Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Arguello Fuentes, HenryRamírez Rondon, Juan MarcosPinto Barrera, Jhon Edward2024-03-0420202024-03-0420202020https://noesis.uis.edu.co/handle/20.500.14071/40585Las 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).application/pdfspahttp://creativecommons.org/licenses/by/4.0/Imágenes HiperespectralesRedes Neuronales ConvolucionalesDesmez_xFFFE_clado EspectralClasificación.Universidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestriaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coHyperspectral imagesConvolutional neural networksSpectral unmixingClassification.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)