Clasificación de Imágenes Hiperespectrales a Través de un Aprendizaje Profundo Contextual
Analisis Articulo "Hyperspectral
image classification via
contextual
deep learning"
En el presente artículo
se presenta una técnica o alternativa para el procesamiento de imágenes hiperespectrales,
debido a la gran información espectral y espacial de estas imágenes se hace muy
difícil la clasificación de coberturas y elementos presentes en ellas usando técnicas
convencionales puesto que estas implican mucho tiempo y un elevado costo para
su procesamiento. En la clasificación convencional principalmente lo que se
hace es a partir de los niveles digitales de cada pixel, realizar la asociación
de estos a un elemento especifico teniendo en cuenta la curva espectral y sus
niveles de reflectancia, esto es relativamente sencillo en imágenes que no
contienen un elevado número de bandas espectrales, ahora bien cuando se trata
de imágenes Hiperespectrales se hace bastante difícil crear patrones para la clasificación,
ya que el número de semillas o puntos de
muestreo serian demasiados además de la complejidad en identificar
correctamente dichos puntos.
En
este trabajo, se centran en la clasificación, que extrae características espectrales
y espaciales antes de la clasificación, el método propuesto es una Red Neuronal
Artificial en marcada por una estructura
de aprendizaje profundo contextual (Contextual Deep Learning) Los métodos de
clasificación procesan cada pixel independientemente sin tener en cuenta la
información espacial, pero la información contextual espacial de imágenes hiperespectrales,
es tan importante como la información espectral. De hecho, los pixeles adyacentes
comparten tanto información espacial como espectral y tienen la misma etiqueta,
y el uso de la información espacial puede reducir la incertidumbre de muestras
y suprimir el ruido o perturbaciones de los resultados de la clasificación. Por
lo tanto, es necesario explotar conjuntamente tanto la información espectral y
espacial de las imágenes hiperespectrales para mejorar el rendimiento de
clasificación.
El
marco de la estructura de aprendizaje profundo contextual contiene una capa de
entrada, tres tipos de capas ocultas, y una capa de salida. La primera capa
oculta se fusiona información espectral de los píxeles adyacentes para añadir
información espacial en los píxeles de procesamiento, los siguiente (uno o más)
capas ocultas aprenden la característica espectral elaboradamente, y la última
capa oculta, integra una capa para suavizar la información de la vecindad.
Los autores concluyen que,
en comparación con otros métodos de clasificación, la principal ventaja del
método propuesto es que es capaz de obtener información espectral de alta
calidad y las características espaciales, utilizando sólo unas pocas muestras
de entrenamiento y un clasificador simple.
Bibliografía
Xiaorui Ma, Jie Geng and Hongyu Wang, (2015). Hyperspectral image classification via contextual deep learning.Recuperado
el 12 de Noviembre de 2017 en: https://link.springer.com/article/10.1186/s13640-015-0071-8
Comentarios
Publicar un comentario