Classification of hyperspectral images based on convolutional neural networks and spectral unmixing
| dc.contributor.advisor | Arguello Fuentes, Henry | |
| dc.contributor.advisor | Ramírez Rondon, Juan Marcos | |
| dc.contributor.author | Pinto Barrera, Jhon Edward | |
| dc.date.accessioned | 2024-03-04T00:48:27Z | |
| dc.date.available | 2020 | |
| dc.date.available | 2024-03-04T00:48:27Z | |
| dc.date.created | 2020 | |
| dc.date.issued | 2020 | |
| dc.description.abstract | Las imágenes hiperespectrales (HSIs) corresponden a cubos de datos que contienen información espacial de una escena a lo largo del espectro electromagnético. En general, estas imágenes se han usado para identificar diferentes características de las escenas gracias a su alto contenido espectral, estas han favorecido el desarrollo de aplicaciones como, la detección de enfermedades en cultivos y la discriminación de materiales presentes en una escena. En particular, el análisis de las firmas espectrales de diversos tipos de vegetación ha permitido obtener información sobre el estado y el crecimiento de los cultivos agrícolas. En este sentido, la clasificación de HSIs es una tarea desafian te, debido a que, las firmas adquiridas son afectadas por diversos factores, tales como, los cambios en los niveles de iluminación e incertidumbres de los equipos de medición. Además, la mayoría de los métodos de clasificación no consideran la mezcla del contenido espectral de múltiples materiales en un único píxel. Para superar esta limitación, las técnicas de desmezclado espectral han emergido para estimar la contribución de los diferentes materiales en un único píxel. Por otro lado, las redes neuronales convolucionales (CNN) son estructuras de aprendizaje profundo que han demostrado un notable rendimiento en tareas de clasificación de información visual. Estas arquitecturas típicamente están conformadas por capas convolucionales, capa de funciones de activación no lineal, capa de agrupamiento y una capa completamente conectada, que ejecuta la tarea de clasificación multiclase. En este trabajo, se propone un enfoque de clasificación de HSIs mediante el uso de un método de desmezclado espectral y CNN. Específicamente, el método propuesto utiliza los mapas de abundancia extraídos de una HSI como entrada a una CNN. El propósito de este trabajo es aprovechar las ventajas del desmezclado espectral, incluyendo la descomposición a nivel de sub-píxeles, la reduc ción de la dimensionalidad y el rendimiento notable de las CNN. El método propuesto se verificó a través de cuatro conjuntos de datos de HSIs tradicionales, como Pavia University, Salinas Valley, Indian y la Oil Palm. Asimismo, el método de clasificación propuesto presenta un mejor rendimiento de clasificación en términos de precisión general comparado con diferentes métodos de clasificación de la literatura, tales como, máquina de soporte vectorial (SVM, del inglés Support Vector Machine), máquina de soporte vectorial con función de base radial (SVM-RBF, del inglés Support Vector Ma chine - Radial Basis Function) y por último el método de vecinos más cercanos (K-NN, del inglés k-nearest neighbors algorithm). | |
| dc.description.abstractenglish | Hyperspectral images (HSIs) correspond to data cubes that contain spatial information of a scene along the electromagnetic spectrum. In general, these images have been used to identify different characteristics of the scenes thanks to its high spectral content, these have favored the development of applications such as, the detection of diseases in crops and the discrimination of materials present in a scene. In particular, the analysis of the spectral signatures of various types of vegetation has made it possible to obtain information on the state and growth of agricultural crops. In this sense, the classification of HSIs is a challenging task, because the acquired signatures are affected by various factors, such as changes in lighting levels and uncertainties of the measurement equipment. In addi tion, most classification methods do not consider mixing the spectral content of multiple materials into a pixel. To overcome this limitation, spectral unmixing techniques have emerged to estimate the con tribution of different materials in a pixel. On the other hand, convolutional neural networks (CNN) have shown a remarkable performance in visual information classification tasks. These architectures typi cally consist of convolutional layers, a nonlinear activation layer, a pooling layer, and a fully connected layer, which performs the task of multi-class classification. In this paper, a classification approach to HSIs is proposed using a spectral unmixing method and CNN. Specifically, the proposed method uses the abundance maps extracted from an HSI as input to a CNN. The purpose of this work is to take advantage of spectral unmixing, including sub-pixel level decomposition, reduced dimensionality, and remarkable yield of CNNs.The proposed method was verified through four traditional HSI data sets, such as Pavia University, Salinas Valley, Indian and Oil Palm. In addition, the proposed classification method presents a better classification performance in terms of overall accuracy compared to diffe rent classification methods in the literature, such as Support Vector Machine (SVM), Support Vector Machine - Radial Basis Function (SVM-RBF) and finally the Nearest Neighbors Method (K-NN). | |
| dc.description.degreelevel | Maestría | |
| dc.description.degreename | Magíster en Ingeniería de Sistemas e Informática | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.instname | Universidad Industrial de Santander | |
| dc.identifier.reponame | Universidad Industrial de Santander | |
| dc.identifier.repourl | https://noesis.uis.edu.co | |
| dc.identifier.uri | https://noesis.uis.edu.co/handle/20.500.14071/40585 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Industrial de Santander | |
| dc.publisher.faculty | Facultad de Ingenierías Fisicomecánicas | |
| dc.publisher.program | Maestría en Ingeniería de Sistemas e Informática | |
| dc.publisher.school | Escuela de Ingeniería de Sistemas e Informática | |
| dc.rights | http://creativecommons.org/licenses/by/4.0/ | |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
| dc.rights.license | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0 | |
| dc.subject | Imágenes Hiperespectrales | |
| dc.subject | Redes Neuronales Convolucionales | |
| dc.subject | Desmez_xFFFE_clado Espectral | |
| dc.subject | Clasificación. | |
| dc.subject.keyword | Hyperspectral images | |
| dc.subject.keyword | Convolutional neural networks | |
| dc.subject.keyword | Spectral unmixing | |
| dc.subject.keyword | Classification. | |
| dc.title | Classification of hyperspectral images based on convolutional neural networks and spectral unmixing | |
| dc.title.english | Classification of hyperspectral images based on convolutional neural networks and spectral unmixing | |
| dc.type.coar | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
| dc.type.hasversion | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type.local | Tesis/Trabajo de grado - Monografía - Maestria |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 189.58 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 313.52 KB
- Format:
- Adobe Portable Document Format