Indexación de imágenes hiperespectrales aplicando redes neuronales morfológicas

Autores/as

  • Manuel Graña Romay Universidad del País Vasco
  • José Orlando Maldonado Bautista Universidad de Pamplona

DOI:

https://doi.org/10.24054/rcta.v2i22.1930

Palabras clave:

Reconocimiento remoto, indexación de imágenes, redes neuronales, morfológicas

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.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

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.

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

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.

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.

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

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

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.

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.

Winter M.E. "Kozintsev B. Computations with Gaussian random fields, 1999."

Ritter G. X, G. Urcid, and M.S. Schmalz. "Autonomous single-pass endmember approximation using lattice auto-associative memories." Neurocomputing, page in press, 2008.

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

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.

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.

Descargas

Publicado

2022-11-08 — Actualizado el 2013-07-02

Versiones

Cómo citar

Graña Romay, M., & Maldonado Bautista, J. O. (2013). Indexación de imágenes hiperespectrales aplicando redes neuronales morfológicas. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 2(22), 91–97. https://doi.org/10.24054/rcta.v2i22.1930 (Original work published 8 de noviembre de 2022)