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
id RepoITM2_512b32249fe28eb6d459f1351d78b9bb
oai_identifier_str oai:repositorio.itm.edu.co:20.500.12622/1423
network_acronym_str RepoITM2
network_name_str Repositorio ITM
repository_id_str
dc.title.spa.fl_str_mv Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos
dc.title.alternative.eng.fl_str_mv Sparse Subspace Clustering in Hyperspectral Images using Incomplete Pixels
title Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos
spellingShingle Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos
Imágenes hiperespectrales
Agrupación espectral
Agrupación de subespacios escasos
Submuestreo
clasificación de imágenes
Spectral images
Spectral clustering
Sparse subspace clustering
Sub-sampling
image classification
title_short Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos
title_full Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos
title_fullStr Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos
title_full_unstemmed Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos
title_sort Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos
dc.creator.fl_str_mv Bacca, Jorge Luis
Arguello, Henry
dc.contributor.author.none.fl_str_mv Bacca, Jorge Luis
Arguello, Henry
dc.subject.spa.fl_str_mv Imágenes hiperespectrales
Agrupación espectral
Agrupación de subespacios escasos
Submuestreo
clasificación de imágenes
topic Imágenes hiperespectrales
Agrupación espectral
Agrupación de subespacios escasos
Submuestreo
clasificación de imágenes
Spectral images
Spectral clustering
Sparse subspace clustering
Sub-sampling
image classification
dc.subject.keywords.eng.fl_str_mv Spectral images
Spectral clustering
Sparse subspace clustering
Sub-sampling
image classification
description 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.
publishDate 2019
dc.date.accessioned.none.fl_str_mv 2019-10-24T17:35:36Z
2019-10-24T18:09:31Z
dc.date.available.none.fl_str_mv 2019-10-24T17:35:36Z
2019-10-24T18:09:31Z
dc.date.issued.none.fl_str_mv 2019-09-20
dc.type.none.fl_str_mv info:eu-repo/semantics/article
dc.type.eng.fl_str_mv Research Papers
dc.type.spa.fl_str_mv Artículos de investigación
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_6501
format http://purl.org/coar/resource_type/c_6501
dc.identifier.none.fl_str_mv https://revistas.itm.edu.co/index.php/tecnologicas/article/view/1205
10.22430/22565337.1205
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12622/1423
url https://revistas.itm.edu.co/index.php/tecnologicas/article/view/1205
http://hdl.handle.net/20.500.12622/1423
identifier_str_mv 10.22430/22565337.1205
dc.language.iso.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv https://revistas.itm.edu.co/index.php/tecnologicas/article/view/1205/1293
dc.relation.ispartofjournal.none.fl_str_mv TecnoLógicas
dc.rights.spa.fl_str_mv Copyright (c) 2019 TecnoLógicas
https://creativecommons.org/licenses/by-nc-sa/4.0
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Copyright (c) 2019 TecnoLógicas
https://creativecommons.org/licenses/by-nc-sa/4.0
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Instituto Tecnológico Metropolitano (ITM)
dc.source.none.fl_str_mv 2256-5337
0123-7799
dc.source.eng.fl_str_mv TecnoLógicas; Vol 22 No 46 (2019); 1-14
dc.source.spa.fl_str_mv TecnoLógicas; Vol. 22 Núm. 46 (2019); 1-14
institution Instituto Tecnológico Metropolitano
bitstream.url.fl_str_mv https://dspace-itm.metabuscador.org/bitstreams/313e3d55-3b34-4144-be78-45445111498f/download
https://dspace-itm.metabuscador.org/bitstreams/1b7d5e86-cc71-4dae-a8b3-3d26a76501d9/download
https://dspace-itm.metabuscador.org/bitstreams/4132a784-ffc0-4189-a942-405fe88d7133/download
bitstream.checksum.fl_str_mv c2c43c155b63d73bf6c8873b614db013
8cb77f1cc96fec74328192e766c5b5d9
3e19e1671123a7e872b0768f43202431
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Instituto Tecnológico Metropolitano de Medellín
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1837096893335732224
spelling Bacca, Jorge LuisArguello, Henry2019-10-24T17:35:36Z2019-10-24T18:09:31Z2019-10-24T17:35:36Z2019-10-24T18:09:31Z2019-09-20https://revistas.itm.edu.co/index.php/tecnologicas/article/view/120510.22430/22565337.1205http://hdl.handle.net/20.500.12622/1423El 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.Spectral image clustering is an unsupervised classification method which identifies distributions of pixels using spectral information without requiring a previous training stage. The sparse subspace clustering-based methods (SSC) assume that hyperspectral images lie in the union of multiple low-dimensional subspaces.  Using this, SSC groups spectral signatures in different subspaces, expressing each spectral signature as a sparse linear combination of all pixels, ensuring that the non-zero elements belong to the same class. Although these methods have shown good accuracy for unsupervised classification of hyperspectral images, the computational complexity becomes intractable as the number of pixels increases, i.e. when the spatial dimension of the image is large. For this reason, this paper proposes to reduce the number of pixels to be classified in the hyperspectral image, and later, the clustering results for the missing pixels are obtained by exploiting the spatial information. Specifically, this work proposes two methodologies to remove the pixels, the first one is based on spatial blue noise distribution which reduces the probability to remove cluster of neighboring pixels, and the second is a sub-sampling procedure that eliminates every two contiguous pixels, preserving the spatial structure of the scene. The performance of the proposed spectral image clustering framework is evaluated in three datasets showing that a similar accuracy is obtained when up to 50% of the pixels are removed, in addition, it is up to 7.9 times faster compared to the classification of the data sets without incomplete pixels.application/pdfengInstituto Tecnológico Metropolitano (ITM)https://revistas.itm.edu.co/index.php/tecnologicas/article/view/1205/1293TecnoLógicasCopyright (c) 2019 TecnoLógicashttps://creativecommons.org/licenses/by-nc-sa/4.0http://purl.org/coar/access_right/c_abf22256-53370123-7799TecnoLógicas; Vol 22 No 46 (2019); 1-14TecnoLógicas; Vol. 22 Núm. 46 (2019); 1-14Imágenes hiperespectralesAgrupación espectralAgrupación de subespacios escasosSubmuestreoclasificación de imágenesSpectral imagesSpectral clusteringSparse subspace clusteringSub-samplingimage classificationAgrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletosSparse Subspace Clustering in Hyperspectral Images using Incomplete Pixelsinfo:eu-repo/semantics/articleResearch PapersArtículos de investigaciónhttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85PublicationORIGINALRep_Itm_CEA.pdfRep_Itm_CEA.pdfapplication/pdf1496886https://dspace-itm.metabuscador.org/bitstreams/313e3d55-3b34-4144-be78-45445111498f/downloadc2c43c155b63d73bf6c8873b614db013MD51trueAnonymousREADTHUMBNAILRep_Itm_CEA.pdf.jpgRep_Itm_CEA.pdf.jpgGenerated Thumbnailimage/jpeg5095https://dspace-itm.metabuscador.org/bitstreams/1b7d5e86-cc71-4dae-a8b3-3d26a76501d9/download8cb77f1cc96fec74328192e766c5b5d9MD52falseAnonymousREADTEXTRep_Itm_CEA.pdf.txtRep_Itm_CEA.pdf.txtExtracted texttext/plain38246https://dspace-itm.metabuscador.org/bitstreams/4132a784-ffc0-4189-a942-405fe88d7133/download3e19e1671123a7e872b0768f43202431MD53falseAnonymousREAD20.500.12622/1423oai:dspace-itm.metabuscador.org:20.500.12622/14232025-06-24 09:25:02.372open.accesshttps://dspace-itm.metabuscador.orgRepositorio Instituto Tecnológico Metropolitano de Medellínbdigital@metabiblioteca.com