Algoritmo eficiente, robusto y con restricciones de similitud para el aprendizaje subespacial y la agrupación en clústeres con aplicaciones en imágenes comprimidas
El uso directo del algoritmo Sparse Subspace Clustering (SSC) en HSI presenta tres problemas principales: (1) Las HSI generalmente tienen ruido debido a su alta variabilidad de la información espectral y el ruido del sensor, lo que puede disminuir el rendimiento del agrupamiento si no se maneja adec...
- Autores:
-
Hinojosa Montero, Carlos Alberto
- Tipo de recurso:
- Doctoral thesis
- Fecha de publicación:
- 2022
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- eng
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/10484
- Palabra clave:
- Clasificación no supervisada de imágenes comprimidas
algoritmo de agrupación
aprendizaje no supervisado
Compressive image clustering
spectral-spatial unsupervised classification
subspace clustering
unsupervised learning
- Rights
- openAccess
- License
- Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
| Summary: | El uso directo del algoritmo Sparse Subspace Clustering (SSC) en HSI presenta tres problemas principales: (1) Las HSI generalmente tienen ruido debido a su alta variabilidad de la información espectral y el ruido del sensor, lo que puede disminuir el rendimiento del agrupamiento si no se maneja adecuadamente; (2) Debido a la alta dimensionalidad de las HSI y la complejidad computacional de SSC, la mayoría de los algoritmos de agrupamiento trabajan en pequeñas regiones de interés seleccionadas; (3) dado que SSC ignora la información espacial en los HSI, su capacidad de discriminación es limitada, lo que dificulta la homogeneidad espacial de los resultados del agrupamiento. Esta tesis propone diseñar, desarrollar y simular un método eficiente, robusto y con restricciones de similitud para el agrupamiento subespacial, el cual pretende abordar estos tres problemas mencionados anteriormente. Específicamente, el capítulo 2 explora la inclusión de un término de regularización que reduce el ruido y mejora la precisión del agrupamiento. El capítulo 3 propone un algoritmo escalable que extrae características espaciales y realiza la agrupación de manera eficiente con alta precisión. El capítulo 4 adopta ideas de los dos capítulos anteriores para desarrollar un algoritmo rápido y robusto para HSI. Finalmente, los capítulos 5 y 6 proponen diferentes estrategias para realizar el agrupamiento directamente en las medidas comprimidas, evitando la reconstrucción. |
|---|