Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos

El agrupamiento de imágenes espectrales es un método de clasificación no supervisada que identifica las distribuciones de píxeles utilizando información espectral sin necesidad de una etapa previa de entrenamiento. Los métodos basados ​​en agrupación de subespacio escasos (SSC) suponen que las imáge...

Full description

Autores:
Bacca, Jorge Luis
Arguello, Henry
Tipo de recurso:
Article of journal
Fecha de publicación:
2019
Institución:
Instituto Tecnológico Metropolitano
Repositorio:
Repositorio ITM
Idioma:
eng
OAI Identifier:
oai:repositorio.itm.edu.co:20.500.12622/1423
Acceso en línea:
https://revistas.itm.edu.co/index.php/tecnologicas/article/view/1205
http://hdl.handle.net/20.500.12622/1423
Palabra clave:
Imágenes hiperespectrales
Agrupación espectral
Agrupación de subespacios escasos
Submuestreo
clasificación de imágenes
Spectral images
Spectral clustering
Sparse subspace clustering
Sub-sampling
image classification
Rights
License
Copyright (c) 2019 TecnoLógicas
Description
Summary:El agrupamiento de imágenes espectrales es un método de clasificación no supervisada que identifica las distribuciones de píxeles utilizando información espectral sin necesidad de una etapa previa de entrenamiento. Los métodos basados ​​en agrupación de subespacio escasos (SSC) suponen que las imágenes hiperespectrales viven en la unión de múltiples subespacios de baja dimensión. Basado en esto, SSC asigna firmas espectrales a diferentes subespacios, expresando cada firma espectral como una combinación lineal escasa de todos los píxeles, garantizando que los elementos que no son cero pertenecen a la misma clase. Aunque estos métodos han demostrado una buena precisión para la clasificación no supervisada de imágenes hiperespectrales, a medida que aumenta el número de píxeles, es decir, la dimensión de la imagen es grande, la complejidad computacional se vuelve intratable. Por este motivo, este documento propone reducir el número de píxeles a clasificar en la imagen hiperespectral, y posteriormente, los resultados del agrupamiento para los píxeles faltantes se obtienen explotando la información espacial. Específicamente, este trabajo propone dos metodologías para remover los píxeles, la primera se basa en una distribución espacial de ruido azul que reduce la probabilidad de que se eliminen píxeles vecinos y la segunda es un procedimiento de submuestreo que elimina cada dos píxeles contiguos, preservando la estructura espacial de la escena. El rendimiento del algoritmo de agrupamiento de imágenes espectrales propuesto se evalúa en tres conjuntos de datos mostrando que se obtiene una precisión similar cuando se elimina hasta la mitad de los pixeles, además, es hasta 7.9 veces más rápido en comparación con la clasificación de los conjuntos de datos completos.