Imagenes hiperespectrales: introducción Signal processing for Hyperespectral Image Exploitation, G. Shaw, D. Manolakis, IEEE Signal Processing Magazine, Jan 2002, p.12-16 imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion Introducción Se trata de imágenes obtenidas con sensores que muestrean de forma fina el espectro. Permiten la identificación remota de materiales y condiciones especiales. La alta dimensión de los datos dificulta el análisis y el almacenamiento. No existen espectros puros fuera de las condiciones de laboratorio: mezcla de espectros. imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion Introducción Electro-optical remote sensing: adquisición de información sobre un objeto sin llegar a tomar contacto físico. El hecho básico es que cada objeto refleja y absorbe la luz de distintas maneras dependiendo de su composición molecular y forma. El espectro o firma espectral es la medición por un sensor de la luz reflejada por los objetos para cada longitud de onda en un amplio ancho de banda. Espectroscopia: medición, análisis e interpretación de los espectros. imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion Introducción Muestreo: Espacial: tamaño del pixel en el suelo, varia de metros a decenas de metros. Depende de la apertura del sensor y de la altitud. Espectral: se consigue por prismas o interferometros. Un conversor A/D convierte la radiancia muestreada en cada canal espectral. Temporal: corresponde a la colección de múltiples imagenes hiperespectrales de la misma escena en el tiempo. imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion Region visible del espectro: 0.4-0.7mm. NIR: Infrarrojo cercano 2.4mm. MWIR: onda media infrarroja LWIR: onda larga infrarroja imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion Cubo de datos hiperespectral: A lo largo de la dimensión espectral cada pixel de la imagen es un espectro que caracteriza los materiales en la zona correpondiente del suelo. En la dimensión espacial, cada corte del cubo corresponde a una imagen de banda estrecha de la superficie cubierta por el sensor. imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion Introducción Objetivo del análisis: Identificar y distinguir materiales en base a su firma espectral. La radiancia observada por el sensor depende de: La iluminación solar en cada longitud de onda La reflectancia del objeto en esa longitud de onda. imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion Efectos adicionales: Ángulo de sol Angulo del sensor Radiancia solar reflejada por la dispersión atmosférica. Iluminación indirecta por reflejos de otros objetos. Sombras Absorción y dispersión atmosférica Aberraciones del sensor (espaciales y espectrales). imagenes hiperespectrales : introduccion

Taxonomía de los procesos computacionales Detección de objetivos (target detection): búsqueda de firmas espectrales raras o inusuales. Detección de cambios: búsqueda de variaciones significativas entre imagenes hiperespectrales de la misma escena. Clasificación: asignar una etiqueta a cada pixel de la imagen (mapa temático) Estimación de la fracción de cada material presente en cada pixel: espectral unmixing. imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion

Reducción de dimensiones Los sensores sobremuestrean el espectro para evitar perder absorciones de banda estrecha. La reducción de dimensiones Es deseable para mejorar la eficiencia de los algoritmos en tiempo y precisión. Debe preservar las características discriminantes importantes. El análisis en componentes principales reduce la dimensión con criterios de varianza que pueden no ser adecuados. imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion Clasificación versus detección de objetivos: Clasificación: asignación de una etiqueta a cada observación (pixel). Detección: identificar la ocurrencia de una condición. Puede considerarse como un problema de clasificación en dos clases La clase objetivo es infrecuente, por lo que el problema de clasificación está mal balanceado. El producto final es un mapa de objetivos a tasa de falsas alarmas constante (CFAR). Las función de costo es también no balanceada (no es el mismo costo una falsa alarma que una falsa no-alarma. imagenes hiperespectrales : introduccion

imagenes hiperespectrales : introduccion Unmixing: descomposición espectral Los pixeles tienen firma espectral combinación de las de los materiales en la escena. El objetivo es identificar estos materiales componentes y la proporcion de su presencia. Equivale a clasificación sub-pixel. El problema básico es si la composición es lineal o no-lineal. Se categoriza como un problema de estimación en lugar de clasificación (decisión). imagenes hiperespectrales : introduccion