO EN SERIE Y PARALELO DE UNA IMAGEN HIPERESPECTRAL, UTILIZANDO UN
ELEMENTO ESTRUCTURAL DE M PIXELS.
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 -
El speed-up ha calculado como el cociente entre el nmero de ciclos necesarios en la

implementacin serie y el nmero de ciclos en la implementacin paralela. Este valor se muestra
para algunos puntos en la grfica. Conviene destacar que el nmero de ciclos de cmputo es el
mismo para las dos arquitecturas paralelas presentadas (A1 y A2), como ya qued patente en la
tabla 5.4.1.
Por otro lado, la parte derecha de la figura 5.4.1 muestra una comparativa entre el factor de
utilizacin de A1 y A2, considerando diferentes tamaos de kernel. El factor de utilizacin se ha
1E+12
Implementacin serie
1,8
Factor de utilizacin
Nmero de ciclos de cmputo
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
Tamao del kernel
11
13
15
17
19
21
23
25
Tamao del kernel
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 -
El mtodo presenta gran robustez frente a las condiciones de ruido presentes en la

imagen a analizar. An en presencia de relaciones seal-ruido muy desfavorables, el
mtodo proporciona resultados satisfactorios.
Un factor decisivo para obtener un buen comportamiento del mtodo propuesto es la
seleccin del elemento estructural utilizado en las operaciones morfolgicas. Este
hecho permite ajustar el algoritmo a diversas situaciones, as como incorporar
informacin a priori acerca de la imagen que se desea analizar.
La complejidad computacional del mtodo propuesto est en relacin directa con el
tamao de los elementos estructurales utilizados. En este sentido, el desarrollo de
implementaciones paralelas del mismo es intuitiva, y puede dar lugar a mdulos
funcionales capaces de ofrecer una respuesta en tiempo real.
El algoritmo utilizado permite cuantificar, con precisin sub-pixel, la abundancia de
los diferentes materiales que residen en cada pixel de la imagen hiperespectral.
El algoritmo presenta elevadas prestaciones en cuanto a la clasificacin no
supervisada de imgenes hiperespectrales y en la identificacin de objetos o targets en
las mismas.
El comportamiento del mtodo es robusto frente a efectos de mezcla en la imagen
hiperespectral. En concreto, los resultados proporcionados por el mismo en los tres
modelos de mezcla lineal analizados: mezcla abrupta, mezcla progresiva y mezcla
progresiva a intervalos de abundancia muy pequeos, presentan correlaciones muy
elevadas.
A pesar de estar basado en un modelo lineal, el mtodo es robusto frente a situaciones
de mezcla no lineal y efectos de dispersin mltiple de la luz.
Una comparativa del mtodo propuesto con otros mtodos basados nicamente en
aproximaciones espectrales revela que el uso combinado de informacin espacial y
espectral se traduce en una mejora de los resultados obtenidos, tanto en las tareas de
estimacin de abundancias como en las de clasificacin e identificacin de objetos.
La distribucin del error cometido al expresar cada pixel de la imagen como
combinacin lineal de elementos espectralmente puros obtenidos mediante el mtodo
propuesto es mucho ms homognea que la obtenida al utilizar otros mtodos basados
solamente en la informacin espectral.
El algoritmo planteado proporciona un mecanismo fiable de compresin con prdida
de imgenes hiperespectrales, basado en el almacenamiento de firmas espectrales
- 305 -
representativas de los objetos presentes en la imagen y sus correspondientes

abundancias.
El compromiso entre el ratio de compresin alcanzado y la calidad de la imagen
reconstruida es superior cuando se utiliza el algoritmo propuesto, en comparacin con
otras tcnicas basadas en propiedades espectrales.
Finalmente, el mtodo propuesto es robusto frente a la resolucin espacial de las
imgenes, aprovechando la elevada resolucin espectral de la imagen en el caso en el
que la resolucin espacial sea reducida.
Captulo 7
Lneas futuras
A partir de las discusiones y resultados obtenidos a lo largo de la presente memoria, se ha

identificado la posibilidad de mejorar y ampliar algunos de los algoritmos de anlisis
hiperespectral propuestos. A continuacin, planteamos algunas sugerencias en cuanto a posibles
mejoras que pueden ser contempladas en el futuro, particularizando los comentarios realizados
para cada uno de los mtodos presentados en este trabajo.
Identificacin de direcciones privilegiadas.

Este mtodo fue descrito en el apartado 3.1.1. A continuacin, planteamos algunas
posibilidades de mejora que pueden considerarse en el futuro:
Estudiar metodologas que permitan establecer de forma automtica el radio del
cilindro de barrido utilizado en funcin de la variabilidad espectral presente en la
imagen.
Utilizar aproximaciones que aseguren un recorrido eficiente de direcciones en la nube
de puntos. En este sentido, puede resultar interesante la utilizacin de conceptos de
ortogonalidad e identificacin de componentes principales para asegurar que las
- 308 -
direcciones exploradas no sean redundantes, evitando as problemas de identificacin

de endmembers adicionales.
Contrastar la posibilidad de utilizar cilindros de exploracin de diferente radio que
permitan la adaptabilidad del mtodo a diferentes agrupaciones y distribuciones de
puntos en el espacio N-dimensional.
Finalmente, es preciso realizar una evaluacin ms detallada del mtodo, utilizando
para ello imgenes sintticas y reales. Las pruebas realizadas hasta el momento han
sido de tipo preliminar, por lo que es previsible que la realizacin de experimentos
adicionales traiga como consecuencia alguna modificacin en el diseo del algoritmo.
Identificacin de endmembers utilizando el centroide de la imagen.

El funcionamiento de este mtodo fue presentado en el apartado 3.1.1. A continuacin,
enumeramos algunas propuestas de mejora para el mismo:
Utilizar centroides locales, en lugar del centroide global, a la hora de estimar la pureza
de cada pixel de la imagen. Este modo de actuacin puede contrarrestar la influencia
de la estadstica (distribucin de puntos) de la imagen, que se traduce en imprecisiones
a la hora de realizar la estimacin anteriormente mencionada.
Utilizar un mtodo automtico para seleccionar el valor umbral a partir del cual se
seleccionan los pixels ms puros de la imagen. En este sentido, una opcin
recomendable puede ser el mtodo automtico de Otsu, descrito en el apartado 2.2.2.3,
que ha demostrado su eficacia en muy diversas aplicaciones.
Detectores en el dominio espacial y espectral.

Este mtodo fue descrito en el apartado 3.1.2. Las propuestas de mejora para el mismo se
resumen en los siguientes puntos:
Utilizar detectores cuyas propiedades espaciales no sean regulares. De este modo,
adems de utilizar detectores de forma cuadrada, pueden probarse otras formas
espaciales (rectangulares, ovaladas, esfricas, etc.). Estas caractersticas pueden
establecerse de antemano en funcin de un cierto conocimiento previo sobre la
imagen.
Realizar un estudio comparativo de la precisin obtenida al utilizar estos detectores en
aplicaciones reales de deteccin de targets. La utilizacin de detectores que utilizan
- 309 -
informacin espacial y espectral de forma combinada puede dar lugar a resultados

satisfactorios en este tipo de aplicaciones.
Automated Morphological Endmember Extraction (AMEE).

El algoritmo AMEE es el principal mtodo que aporta el presente trabajo y, por tanto, el que
ha sido evaluado de forma ms extensa. En el apartado 3.2.2 de la presente memoria se
presentaron en detalle los fundamentos del algoritmo, y se realiz una evaluacin preliminar.
Adems, en el captulo 4 se abord la validacin terica y prctica del mtodo (utilizando para
ello imgenes sintticas y reales) as como su comparacin con otros mtodos ampliamente
utilizados en la actualidad.
El extenso proceso de anlisis efectuado sobre AMEE ha permitido identificar numerosas
lneas futuras de trabajo orientadas a refinar, completar y extender los principios de
funcionamiento del algoritmo. A continuacin, enumeramos algunas de las posibilidades que
pueden ser consideradas en el futuro, distinguiendo entre una serie de campos de actuacin.
Pre-procesado sobre las imgenes utilizadas.

Normalizar la imagen considerada, de forma previa a su procesamiento, restando a
todos los puntos de la imagen el centroide de la nube de puntos. De este modo, el
origen de coordenadas de todos los puntos de la imagen, entendidos como vectores Ndimensionales, pasa a ser el centroide.
Aplicar el algoritmo sobre imgenes reducidas dimensionalmente mediante una
transformada PCA o MNF. En el caso de utilizar MNF, los datos reducidos se tienen
como origen de coordenadas el centroide, por lo que no sera necesaria la etapa de
normalizacin apuntada anteriormente.
Realizar un estudio comparativo del rendimiento del mtodo propuesto utilizando
diferentes algoritmos de correccin atmosfrica/geomtrica, y analizar el impacto del
algoritmo considerado en los resultados proporcionados por AMEE.
Aplicacin de operadores morfolgicos extendidos.

Implementar
operadores
morfolgicos
hiperespectrales
utilizando
elementos
estructurales que no sean planos. Esta aproximacin puede permitir una mejor
- 310 -
caracterizacin de los objetos en el dominio espectral, al utilizarse elementos

estructurales tridimensionales o, incluso, N-dimensionales.
Utilizar elementos estructurales cuyas propiedades espaciales no sean regulares (en
lugar de los cuadrados habituales, pueden probarse formas rectangulares, ovaladas,
esfricas, etc., en funcin de un conocimiento previo sobre los patrones presentes en la
imagen).
Desarrollar mecanismos para establecer, de forma automtica, las propiedades
espaciales de los elementos estructurales en funcin de los patrones espaciales y
espectrales de la escena.
Considerar elementos estructurales direccionales u orientados, en los cuales se
favorece la deteccin de rasgos que ocurren en una determinada direccin en el
espacio. Este tipo de operadores puede resultar apropiado para reconocer objetos cuya
distribucin espacial es conocida de antemano.
Estudiar la viabilidad de llevar a cabo la extensin de las operaciones morfolgicas
clsicas utilizando una relacin de orden total que evite empates a la hora de realizar
la seleccin de endmembers.
En el caso de utilizar una relacin de orden parcial, incorporar mecanismos de control
en los operadores morfolgicos de forma que evite la seleccin de un mismo
endmember de forma repetitiva en caso de empate, circunstancia que puede perjudicar
la seleccin de otros endmembers igualmente puros.
Utilizar distancias no lineales como la divergencia espectral (SID), as como
distancias de segundo orden, a la hora de realizar el proceso de extensin de
operaciones morfolgicas bsicas al caso de imgenes hiperespectrales.
Desarrollar y evaluar aproximaciones alternativas a la definicin del ndice MEI, de
forma que todos los pixels de la imagen sean evaluados. Con estas aproximaciones, se
pretende paliar el problema que plantea la no evaluacin de algunos pixels en
beneficio de otros, que pueden resultar favorecidos a lo largo del proceso.
Desarrollar y evaluar una implementacin alternativa del ndice MEI basada en el
clculo de la distancia entre cada pxel de la imagen y el mnimo global de la misma.
Esta nueva implementacin puede reducir la dependencia del ndice MEI con respecto
a las propiedades espaciales del elemento estructural utilizado en las operaciones
morfolgicas.
Introducir conceptos de lgica borrosa en el de clculo del ndice MEI, de forma que
no se evale un nico elemento sino varios. As, los operadores morfolgicos pueden
- 311 -
utilizarse para evaluar y ponderar un conjunto de elementos en funcin de su

excentricidad en la nube de puntos.
Incorporar informacin sobre los endmembers que han sido previamente
seleccionados en el proceso de aplicacin de operadores morfolgicos extendidos. De
este modo, puede conseguirse que los endmembers seleccionados no puedan obtenerse
como combinacin lineal de otros previamente almacenados, asegurando as un
proceso de seleccin ms robusto.
Introducir un mecanismo selectivo a la hora de ir identificando los endmembers de la
imagen. En concreto, una de las aproximaciones que se han identificado como posible
futura implementacin del mtodo se basa en la utilizacin de una lista de
endmembers, cuyo nmero se introduce como parmetro. A continuacin, puede
aplicarse el mtodo morfolgico a cada punto de la imagen, introduciendo en la lista,
uno a uno, aquellos endmembers de mayor MEI (excentricidad) que cumplan unos
requisitos como los planteados en 3.2.2.4. En recorridos sucesivos, la lista puede
quedar modificada en funcin de caractersticas observadas, como la independencia de
nuevos endmembers con respecto a los ya almacenados.
Incorporar parmetros fsicos acerca de los materiales observados en el proceso de
identificacin de firmas espectrales puras. Esta actividad podra verse complementada
con la utilizacin de bases de datos de caractersticas acerca de materiales
frecuentemente analizados por el algoritmo, libreras espectrales de apoyo, etc.
Identificacin automtica de regiones puras.

Realizar un estudio comparativo de los resultados obtenidos por diferentes tcnicas de
segmentacin en la tarea de identificacin automtica de regiones puras. Entre las
tcnicas que pueden ser consideradas en el futuro, destacan otros algoritmos
automticos de umbralizado, as como tcnicas de filtrado espacial y tcnicas
morfolgicas.
Crecimiento de regiones adaptativo.

Realizar un estudio comparativo de los resultados obtenidos por diferentes tcnicas de
segmentacin en la tarea de identificacin automtica de regiones puras. Entre las
tcnicas que pueden ser consideradas en el futuro, destacan otros algoritmos
- 312 -
automticos de umbralizado, as como tcnicas de filtrado espacial y tcnicas

morfolgicas.
Eliminacin de endmembers redundantes.

Aplicar la etapa de eliminacin de endmembers redundantes en primer lugar, a modo
de pre-procesado, para eliminar as informacin repetitiva en el dominio espectral. A
la hora de realizar esta opcin, debe evitarse la reduccin de informacin relevante,
pues dicha informacin no podr ser recuperada en etapas posteriores del
procesamiento.
Aplicar esta etapa a continuacin de la fase de identificacin automtica de pixels
puros, y justo antes de la etapa de crecimiento de regiones adaptativo. Este nuevo
secuenciamiento podra dar como resultado mejores resultados en la etapa de
crecimiento.
Identificacin de endmembers en la escena y estimacin de abundancias.

Considerar funciones no lineales a la hora de realizar el proceso de estimacin de
abundancias. Una lnea inmediata es la aplicacin de mtodos basados en redes
neuronales de tipo Back-Propagation para efectuar este paso. Una de las principales
aportaciones que pueden realizar estas redes en el proceso de estimacin de
abundancias es la incorporacin de funciones de vecindad no lineal.
Realizar un estudio detallado acerca del impacto de utilizar las tcnicas FCLSU
(desmezclado lineal con restricciones de no linealidad y suma unitaria) y LSU
(desmezclado lineal no restringido) utilizando los endmembers proporcionados por el
mtodo propuesto.
Estudiar la viabilidad de utilizar mltiples endmembers seleccionados por el mtodo
propuesto en el proceso de desmezclado, siguiendo la lnea de aproximaciones como
MESMA, descrita al final del apartado 2.3.2.2.
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 -
menor complejidad computacional, pero pueden presentar un rendimiento ms

reducido debido a la informacin que descartan a lo largo del proceso.
Establecer medidas de calidad que permitan obtener un compromiso adecuado entre la
cantidad de informacin descartada por dichas aproximaciones y la precisin de los
resultados obtenidos.
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.
- 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
spectroradiometers in preparation for bio-optical modelling, en: Proc. XI NASA/JPL

Airborne Earth Science Workshop, Pasadena, CA, 2001.
Bateson, A., Curtiss, B., A method for manual endmember selection and spectral unmixing,
Remote Sensing of Environment, vol. 55, pp. 229-243, 1996.
- 316 -
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.
- 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 -
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.,
Gallagher, A.J., King, T.V.V., Calvin, W.M., The U. S.
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.
- 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
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 -
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
- 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 -
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.
- 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.,
Landgrebe, D.A., "Simulation of Optical Remote Sensing Systems". IEEE
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 -
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
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.
- 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 -
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,
- 327 -
enviado a IEEE Transactions on Neural Networks, Special Issue on Hardware

Implementation, 2002b.
Prez, R.M., Plaza, A., Martnez, P., Aguilar, P.L., Plaza, J., Arrays de Sistlicos como
Soporte al Anlisis de Imgenes Hiperespectrales en Tiempo Real, en XIII Jornadas de
Paralelismo, Lleida, 2002c.
Petrou, M., Foschi, P.G., Confidence in linear spectral unmixing of single pixels, IEEE
Transactions on Geoscience and Remote Sensing, vol. 37, pp. 624 626, Jan. 1999.
Pina, P., Barata, T., Classification of forest cover types in ortho and satellite image using a
methodology based on mathematical morphology, Proceedings of RecPad2000 - 11th
Portuguese Conference on Pattern Recognition, pp. 337-344, Oporto, Portugal, 2000.
Pinzn, J., Ustin, S., Pierce, J.F., Robust Feature Extraction for Hyperspectral Imagery Using
Both Spatial and Spectral Redundancies, Summaries of the VII
JPL Airborne Earth
Science Workshop, 1998.

Plaza, A., Martnez, P., Prez, R.M., Plaza, J. Spatial/spectral Endmember Extraction by
Multidimensional Morphological Operations, IEEE Transactions on Geoscience and
Remote Sensing, vol. 40, no. 9, Sept. 2002a.
Plaza, A., Martnez, P., Prez, R.M., Plaza, J. A Comparative Analysis of Endmember
Extraction Algorithms Using AVIRIS Hyperspectral Data. Summaries of the XI JPL
Airborne Earth Science Workshop, Pasadena, CA, USA, 2002b.
Plaza, A., Martnez, P., Gualtieri, J.A., Prez, R.M., Spatial/Spectral Identification of
Endmembers from AVIRIS Data Using Mathematical Morphology. Summaries of the X
JPL Airborne Earth Science Workshop, Pasadena, CA, USA, 2001a.
Plaza, A., Martnez, P., Gualtieri, J.A., Prez, R.M., Automated Identification of Endmembers
from Hyperspectral Images Using Mathematical Morphology. SPIE International
Conference on Remote Sensing: Image and Signal Processing for Remote Sensing VII.
Toulouse, France, 2001b.
Plaza, A., Martnez, P., Aguilar, P.L., Prez, R.M., Algorithm Development: Endmember
Extraction and Hyperspectral Unmixing Algorithms. SPECTRA Workshop, ESA/ESTEC,
Noordwijk, The Netherlands, 2001c.
Plaza, J., Desarrollo de una aplicacin en internet para la comparacin de algoritmos de
clasificacin de imgenes de la superficie terrestre. Proyecto fin de carrera, Departamento
de Informtica, Universidad de Extremadura, 2002.
Pratt, WK, Digital Image Processing, Second edition. New York: Wiley, 1991.
- 328 -
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.
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.
- 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 -
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.
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.
- 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 -
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
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
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.

Tesis Doctoral PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tesis Doctoral PDF

Caricato da

Copyright:

Formati disponibili

Universidad de Extremadura

ANTONIO PLAZA MIGUEL

A mis padres, Antonio y M Josefa,

2.1. Medida de la radiacin.

2.2. Tcnicas espaciales.

2.2.1. Convolucin espacial y morfologa matemtica.

2.2.3. Crecimiento de regiones.

2.3. Tcnicas espectrales.

2.3.1. Sensores hiperespectrales.

2.3.2. Tcnicas de anlisis hiperespectral.

2.3.2.1. Algoritmos de clasificacin de pixels.

2.3.2.2. Algoritmos de estimacin de abundancias.

2.4. Tcnicas que combinan informacin espacial y espectral.

2.4.1. Procesamiento espectral seguido de procesamiento espacial.

2.4.2. Procesamiento espacial seguido de procesamiento espectral.

3.1.1. Tcnicas que solamente consideran el dominio espectral.

3.1.2. Tcnicas que utilizan informacin espacial y espectral.

3.2. Metodologa propuesta.

3.2.2. Algoritmo AMEE.

3.2.2.1. Aplicacin de operadores morfolgicos extendidos.

3.2.2.2. Identificacin automtica de pixels puros.

3.2.2.3. Crecimiento de regiones adaptativo.

3.2.2.4. Eliminacin de endmembers redundantes.

3.2.2.5. Identificacin de endmembers y estimacin de abundancias.

Captulo 4. Anlisis y discusin de resultados.

4.1. Metodologa de anlisis y discusin de resultados.

4.1.1. Metodologa de anlisis de imgenes sintticas.

4.1.2. Metodologa de anlisis de imgenes reales.

4.2. Anlisis de imgenes sintticas.

4.2.1.1. Seleccin de firmas espectrales.

4.2.1.2. Asignacin de abundancias.

4.2.1.3. Simulacin de ruido.

4.2.2. Imgenes sintticas utilizadas en el estudio.

4.2.3. Experimentos realizados con imgenes sintticas.

4.2.3.1. Primer experimento: deteccin de pixels puros y mezcla.

4.2.3.2. Segundo experimento: identificacin de endmembers.

4.2.3.3. Tercer experimento: estimacin de abundancias.

4.2.3.4. Cuarto experimento: deteccin de objetos.

4.3. Anlisis de imgenes reales.

4.3.2. Experimentos realizados con imgenes reales.

4.3.2.1. Primer experimento. Firmas espectrales verdad terreno.

4.3.2.2. Segundo experimento. Mapas temticos verdad terreno.

4.3.2.3. Tercer experimento. Mapas de abundancia verdad terreno.

4.3.2.4. Cuarto experimento. Valores de abundancia verdad terreno.

4.3.2.5. Quinto experimento. Verdad terreno no disponible.

4.3.2.6. Sexto experimento. Vuelos a diferentes alturas.

Captulo 5. Propuesta de arquitecturas.

5.1.1. Del algoritmo secuencial al grafo de dependencias.

5.1.2. Del grafo de dependencias al algoritmo sistlico.

5.2. Primera arquitectura (A1).

5.3. Segunda arquitectura (A2).

5.4. Estudio comparativo.

Captulo 6. Principales aportaciones y conclusiones.

Captulo 7. Lneas futuras.

Captulo 1. Motivaciones y objetivos.

Captulo 1. Motivaciones y objetivos.

La interaccin entre el usuario y el mtodo debe realizarse exclusivamente

Los resultados proporcionados por el algoritmo deben ser repetibles, es decir,

Implementar la metodologa mediante tcnicas algortmicas, de forma que pueda

Caractersticas de los parmetros de entrada utilizados por el algoritmo y su

Captulo 1. Motivaciones y objetivos.

Presencia de ruido en los datos a analizar.

Influencia de la correccin atmosfrica en los datos analizados.