Detección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectrales
ilustraciones, graficas
- Autores:
-
Penagos Espinel, Oscar Fernando
- Tipo de recurso:
- Fecha de publicación:
- 2021
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/81152
- Palabra clave:
- 530 - Física::537 - Electricidad y electrónica
HONGOS-ECOLOGIA
ECOLOGIA VEGETAL
INDUSTRIA DE EQUIPOS PARA DIAGNOSTICO POR IMAGENES
Imágenes hiperespectrales
Antracnosis
Métodos de clasificación supervisada
Principal Component Analysis
Spectral Angle Mapper
k-Nearest Neighbor
Linear discriminant analysis
Hyperspectral Image
Anthracnose
Unsupervised Classi cation Methods
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| id |
UNACIONAL2_c5921a5bb1f33a93444e40f3f84379b2 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/81152 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectrales |
| dc.title.translated.eng.fl_str_mv |
Detection of foliar anthracnose on mango plants by hyperspectral image analysis |
| title |
Detección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectrales |
| spellingShingle |
Detección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectrales 530 - Física::537 - Electricidad y electrónica HONGOS-ECOLOGIA ECOLOGIA VEGETAL INDUSTRIA DE EQUIPOS PARA DIAGNOSTICO POR IMAGENES Imágenes hiperespectrales Antracnosis Métodos de clasificación supervisada Principal Component Analysis Spectral Angle Mapper k-Nearest Neighbor Linear discriminant analysis Hyperspectral Image Anthracnose Unsupervised Classi cation Methods |
| title_short |
Detección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectrales |
| title_full |
Detección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectrales |
| title_fullStr |
Detección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectrales |
| title_full_unstemmed |
Detección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectrales |
| title_sort |
Detección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectrales |
| dc.creator.fl_str_mv |
Penagos Espinel, Oscar Fernando |
| dc.contributor.advisor.none.fl_str_mv |
Prieto Ortiz, Flavio Augusto |
| dc.contributor.author.none.fl_str_mv |
Penagos Espinel, Oscar Fernando |
| dc.contributor.researcher.none.fl_str_mv |
Velasquez Hernandez Carlos Alberto |
| dc.subject.ddc.spa.fl_str_mv |
530 - Física::537 - Electricidad y electrónica |
| topic |
530 - Física::537 - Electricidad y electrónica HONGOS-ECOLOGIA ECOLOGIA VEGETAL INDUSTRIA DE EQUIPOS PARA DIAGNOSTICO POR IMAGENES Imágenes hiperespectrales Antracnosis Métodos de clasificación supervisada Principal Component Analysis Spectral Angle Mapper k-Nearest Neighbor Linear discriminant analysis Hyperspectral Image Anthracnose Unsupervised Classi cation Methods |
| dc.subject.lemb.spa.fl_str_mv |
HONGOS-ECOLOGIA ECOLOGIA VEGETAL INDUSTRIA DE EQUIPOS PARA DIAGNOSTICO POR IMAGENES |
| dc.subject.proposal.spa.fl_str_mv |
Imágenes hiperespectrales Antracnosis Métodos de clasificación supervisada |
| dc.subject.proposal.eng.fl_str_mv |
Principal Component Analysis Spectral Angle Mapper k-Nearest Neighbor Linear discriminant analysis Hyperspectral Image Anthracnose Unsupervised Classi cation Methods |
| description |
ilustraciones, graficas |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2022-03-08T16:44:42Z |
| dc.date.available.none.fl_str_mv |
2022-03-08T16:44:42Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/81152 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/81152 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Aires, Priscila ; Fernandes Gambarra Neto, Francisco ; Coutinho, Wirton ; Araújo, Alderi ; Silva, Gilvan ; Gouveia, Josivanda ; Medeiros, Everaldo: Near infrared hyperspectral images and pattern recognition techniques used to identify etiological agents of cotton anthracnose and ramulosis. En: Journal of Spectral Imaging 7 (Abril, 2018) Alias, M. S. ; Ismail Adnan, A. M. ; Jugah, K. ; Ishaq, I. ; Fizree, Z. A.: Detection of Basal Stem Rot (BSR) disease at oil palm plantation using hyperspectral imaging. En: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2013, pp. 1-4 Bertels, Luc ; Deronde, Bart ; Kempeneers, Pieter ; Debruyn, Walter ; Provoost, Sam: Optimized Spectral Angle Mapper classi fication of spatially heterogeneous dynamic dune vegetation, a case study along the Belgian coastline. En: 9th International Symposium on Physical Measurements and Signatures in Remote Sensing (ISPMSRS). Beijing, China (Noviembre,2002) Cente, IBM K. Análisis discriminante: Método de inclusión por pasos. https://www.ibm.com/support/knowledgecenter/es/SSLVMB_subs/statistics_mainhelp_ddita/spss/base/idh_disc_met.html, (15-05-2020). 2019 Feng, Q.; Chen, J. ; Li, X. ; Li, C. ; Wang, X.: Multi-spectral Image Fusion Method for Identifying Similar-colored Tomato Organs. En: 2019 IEEE International Conference on Unmanned Systems and Arti cial Intelligence (ICUSAI), 2019, p. 142-145 de la Fuente Fernández, Santiago. Análisis discriminante. http:// www.estadistica.net/Master-Econometria/Analisis_Discriminante.pdf, (06-05-2020). 2011 Gogineni, Rajesh ; Chaturvedi, Ashvini: Hyperspectral Image Classification. Diciembre, 2019 Gutiérrez, Salvador; Wendel, Alexander; Underwood, James: Ground based hyperspectral imaging for extensive mango yield estimation. En: Computers and Electronics in Agriculture 157 (Febrero, 2019), pp. 126-135 Hemmleb, Matthias; A, F. ; B, A. ; C, A. ; Maierhofer, Christiane ; Wg, Commission: Multi-spectral data acquisition and processing techniques for damage detection on building surfaces, Enero, 2006 Hennessy, Andrew ; Clarke, Kenneth ; Lewis, Megan: Hyperspectral Classifi cation of Plants: A Review of Waveband Selection Generalisability. En: Remote Sensing 12 (Enero, 2020), pp. 113 Ibérica, Decco. , ¿Qué es la antracnosis y cómo afecta a los cultivos? https://www. deccoiberica.es/que-es-la-antracnosis-y-como-afecta-a-los-cultivos/,(15-05-2020). 2018 Karaca, A. C. ; C esmeci, D. ; Erturk, A. ; Gullu, M. K. ; Erturk, S.: Hyperspectral change detection with stereo disparity information enhancement. En: 2014 6th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2014, pp. 1-4 Kavzoglu, Taskin ; Tonbul, Hasan ; Colkesen, Ismail: Dimensionality reduction for hyperspectral images to improve object-based image classi fication using feature selection and principal component analysis, Octubre, 2018 Lu, Jinzhu ; Ehsani, Reza ; Shi, Yeyin ; Abdulridha, Jaafar ; De Castro, Ana ; Xu, Yunjun: Field detection of anthracnose crown rot in strawberry using spectroscopy technology. En: Computers and Electronics in Agriculture 135 (Abril, 2017), pp. 289-299 Masso-Garden. Plantas y enfermedades, Antracnosis. http://www.massogarden. com/es/plagas-y-enfermedades-es/antracnosis,(15-05-2020). 2015. Qianwen, L. ; Bingliang, H.: The Hyper-Spectral Image Compression System Based on DSP. En: 2008 International Workshop on Education Technology and Training 2008 International Workshop on Geoscience and Remote Sensing Vol. 2, 2008, pp. 171-174 Qin, Jianwei ; Burks, Thomas ; Kim, moon s. ; Chao, Kuanglin ; Ritenour, Mark: Citrus canker detection using hyperspectral reflectance imaging and PCA-based image classi fication method. En: Sensing and Instrumentation for Food Quality and Safety 2 (Septiembre, 2008), pp. 168-177 Rodrigo, Joaquín A. Análisis discriminante lineal (LDA) y análisis discriminante cuadrático (QDA). https://www.cienciadedatos.net/documentos/28_linear_discriminant_analysis_lda_y_quadratic_discriminant_analysis_qda, (15-05-2020). 2016 Rodríguez, María J.: Estadística informática casos y ejemplos con el SPSS. http://www.digitaliapublishing.com/a/639 : Alicante: Universidad de Alicante, 2001 Saberioon, M. ; CísaA™, P. ; Labbé, L.: In VIVO Fish Diet Discrimination using Selected Hyperspectral Image Classifi cation Methods. En: 2018 9th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2018, pp. 1-5 Stamatas, Georgios ; Balas, Costas ; Kollias, Nikiforos: Hyperspectral Image Acquisition and Analysis of Skin. En: Proc SPIE 4959 (Julio, 2003) Su, Hongjun ; Sheng, Yehua ; Du, Peijun ; Chen, Chen ; Liu, Kui: Hyperspectral image classi fication based on volumetric texture and dimensionality reduction. (Noviembre, 2014) Sun, W. ; Du, Q.: Hyperspectral Band Selection: A Review. En: IEEE Geoscience and Remote Sensing Magazine 7 (2019), Nr. 2, pp. 118-139 Wang, A. S. ; Pelc, N. J.: Su cient Statistics as a Generalization of Binning in Spectral X-ray Imaging. En: IEEE Transactions on Medical Imaging 30 (2011), Nr. 1, pp. 84-93 Yang, Jing-Hui ; Wang, Li-Guo ; Qian, Jin-Xi: Hyperspectral image classification based on spatial and spectral features and sparse representation. En: Applied Geophysics 11 (Diciembre, 2015), pp. 489-499 Yao, Haibo ; Hruska, Zuzana ; Kincaid, Russell ; Ononye, Ambrose ; Brown, Robert ; Cleveland, Thomas: Spectral Angle Mapper classi fication of fluorescence hyperspectral image for aflatoxin contaminated corn, Julio, 2010, pp. 1-4 Ye, X. ; Iino, K. ; Zhang, S. ; Oshita, S.: Nondestructive monitoring of chicken meat freshness using hyperspectral imaging technology. En: 2015 7th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2015, pp. 1-4 Yeh, Yu-Hui ; Chung, Wei-Chang ; Liao, Jui-Yu ; Chung, Chia-Lin ; Kuo, Yan-Fu ; Lin, Ta-Te: Strawberry foliar anthracnose assessment by hyperspectral imaging. En: Computers and Electronics in Agriculture 122 (Marzo, 2016), pp. 1-9 Zhang, Baohua ; Fan, Shuxiang ; Li, Jiangbo ; Huang, Wenqian ; Zhao, Chunjiang ; Qian, Man ; Zheng, Ling: Detection of Early Rottenness on Apples by Using Hyperspectral Imaging Combined with Spectral Analysis and Image Processing. En: Food Analytical Methods 8 (Enero, 2015) |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
vi, 39 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería Electrónica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/81152/4/1018459005.2021.pdf https://repositorio.unal.edu.co/bitstream/unal/81152/5/license.txt https://repositorio.unal.edu.co/bitstream/unal/81152/6/1018459005.2021.pdf.jpg |
| bitstream.checksum.fl_str_mv |
faedf0e548a368f3a78c51b1de52e408 8153f7789df02f0a4c9e079953658ab2 23fca7fbbfc25275c5276e8173d566f7 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1806886364185100288 |
| spelling |
Atribución-NoComercial 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Prieto Ortiz, Flavio Augustoe5e0629d29d9b754bf18e0f0017122daPenagos Espinel, Oscar Fernandob8d5138b1bb9ee14abed6aacc5a7a5c5Velasquez Hernandez Carlos Alberto2022-03-08T16:44:42Z2022-03-08T16:44:42Z2021https://repositorio.unal.edu.co/handle/unal/81152Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, graficasLa antracnosis es una enfermedad que afecta una gran cantidad de plantas, es producida principalmente por el hongo Colletotrichum, dada su fácil propagación por el aire, su abundante presencia en climas cálidos o en temporadas de alta temperatura como países con estaciones de verano y primavera, y su control mediante agentes químicos, genera la muerte de numerosas plantas y con ello grandes pérdidas económicas afectando principalmente a agricultores. El objetivo de este proyecto es evaluar el uso de imágenes hiperespectrales como apoyo a la detección de antrancnosis, para ello se hace uso de métodos de clasificación tradicionales como LDA y KNN y enfocados en datos espectrales como SAM, además del reductor de dimensionalidad PCA con el fin de encontrar la mínima cantidad de bandas espectrales necesarias para detectar la presencia del patógeno. (Texto tomado de la fuente)Anthracnose is a disease that a affects a large number of plants, it is mainly produced by the fungus Colletotrichum, given its easy propagation through the air, its abundant presence in hot climates or in seasons of high temperature such as summer and spring seasons, and its control by chemical agents, generates the death of numerous plants and with it great economic losses affecting mainly farmers. The objective of this project is to evaluate the use of hyperspectral images to support the detection of anthracnose, using traditional classification methods such as LDA and KNN and focused on spectral data such as SAM, in addition to the dimensionality reducer PCA in order to find the minimum number of spectral bands necessary to detect the presence of the pathogen.MaestríaMagíster en Ingeniería - Ingeniería Electrónicavi, 39 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ingeniería - Maestría en Ingeniería - Ingeniería ElectrónicaDepartamento de Ingeniería Eléctrica y ElectrónicaFacultad de IngenieríaBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá530 - Física::537 - Electricidad y electrónicaHONGOS-ECOLOGIAECOLOGIA VEGETALINDUSTRIA DE EQUIPOS PARA DIAGNOSTICO POR IMAGENESImágenes hiperespectralesAntracnosisMétodos de clasificación supervisadaPrincipal Component AnalysisSpectral Angle Mapperk-Nearest NeighborLinear discriminant analysisHyperspectral ImageAnthracnoseUnsupervised Classi cation MethodsDetección de antracnosis foliar en plantas de mango por medio de análisis de imágenes hiperespectralesDetection of foliar anthracnose on mango plants by hyperspectral image analysisTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAires, Priscila ; Fernandes Gambarra Neto, Francisco ; Coutinho, Wirton ; Araújo, Alderi ; Silva, Gilvan ; Gouveia, Josivanda ; Medeiros, Everaldo: Near infrared hyperspectral images and pattern recognition techniques used to identify etiological agents of cotton anthracnose and ramulosis. En: Journal of Spectral Imaging 7 (Abril, 2018)Alias, M. S. ; Ismail Adnan, A. M. ; Jugah, K. ; Ishaq, I. ; Fizree, Z. A.: Detection of Basal Stem Rot (BSR) disease at oil palm plantation using hyperspectral imaging. En: 2013 5th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2013, pp. 1-4Bertels, Luc ; Deronde, Bart ; Kempeneers, Pieter ; Debruyn, Walter ; Provoost, Sam: Optimized Spectral Angle Mapper classi fication of spatially heterogeneous dynamic dune vegetation, a case study along the Belgian coastline. En: 9th International Symposium on Physical Measurements and Signatures in Remote Sensing (ISPMSRS). Beijing, China (Noviembre,2002)Cente, IBM K. Análisis discriminante: Método de inclusión por pasos. https://www.ibm.com/support/knowledgecenter/es/SSLVMB_subs/statistics_mainhelp_ddita/spss/base/idh_disc_met.html, (15-05-2020). 2019Feng, Q.; Chen, J. ; Li, X. ; Li, C. ; Wang, X.: Multi-spectral Image Fusion Method for Identifying Similar-colored Tomato Organs. En: 2019 IEEE International Conference on Unmanned Systems and Arti cial Intelligence (ICUSAI), 2019, p. 142-145de la Fuente Fernández, Santiago. Análisis discriminante. http:// www.estadistica.net/Master-Econometria/Analisis_Discriminante.pdf, (06-05-2020). 2011Gogineni, Rajesh ; Chaturvedi, Ashvini: Hyperspectral Image Classification. Diciembre, 2019Gutiérrez, Salvador; Wendel, Alexander; Underwood, James: Ground based hyperspectral imaging for extensive mango yield estimation. En: Computers and Electronics in Agriculture 157 (Febrero, 2019), pp. 126-135Hemmleb, Matthias; A, F. ; B, A. ; C, A. ; Maierhofer, Christiane ; Wg, Commission: Multi-spectral data acquisition and processing techniques for damage detection on building surfaces, Enero, 2006Hennessy, Andrew ; Clarke, Kenneth ; Lewis, Megan: Hyperspectral Classifi cation of Plants: A Review of Waveband Selection Generalisability. En: Remote Sensing 12 (Enero, 2020), pp. 113Ibérica, Decco. , ¿Qué es la antracnosis y cómo afecta a los cultivos? https://www. deccoiberica.es/que-es-la-antracnosis-y-como-afecta-a-los-cultivos/,(15-05-2020). 2018Karaca, A. C. ; C esmeci, D. ; Erturk, A. ; Gullu, M. K. ; Erturk, S.: Hyperspectral change detection with stereo disparity information enhancement. En: 2014 6th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2014, pp. 1-4Kavzoglu, Taskin ; Tonbul, Hasan ; Colkesen, Ismail: Dimensionality reduction for hyperspectral images to improve object-based image classi fication using feature selection and principal component analysis, Octubre, 2018Lu, Jinzhu ; Ehsani, Reza ; Shi, Yeyin ; Abdulridha, Jaafar ; De Castro, Ana ; Xu, Yunjun: Field detection of anthracnose crown rot in strawberry using spectroscopy technology. En: Computers and Electronics in Agriculture 135 (Abril, 2017), pp. 289-299Masso-Garden. Plantas y enfermedades, Antracnosis. http://www.massogarden. com/es/plagas-y-enfermedades-es/antracnosis,(15-05-2020). 2015.Qianwen, L. ; Bingliang, H.: The Hyper-Spectral Image Compression System Based on DSP. En: 2008 International Workshop on Education Technology and Training 2008 International Workshop on Geoscience and Remote Sensing Vol. 2, 2008, pp. 171-174Qin, Jianwei ; Burks, Thomas ; Kim, moon s. ; Chao, Kuanglin ; Ritenour, Mark: Citrus canker detection using hyperspectral reflectance imaging and PCA-based image classi fication method. En: Sensing and Instrumentation for Food Quality and Safety 2 (Septiembre, 2008), pp. 168-177Rodrigo, Joaquín A. Análisis discriminante lineal (LDA) y análisis discriminante cuadrático (QDA). https://www.cienciadedatos.net/documentos/28_linear_discriminant_analysis_lda_y_quadratic_discriminant_analysis_qda, (15-05-2020). 2016Rodríguez, María J.: Estadística informática casos y ejemplos con el SPSS. http://www.digitaliapublishing.com/a/639 : Alicante: Universidad de Alicante, 2001Saberioon, M. ; CísaA™, P. ; Labbé, L.: In VIVO Fish Diet Discrimination using Selected Hyperspectral Image Classifi cation Methods. En: 2018 9th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2018, pp. 1-5Stamatas, Georgios ; Balas, Costas ; Kollias, Nikiforos: Hyperspectral Image Acquisition and Analysis of Skin. En: Proc SPIE 4959 (Julio, 2003)Su, Hongjun ; Sheng, Yehua ; Du, Peijun ; Chen, Chen ; Liu, Kui: Hyperspectral image classi fication based on volumetric texture and dimensionality reduction. (Noviembre, 2014)Sun, W. ; Du, Q.: Hyperspectral Band Selection: A Review. En: IEEE Geoscience and Remote Sensing Magazine 7 (2019), Nr. 2, pp. 118-139Wang, A. S. ; Pelc, N. J.: Su cient Statistics as a Generalization of Binning in Spectral X-ray Imaging. En: IEEE Transactions on Medical Imaging 30 (2011), Nr. 1, pp. 84-93Yang, Jing-Hui ; Wang, Li-Guo ; Qian, Jin-Xi: Hyperspectral image classification based on spatial and spectral features and sparse representation. En: Applied Geophysics 11 (Diciembre, 2015), pp. 489-499Yao, Haibo ; Hruska, Zuzana ; Kincaid, Russell ; Ononye, Ambrose ; Brown, Robert ; Cleveland, Thomas: Spectral Angle Mapper classi fication of fluorescence hyperspectral image for aflatoxin contaminated corn, Julio, 2010, pp. 1-4Ye, X. ; Iino, K. ; Zhang, S. ; Oshita, S.: Nondestructive monitoring of chicken meat freshness using hyperspectral imaging technology. En: 2015 7th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), 2015, pp. 1-4Yeh, Yu-Hui ; Chung, Wei-Chang ; Liao, Jui-Yu ; Chung, Chia-Lin ; Kuo, Yan-Fu ; Lin, Ta-Te: Strawberry foliar anthracnose assessment by hyperspectral imaging. En: Computers and Electronics in Agriculture 122 (Marzo, 2016), pp. 1-9Zhang, Baohua ; Fan, Shuxiang ; Li, Jiangbo ; Huang, Wenqian ; Zhao, Chunjiang ; Qian, Man ; Zheng, Ling: Detection of Early Rottenness on Apples by Using Hyperspectral Imaging Combined with Spectral Analysis and Image Processing. En: Food Analytical Methods 8 (Enero, 2015)InvestigadoresORIGINAL1018459005.2021.pdf1018459005.2021.pdfTesis de Maestría en Ingeniería Electrónicaapplication/pdf1157286https://repositorio.unal.edu.co/bitstream/unal/81152/4/1018459005.2021.pdffaedf0e548a368f3a78c51b1de52e408MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81152/5/license.txt8153f7789df02f0a4c9e079953658ab2MD55THUMBNAIL1018459005.2021.pdf.jpg1018459005.2021.pdf.jpgGenerated Thumbnailimage/jpeg4603https://repositorio.unal.edu.co/bitstream/unal/81152/6/1018459005.2021.pdf.jpg23fca7fbbfc25275c5276e8173d566f7MD56unal/81152oai:repositorio.unal.edu.co:unal/811522023-08-02 23:03:51.981Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |