La adquisición y procesamiento de imágenes espectrales involucra el manejo de grandes cantidades de información espectral multidimensional. Su adquisición, procesamiento y almacenamiento son costosos temporal, computacional y económicamente. En los últimos años se han desarrollado arquitecturas ópticas para la adquisición de información espectral de forma comprimida, usando un conjunto reducido de mediciones codificadas por un modulador espacial. En este artículo se formula un esquema de procesamiento que permita utilizar las mediciones adquiridas por dichos sistemas de muestreo compresivo; por tanto, para efectuar la detección espectral de objetivos, se adaptarán algoritmos de detección tradicionales a fin de usarlos en el modelo de muestreo compresivo, y se mostrará que su desempeño es comparable al obtenido en procesos de detección sin compresión.
INTRODUCCIÓN
En las últimas décadas, el desarrollo de sensores ópticos ha facilitado el análisis de la teledetección con una rica información espacial, espectral y temporal. El aumento de la resolución espectral de las imágenes hiperespectrales (HSI) y las sondas infrarrojas ha dado lugar a nuevos ámbitos de aplicación y plantea nuevos retos metodológicos en el análisis de datos. Las HSI permiten caracterizar los objetos de interés (por ejemplo, las clases de cobertura del suelo) con una precisión sin precedentes y ayudan a mantener los inventarios actualizados. Además, las mejoras en la resolución espectral han requerido avances en los algoritmos de procesamiento y explotación de la señal [1].
La clasificación de imágenes hiperespectrales y la detección de objetivos se encuentran entre los problemas más importantes de diversas disciplinas científicas, como el aprendizaje automático [2], el procesamiento de imágenes y la visión por ordenador. En la clasificación de datos hiperespectrales hay que tener en cuenta varias cuestiones críticas. Por ejemplo, el alto número de canales espectrales y el bajo número de muestras de entrenamiento etiquetadas conducen al problema de la maldición de la dimensionalidad (es decir, el fenómeno de Hughes [3]) y dan lugar al riesgo de sobreajuste de los datos de entrenamiento [4]. Para aliviar los problemas que conlleva la gran dimensionalidad de los datos, la variabilidad espacial de la información espectral y el alto coste del etiquetado de muestras reales, y para mejorar la estabilidad numérica, se han propuesto diversos enfoques [5].
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Una revisión del fenómeno de aislamiento magnético
Artículo:
Radar MIMO de matriz de frecuencia diversa con formación de haz adaptativa con supresión de interferencia dependiente del alcance en la localización de objetivos
Artículo:
Aplicación de visualización de una ontología para el dominio del análisis del semen humano
Artículo:
Un sencillo enfoque de inversión cuantitativa para la obtención de imágenes por microondas en sistemas integrados
Artículo:
Un nuevo método de diseño para transiciones de banda ultraancha de microstrip a stripline suspendida
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
Estudio sobre la migración global de materiales plásticos de empaque usados en la industria de alimentos
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Guía:
Manual de operaciones de destilación