Técnicas de aplicaciones de separación de señales aplicadas en imágenes hiper espectrales

Ingeniero Civil EléctricoLas imágenes hiper espectrales (HSI) son un tipo particular de imágenes obtenidas usando un arreglo de sensores sensibles a un determinado rango del espectro electromagnético. Cada pixel de ellas se relaciona a un espectro continuo en un rango de frecuencias específico. Contienen gran cantidad de información de los escenarios que capturan. Resulta interesante desde el punto de vista académico e industrial el extraer dicha información para su interpretación y mejorar la toma de decisiones. Estas imágenes son masivas en capacidad de almacenamiento computacional y muy redundantes, pero aún así extremadamente ricas en información. Por ello, el procesamiento de señales es un paso imprescindible al momento de interpretarlas. La interpretación de la información de las HSI usando procesamiento computacional es un tema de investigación vigente y muy popular en la academia. En esta memoria se exploran y aplican algunas de las técnicas existentes para separar la señal obtenida del sensor en un modelo compuesto por varias señales combinadas. Estas técnicas son Vertex Component Analysis (VCA), Simplex Identification via Split Augmented Lagrangian (SISAL) y Sparse Unmixing by variable Splitting and Augmented Lagrangian (SUnSAL). A la base de datos utilizada la conforman pixeles simulados a partir de firmas espectrales reales e HSI adquiridas en enero de 2015 en el marco del proyecto Fondo de Fomento al Desarrollo Científico y Tecnológico (FONDEF) IDeA-CA13I-10305. Se analizan los métodos investigados, estableciendo claramente los casos en que cada uno puede ser utilizado y verificando su eficacia en cada uno de ellos. También se presentan algunas alternativas de aplicaciones que permiten utilizar los resultados de unmixing para obtener más información sobre los datos. En las pruebas de extracción y reconstrucción, la combinación de usar tanto VCA como SISAL para extraer firmas espectrales en conjunto con SUnSAL para la regresión de estas firmas en el conjunto de datos es prácticamente indistinta. SISAL posee la ventaja de ajustar las firmas espectrales de VCA en condiciones de mayor grado de mezcla. Si la mezcla es leve, VCA tiene resultados levemente superiores. Se concluye también que unmixing puede funcionar mejor que otras técnicas de reducción de dimensionalidad, como Análisis de Componentes Principales (PCA) y el sub espacio de la señal para entrenar clasificadores de espectros