Download INNO-3 DETECCIÓN DE FIRMAS ESPECTRALES EN

INNO-3
DETECCIÓN DE FIRMAS ESPECTRALES EN IMÁGENES DE PERCEPCIÓN
REMOTA
*Nieves Vazquez José Ángel1, Caixba Sánchez Mauricio1
Resumen
Las imágenes de percepción remota, también conocidas como imágenes hiperespectrales,
sean utilizado en una gran variedad de aplicaciones tales como la geología, la agricultura, la
biotecnología, el monitoreo del medio ambiente, en los sistemas de seguridad y defensa, y
recientemente en nuevas aplicaciones industriales. Este trabajo propone un método teórico
y experimental para la detección y extracción de posibles miembros finales en una imagen
hiperespectral. Estos miembros finales representan las firmas espectrales de los
componentes que constituyen la superficie bajo análisis. Se realizan experimentos con la
técnica propuesta utilizando la imagen hiperespectral AVIRIS (Airbone Visible and
InfraredImagingSpectrometer) proporcionada por el laboratorio de la NASA
(NationalAeronautics and SpaceAdministration), específicamente la escena 4 de Cuprite
Nevada en Estados Unidos
Palabras clave
Imágenes Hiperespectrales, Miembros Finales
Introducción
Las imágenes hiperespectrales se obtienen por sensores de percepción remota, los cuales
pueden estar situados en aviones o satélites, estos sensores son capaces de registrar
imágenes en cientos de bandas espectrales para analizar los recursos naturales de la
superficie terrestre a grandes distancias (Smith, 2001).
La principal característica de las imágenes hiperespectrales es que están constituidas por
sensores que tienen la capacidad de colectar la radiancia emitida por los diferentes
materiales en una escena. (Manolakis, 2003). Para poder interpretar los elementos que
contiene una imagen hiperespectral es necesario identificar los pixeles en la imagen que
mejor representen al espectro de un solo material con la menor contaminación de algún
otro, es decir, materiales puros.
1
ITSSAT (*Autor de correspondencia: [email protected])
A estos pixeles se les llama miembros finales (Ritt, 2010). Encontrar pixeles que
representen los miembros finales es una operación compleja ya que generalmente un pixel
representa una región de varios metros cuadrados y en mucho de los casos la región
contiene diferentes materiales, este pixel resulta ser un pixel mezclado y resulta difícil
determinar el tipo de material que la imagen contiene.
Por esta razón, las técnicas que mejor realizan la función de poder separar el espectro son
muy populares e importantes para la segmentación de imágenes hiperespectrales. La
separación espectral se refiere a la extracción de una colección de miembros finales o
espectros puros. Existe una gran variedad de algoritmos que han sido propuestos para
determinar la selección de miembros finales de manera automática. Algunos de esto son:
análisis de conos convexos, independencia morfológica, análisis de componentes en el
vértice, entre otros (Ritter, 2013). En este trabajo se propone una técnica para la extracción
de miembros finales de manera autónoma. Al comprobar los resultados obtenidos, nos
permitirá generalizar la técnica para analizar cualquier otra imagen que se adquiera de
alguna zona de interés particular, principalmente que tenga que ver con el análisis de suelo
y agua.
Materiales y métodos
Para determinar los miembros finales utilizamos el álgebra reticular. La estructura reticular
que consideramos en este trabajo es el grupo ordenado reticular (R, max, min, +), donde R
denota el conjunto de los números reales, y las operaciones de las matrices están definidas
en términos de esta álgebra. Específicamente, dada una matriz A de tamaño mxp y una
matriz B de tamaño pxn, entonces el producto max de A y B está dado por A maximo B y
forma una matriz C de mxn. Análogamente, el producto min está dado por A minimo B.
Las dos matrices consideradas en este trabajo están definidas en términos de un conjunto
dado de vectores n-dimensional. Por razones históricas las matrices serán denotadas por W
y M (Ritt, 2010). Ambas matrices son cuadradas de tamaño nxn, con una diagonal de ceros,
y elementos w_ij y m_ij. De esta definición encontramos que la matriz M es igual a la
matriz -W transpuesta. Estas memorias tienen recuperación perfecta, es decir, si se presenta
un vector en la estrada e los que fueron almacenados previamente en la memoria, tendrá
como salida el mismo vector. En otras palabras, existe un conjunto de puntos fijos en la
matriz W el cual es también igual al conjunto de puntos fijos de M (Ritt, 2010). Las
Matrices W y M forman una hipercaja determinada por u y v es denotada por B(u,v). Esta
hipercaja contiene los miembros finales que representan a cada componente de la muestra
bajo análisis.
Resultados
En esta sección se muestra que los miembros finales encontrados son muy cercanos a las
firmas espectrales proporcionadas por (Clark, 2007). El ejemplo aquí estudiado está basado
en una imagen hiperespectral formada por el espectrómetro de imagen AVIRIS de las siglas
en inglés Airbone Visible and InfraredImagingSpectrometer del laboratorio de la NASA,
específicamente la escena 4 de la zona de Cuprite Nevada. La razón para utilizar esta
imagen es mostrar la efectividad del algoritmo para determinar el conjunto de miembros
finales.
El dispositivo AVIRIS adquiere imágenes hiperespectrales en 224 canales; sin embargo,
únicamente 52 canales sin ruido que caen dentro de la longitud de onda del infrarrojo son
los considerados para la detección de minerales, es decir, los canales 169 (1.95
micrómetros) a 220 (2.47 micrómetros). Sin embargo, excepto los canales 214, 216, 218, y
219, únicamente 48 canales sin ruido serán seleccionados (Ritt, 2010). En este caso, el
conjunto de datos del cubo (512x614x48) se puede representar en forma de vectores. Cada
vector está compuesto del espectro correspondiente al mineral encontrado en el sitio minero
de Cuprite Nevada donde cada espectro es un vector 48-dimensional. La imagen
hiperespectral se convierte primero en el conjunto de vectores. Una breve descripción del
algoritmo se muestra a continuación. 1. Convertir los datos del cubo en un conjunto de
vectores espectrales, 2. Calcular las memorias W y M, 3. Calcular los vectores de X, u y v,
4. Formar los conjuntos W y M, 5. Reducir W, M, u y v si es necesario, 6. Formar el
conjunto de vértices
Las siguientes figuras muestran únicamente 2 del total de miembros finales encontrados por
el algoritmo. El resultado se compara con las firmas espectrales de la USGS de las siglas en
inglés (UnitedStates Geological Survey) (Clark, 2007).
La figura 1 muestra la cercanía que tiene el miembro final encontrado con respecto a la
firma espectral de Alunita proporcionada por la librería de firmas espectrales de la USGS.
Finalmente, la figura 2 compara el miembro final encontrado con el algoritmo aquí
propuesto y la firma espectral de la Calcita dada por la librería USGS.
Conclusiones
En este trabajo se ha presentado un método para determinar los elementos que constituyen
los materiales de una superficie bajo análisis, en este caso la escena 4 de Cuprite Nevada,
dados por una imagen hiperespectral la cual es tomada por AVIRIS. Al comparar los
resultados obtenidos con las firmas espectrales de la librería USGS y los miembros finales
encontrados por el método observamos que estos están relativamente muy cercanos, lo que
indica que el modelo propuesto es capaz de determinar, con una precisión aceptable, los
miembros finales. Como trabajo futuro se pretende aplicar el modelo para procesar
imágenes hiperespectrales, obtenidas en la zona de los Tuxtlas, para el análisis de suelo y
agua.
Referencias
Smith R. B., Introduction to remote sensing, Tutorial by Microimages, Inc, Lincoln, NE,
2001-2012.
Manolakis D., Marden D., and Shaw.G., A., Hyperspectral image processing for automatic
target detection applications. Lincoln Laboratory Journal, 14(1): 79-116, 2003.
Ritter G. X. and Urcid G., “Lattice algebra approach to endmember determination in
hyperspectral imagery,” in Advances in Imaging and Electron Physics (Ed. P. W. Hawkes).
Elsevier, vol. 160, pp. 113-169, 2010.
Clark R. N., Swayze G.A., Wise R., Livo E., Hoefen T., Kokay R., and Sutley S. J., United
States Geological Survey digital spectral library splib06a,” in Digital Data Series 231,
http://speclab.cr.usgs.gov/spectral.lib06, 2007.