Esta es un versión antigua publicada el 2022-11-08. Consulte la versión más reciente.

INDEXACIÓN DE IMÁGENES HIPERESPECTRALES APLICANDO REDES NEURONALES MORFOLÓGICAS

Autores/as

Manuel Graña Romay
José Orlando Maldonado Bautista

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

, 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, 20Graña 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,

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,

(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–

, 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,

(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,

Shaw G. and D. Manolakis. Signal processing for

hyperespectral image exploitation. IEEE

Signal Processing Magazine, 19(1):12–16,

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.

Descargas

Publicado

2022-11-08

Versiones

Cómo citar

Graña Romay, M., & Maldonado Bautista, J. O. (2022). INDEXACIÓN DE IMÁGENES HIPERESPECTRALES APLICANDO REDES NEURONALES MORFOLÓGICAS. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 2(22). https://doi.org/10.24054/rcta.v2i22.1930