INDEXACIÓN DE IMÁGENES HIPERESPECTRALES APLICANDO REDES NEURONALES MORFOLÓGICAS

Manuel Graña Romay, José Orlando Maldonado Bautista

Resumen


En este artículo se explica el procedimiento para indexar imágenes de
reconocimiento remoto utilizando información espectral y espacial. Para obtener características espectrales se aplican redes neuronales morfológicas, obteniendo el conjunto de endmembers de la imagen. Inicialmente se presenta una revisión de conceptos relativos a redes neuronales morfológicas de tipo memorias asociativas. Después se muestran los resultados de segmentación aplicado a un conjunto de imágenes sintéticas. Dichos resultados sirven de apoyo para esta aproximación como caracterización de las imágenes para su uso en la construcción de sistemas CBIR de imágenes hiperespectrales.

Texto completo:

ART 13

Referencias


Boardman J.W. Analysis, understanding and visualization of hyperspectral data as convex sets in n-space. In Imaging Spectrometry 1995, volume Proc. SPIE 2480, pages 14–22. SPIE, 1995.

Craig M. Minimum volume transformations for remotely sensed data. IEEE Trans. Geos. Rem. Sensing, 32(3):542–552, 1995.

Graña M. and J. Gallego. Associative morphological memories for endmember induction. In Proc. IGARSS’2003, volume 6, pages 3757–3759, 2003.}

Graña M, P. Sussner, and G.X. Ritter. Associative morphological memories for endmember determination in spectral unmixing. In Proc. FUZZ-IEEE’03, volume 2, pages 1285–1290, 2003.

Graña M, I. Villaverde, R. Moreno, and F.X. Albizuri. Convex coordinates from lattice independent sets for visual pattern recognition. In V.G. Karbulasos and G.X. Ritter, editors, Computational Intelligence Based on Lattice Theory, pages 99–126. Springer Verlag, 2007.

Ifarraguerri A. and C.I. Chang. Multispectral and hyperspectral image analysis with convex cones. IEEE Trans. Geos. Rem. Sensing, 37(2):756–770, 1999.

Kozintsev B. Computations with gaussian random fields, 1999.

Keshava N and Mustard J.F. Spectral unmixing. IEEE Signal Processing Magazine, 19(1):44– 57, 2002.

Kokare M, P.K. Biswas, and B.N. Chatterji. Texture image retrieval using new rotated complex wavelet filters. Systems, Man, and Cybernetics, Part B, IEEE Transactions on, 35(6):1168–1178, Dec. 2005.

Landgrebe D.A. Signal theory methods in multispectral remote sensing. John Wiley & Sons, Hoboken, NJ, 2003.

Plaza A, P. Martinez, R. Perez, and J. Plaza. Spatial spatial/spectral endmember extraction by multidimensional morphological

operations. IEEE Trans. Geoscience Remote Sensing, 40(9):2025–2041, 2002.

Rand R.S. and D.M.Keenan. A spectral mixture process conditioned by gibbs-based partitioning. IEEE Trans. Geos. Rem. Sensing, 39(7):1421–1434, 2001.

Ritter G. X, G. Urcid, and M.S. Schmalz. Autonomous single-pass endmember approximation using lattice auto-associative

memories. Neurocomputing, page in press, 2008.

Shaw G. and D. Manolakis. Signal processing for hyperespectral image exploitation. IEEE Signal Processing Magazine, 19(1):12–16, 2002.

Winter M.E. An algorithm for fast autonomous spectral endmember determination in hyperspectral analysis,. In Imaging Spectrometry, volume 3753 of Proc. SPIE, pages 266–275. SPIE, 1999.




DOI: https://doi.org/10.24054/16927257.v22.n22.2013.415

Enlaces refback

  • No hay ningún enlace refback.