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