Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/1809| Técnicas de reconocimiento de patrones en imágenes hiperespectrales Pattern recognition techniques for hyperspectral images | |
| JESUS ALBERTO OCAÑA ACOSTA | |
| JORGE TORRES RODRIGUEZ | |
| Acceso Abierto | |
| Atribución | |
| Reconocimiento de Patrones, Mapeo de Ángulo Espectral, Máxima Verosimilitud, Perceptrón Multicapa, Adam, Análisis de Componentes Principales, Imágenes hiperespectrales Pattern Recognition, Spectral Angle Mapper, Maximum Likelihood, Multilayer Perceptron, Adam, Principal Components Analysis, Hyperspectral images | |
| El proceso básico de reconocimiento de patrones se realiza en tres procedimientos: adquisición de datos, extracción de características y clasificación. La adquisición de datos emplea sensores para la medición de propiedades físicas y químicas de los objetos a identificar, posteriormente en el proceso de extracción de características se utilizan métodos de transformación para obtener nuevas propiedades útiles para la discriminación de los objetos. Entonces, en el proceso de clasificación se asigna una clase a cada uno de los objetos de estudio usando la información característica que se obtuvo en el proceso anterior o incluso empleando las características obtenidas en la adquisición de datos. El objetivo de este trabajo fue diseñar e implementar técnicas supervisadas de reconocimiento de patrones aplicadas a imágenes hiperespectrales con la finalidad de identificar tipos de cubiertas litológicas del terreno. Para alcanzar este objetivo se seleccionaron tres áreas de pruebas, la primera perteneciente a Tecate, Baja California con tipos de cubierta de terreno comunes (como agua, vegetación y suelo); y las otras dos áreas localizadas, respectivamente, en el centro sur y centro de la Isla Ángel de la Guarda, ambas con clases litológicas. El propósito de estas zonas y sus patrones de entrenamiento fue iniciar con un problema simple, como es la clasificación de tipos de cubierta comunes, para posteriormente conseguir resolver un problema más complejo como la identificación de litologías. Se adquirieron imágenes multiespectrales (ALI y TM) de dos áreas e hiperespectrales (Hyperion) de cada una de las zonas de pruebas. A continuación, se acondicionaron las imágenes para la extracción de características mediante el Análisis de Componentes Principales (ACP), y posteriormente se definieron criterios de selección de características. Para finalmente, seleccionar los patrones de entrenamiento y validación, y realizar la clasificación supervisada de cada una de las áreas empleando tres técnicas de reconocimiento de patrones: Mapeo de Ángulo Espectral (SAM), Máxima Verosimilitud (ML) y Perceptrón Multicapa con el optimizador Adam (MLP-Adam). El mejor resultado en el área de Tecate fue obtenido por el clasificador de ML con una precisión del 97.99 %, mientras que para la zona del centro sur de la Isla Ángel de la Guarda se logró el 95.82 % mediante MLPAdam y para el área central de la isla se alcanzó un 85.23 % con el clasificador de ML. Basic pattern recognition process is performed in three procedures: data acquisition, feature extraction and classification. The data acquisition uses sensors for the measurement of physical and chemical properties of objects to be identified, later in the process of feature extraction, transformation methods are used to obtain new characteristics suitable for the discrimination of the objects. Finally, in the classification process, one class can be assigned to each of the study objects using the characteristic information obtained in the previous process or even the use of the necessary characteristics in the data acquisition. The objective of this work was to design and implement supervised techniques for the pattern recognition applied to hyperspectral images in order to identify lithological land cover types. To achieve this objective, three test areas were selected, the first belonging to the region of Tecate, Baja California, with common land cover types (such as water, vegetation and soil). The other two areas are located, respectively, in the center and center south of the Angel de la Guarda island, both using lithological classes. The purpose of selecting these zones and their training patterns was to start with a simple problem, such as the classification of common land cover types, to subsequently solve a more complex problem such as the lithological mapping. Multispectral images (ALI and TM) were acquired for two of these areas and hyperspectral (Hyperion) for all of the test areas. Firstly, a Principal Components Analysis (PCA) was realized, and subsequently several criteria for the feature selection were defined. Finally perform the supervised classification was perform for each of the areas using three pattern recognition techniques: Spectral Angle Mapping (SAM), Maximum Likelihood (ML) and Multilayer Perceptron with the Adam optimizer. The best result for the Tecate area was obtained by the ML classifier with an accuracy of 97.99%, while for the south central zone of the Angel de la Guarda island 95.82% was achieved by Adam and for the central area of the island 85.23% was obtained with the ML classifier. | |
| CICESE | |
| 2017 | |
| Tesis de maestría | |
| Español | |
| Ocaña Acosta, J.A. 2017. Técnicas de reconocimiento de patrones en imágenes hiperespectrales. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 166 pp. | |
| INTELIGENCIA ARTIFICIAL | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Ocaña_Acosta_Jesús_Alberto_04_dic_2017B.pdf | Versión completa de la tesis | 10.2 MB | Adobe PDF | Visualizar/Abrir |