INDEXACIÓN DE IMÁGENES HIPERESPECTRALES APLICANDO REDES NEURONALES MORFOLÓGICAS
DOI:
https://doi.org/10.24054/rcta.v2i22.1930Palabras clave:
Reconocimiento remoto, indexación de imágenes, redes neuronales, morfológicasResumen
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
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
Versiones
- 2013-07-02 (4)
- 2013-07-02 (3)
- 2013-07-02 (2)
- 2022-11-08 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.