Operaciones de detección y clasificación de señales en imágenes espectrales muestreadas mediante un sistema de sensado compresivo.

Abstract

Las imágenes espectrales (SI, de su sigla en inglés) contienen información en alta resolución espectral, de los materiales o la vegetación presente en la superficie de la tierra. Las L bandas de una SI forman un cubo de datos, cuyas dimensiones corresponden a la combinación de información espacial (x, y) y espectral (L) de la escena. Sin embargo, a medida que aumenta la resolución de las cámaras, el número de muestras crece considerablemente, debido a que los sensores y las arquitecturas utilizadas se basan en el criterio de Shannon-Nyquist. Por lo tanto, el volumen de la información generada en el muestreo tradicional demanda grandes cantidades de memoria y de ancho de banda para la comunicación y extracción de la información. La teoría de muestreo compresivo (CS, de su sigla en inglés) permite hacer un muestreo eficiente de las señales, disminuyendo la cantidad de medidas requeridas en métodos tradicionales. CS se adoptó como un protocolo de muestreo de imágenes espectrales, y se han desarrollado una serie de arquitecturas basadas en este principio, entre las que cabe mencionar Coded Aperture Snapshot Spectral Imaging (CASSI), Spatiospectral Encoded Compressive Spectral Imaging (SSCSI), Snapshot Colored Compressive Spectral Imager (SCCSI) y Hyperspectral Coded Aperture (HYCA). Estas permiten simultáneamente el muestreo y la compresión de las SI. Para el análisis de las SI se requiere la disponibilidad del cubo de datos, es decir, que luego de la compresión se requieren procesos de reconstrucción de todos los datos dentro de la escena. Las principales aplicaciones de SI requieren algoritmos de detección, que prueban, por medio de la estadística, si un objeto está presente o no en las medidas; y de clasificación, que determinan a que clase pertenecen los pixeles de interés. Los algoritmos tradicionales de detección y clasificación en SI también requieren como entrada el cubo de datos reconstruido, lo que demanda altos costos computacionales por la gran cantidad de memoria requerida, ancho de banda para la transmisión y espacio de almacenamiento de los datos. Recientemente se estudió el problema de procesamiento de SI en el dominio comprimido con las medidas generadas por la arquitectura del sistema CASSI. Esta tesis propone un algoritmo de detección y de clasificación de imágenes espectrales en dominio comprimido con base en las arquitecturas DD-CASSI, SSCSI y HYCA (cuyas bandas espectrales no presentan desplazamiento). Adicionalmente se propone otro algoritmo de detección y de clasificación para la arquitectura SSCSI, que sí tiene desplazamiento espectral. El desempeño de los algoritmos se analizó con diferentes niveles de compresión de los datos (25%, 38% y 100%) y con diferentes niveles de ruido (20 y 25 [dB]). Se tomaron tres imágenes espectrales de libre uso con características diversas para las pruebas. Los diccionarios se construyeron con el 10% y 50% de los datos requeridos para el entrenamiento. Se presenta un análisis de resultados comparando los algoritmos propuestos con las diferentes arquitecturas en términos de desempeño en las tareas de detección y clasificación en dominio comprimido. Se encontró que los algoritmos con el mejor comportamiento se presentaron con la arquitectura SSCSI para un 38% de compresión y 10% de los datos utilizados para la construcción del diccionario, alcanzando una detección del 94.84% en la imagen Salinas, 89.63% en Pavia y 85.20% Indian Pines. En clasificación el 87.72% en Pavia (seis clases), 85.44% en Salinas (9 clases) y 74.53% Indian Pines (16 clases).