Algoritmo eficiente de agrupación de subespacios sobre imágenes espectrales utilizando muestreo restringido por similitud

Abstract

La precisión de los métodos que abordan la agrupación de subespacios mediante la agrupación espectral, dependen de la construcción de una matriz de afinidad para crear el grafo de similitud de los puntos. Algunos trabajos como la agrupación de subespacios mediante la restricción de escasez (SSC, por sus siglas en inglés) han logrado resultados eficientes a la hora de asignar un punto a un subespacio. Sin embargo estos métodos presentan limitaciones cuando la cantidad de puntos a agrupar aumenta, ya que la complejidad temporal crece a una razón cubica del tamaño de los datos, lo que hace que estos métodos sean ineficientes a la hora de abordar problemas de gran escala, como el agrupamiento de subespacios en imágenes espectrales. Este trabajo de investigación busca disminuir la complejidad computacional temporal y espacial a la hora de aplicar agrupamiento espectral en imágenes espectrales, dividiendo la data en segmentos y aplicando sobre ellos un muestreo teniendo en cuenta la información espacial, para obtener puntos dentro de la muestra y puntos fuera de la muestra. A cada subconjunto se le aplicará un tratamiento diferente para así lograr la asignación de grupos de todos los puntos. Además se presentan resultados experimentales utilizando varias imágenes espectrales, los cuales muestran la efectividad de este enfoque.