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...
- 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 |