Experimentos de extraccion de endmembers con MAM.

Slides:



Advertisements
Presentaciones similares
Desarrollo de una herramienta de extracción del árbol coronario en una imagen angiográfica utilizando un algoritmo de seguimiento arterial  Autores: Francisco.
Advertisements

Qué son: Operaciones entre pixels. Operaciones de punto Cuales son: Erosiones y dilataciones. Operaciones geométricas. Filtros espaciales. Operaciones.
Estimación de la media poblacional
RECONOCEDOR DE MATRICULAS
ANÁLISIS EXPLORATORIO DE DATOS
Metodología – Procesos Psicológicos Básicos Prof: Julio Santiago
9. Detección de Circunferencias. Transformada de Hough
10. RANSAC. Ajuste a modelos geométricos
8. Detección de Rectas. Transformada de Hough
Descomposicion espectral1 Introduccion a la descomposicion espectral Spectral unmixing, N Hashava, J,F, Mustard, IEEE Signal Processing Magazine, Jan 2002.
Detección en imagen hiperespectral 1
APLICACIONES DEL ALGEBRA LINEAL RECONOCIMIENTO DE ROSTRO.
David G. Lowe Distinctive Image Features from Scale-Invariant Keypoints Aradí Rosales Cruz Visión de alto nivel Enrique Sucar.
Determinacion de endmembers CCA1 Determinación de endmembers mediante una transformacion cónica.
CONDICIONES INICIALES t
MÉTODO BOOTSTRAP Considere una muestra aleatoria de tamaño n = 10 con las siguientes observaciones: X1 = -2.41, X2 = 4.86, X3 = 6.06, X4 = 9.11 X5 = 10.2,
Descriptores De Forma Basados En Regiones: Método MLEV
J. Trinidad Guillen Bonilla, H. Guillen Bonilla, A. Guillen Bonilla,
Tratamiento Digital de Imágenes
Procesamiento de Imágenes Digitales
Procesamiento Digital de Imágenes y Visión
Inicialización de Superficies Deformables mediante Elipsoides Generalizados R. Dosil, X. M. Pardo, A. Mosquera, D. Cabello Grupo de Visión Artificial Departamento.
PROCESAMIENTO EN EL DOMINIO DEL ESPACIO. Se entiende por procesamiento en el dominio del espacio, la realización de operaciones directamente sobre el valor.
Reconocimiento de Patrones
Cecilia Aguerrebere – Germán Capdehourat Proyecto Final de Reconocimiento de Patrones Reconocimiento de Caras con características locales.

Reconocimiento y resolución de ecuaciones impresas Luis Fernández Pérez Marco Antonio Formoso Trigo.
EXTRACCIÓN DE CARACTERISTICAS
MÉTODOS DE BINARIZACIÓN DE IMÁGENES EN NIVELES DE GRIS
Capitulo 3 Segmentación.
EXPERIMENTACIÓN NUMÉRICA
Marcas de agua en el dominio del espacio Realizado por: Alejandro Pazos Castillo José Antonio Mateos García Aplicación práctica orientada a la Esteganografía.
Statistic Filters El filtro de mediana. Este tipo de filtro pertenece al grupo de filtros de orden estadístico, los cuales son filtros que no cumplen con.
Evaluación topológica de métodos de binarización
TRATAMIENTO DE IMAGENES Detección de fibras coloreadas en lana.
Simular: Representar una cosa, fingiendo o imitando lo que no es.
CARPLATE Reconocimiento del marco de la matrícula de un coche
IUMA División de Diseño de Sistemas Integrados Universidad de Las Palmas de Gran Canaria Implementación hardware del algoritmo Vertex Component Analysis.
Filtro Canny Detección de Esquinas
Eliminación de ruido y Tratamiento de partes alargadas en imágenes digitales.
1 Image Segmentation Chapter 9 Dr. Mario Chacón DSP & Vision Lab.
Transformada de Hough Representación de rectas en coordenadas polares.
Analisis de datos en imagenes hiperespectrales: intro 1 Analisis de datos hiperespectrales: otra revisión Hyperespectral image data analysis, D. Landgrebe,
3. COMPONENTES PRINCIPALES
Filtrado lineal Digital image processing, Gonzalez & Woods, chpt 4
Procesamiento Digital de Imágenes
Extracción de características
Metodo geometrico de extraccion de endmembers 1 Metodo geométrico para la extracción de endmembers.
Análisis de componentes principales
Reconocimiento de caras usando Histogramas de Gradientes Orientados
Diferencia entre procesos aleatorios, y determinísticos.
Universidad de Los Andes Facultad de Ingeniería Escuela de Ingeniería Eléctrica Maestría en Ingeniería Biomédica GIBULA Máquinas de Soporte Vectorial.
Procesamiento de imágenes digitales
IUMA Universidad de Las Palmas de Gran Canaria Campus Universitario de Tafira Las Palmas de Gran Canaria, SPAIN tel.: Fax: +34.
Imágenes para generar Preguntas
Pixelación de imágenes avanzada usando el algoritmo slic
CLASIFICACIÓN SUPERVISADA
Reconocimiento de cara basado en “espectrocara”
6. Sistemas de ecuaciones diferenciales lineales
Todo con bits Transmisión de imágenes.
DETECCION DE SEÑALES BINARIAS EN RUIDO GAUSSIANO El criterio de toma de decisión fue descrito por la ecuación Un criterio muy usado para escoger el nivel.
Procesamiento de imágenes digitales para generar mapas temáticos Páginas del Manual de Idrisi.
SEGMENTACIÓN DE CARACTERES EN PANELES LED EN IMÁGENES NATURALES Álvaro Vilches Díaz Giulia Sabatinelli Pablo Alamo González.
Bioestadística Inferencia estadística y tamaño de muestra
Equipo de Profesores del Curso. Funciones de Texto.
Viviana Acosta Estadística II. Que es Es una distribución de probabilidad que surge del problema de estimar la media de una población normalmente distribuida.
PRUEBA.
Dfsfdsfs sfdsdfsf. prueba dfdsffss Prueba 3.
Prueba.
Transcripción de la presentación:

Experimentos de extraccion de endmembers con MAM

Extremos encontrados tomando el pixel (1,1) como inicio: 15 extremos

Endmembers extraidos de la imagen original correspondientes a los extremos encontrados

Imágenes de abundancias

spectral bands normalized radiance Extremos encontrados a partir de un espectro inicial escogido aleatoriamente: 6 endmembers

spectral bands radiance Endmembers extraidos de la imagen original correspondientes a los extremos encontrados.

Imágenes de abundancias de los endmembers localizados

Clasificaciones mediante SAM usando los endmembers

spectral bands normalized radiance 8 extremos

Prueba incluyendo los intervalos de confianza (1.5) del ruido en la busqueda de los extremos 17 extremos

Extremos calculados sobre los datos originales, considerando interv conf (3.5): 16

Siguiendo la aproximacion CCA, aplicamos la cosa sobre los pixels transformados por los autovalores de la covarianza de los pixels normalizados: 3 representantes

Imágenes de abundancias

Idem bajando el umbral de ruido al 0.5

Idem con umbral 0.3: 8 extremos

Idem 0.2, 14 extremos

Con solo 11 autovectores, umbral 0.2

Umbral 0.2, 11 extremos

Umbral 0.15, 17 extremos