Identificador persistente para citar o vincular este elemento: http://hdl.handle.net/10662/3411
Títulos: Nuevas técnicas de clasificación probabilística de imágenes hiperespectrales
Otros títulos: New probabilistic classification techniques for hyperspectral images
Autores/as: Khodadadzadeh, Mahdi
Director/a: Plaza Miguel, Antonio
Li, Jun
Palabras clave: Imágenes hiperespectrales;Regresión logística múltiple;Clasificación espacial-espectral;Subespacio;Hyperspectral imaging;Multinomial logistic regression;Spectral-spatial classification;Subspace
Fecha de publicación: 2015-10-14
Resumen: Los sensores hiperespectrales permiten captar cientos de imágenes, correspondientes a diferentes canales espectrales, para un mismo área en la superficie terrestre. Dado que diferentes materiales tienen características espectrales diferentes, dichas imágenes ofrecen una herramienta muy efectiva para discriminar y clasificar diferentes objetos. Sin embargo, existen varias dificultades a la hora de abordar el proceso de clasificacion de imágenes hiperespectrales. Entre ellos, destaca la gran dimensionalidad de las imágenes, así como la presencia de ruido y píxeles mezcla (es decir, píxeles en los que cohabitan diferentes sustancias). El desarrollo de técnicas de clasificación probabilística basada en subespacios permite abordar estos problemas de forma eficiente, y constituye la principal contribución del presente trabajo de tesis doctoral. En concreto, proponemos nuevos métodos de clasificación probabilística basada en regresión logística múltiple para estimar las probabilidades de las diferentes clases. Además, para abordar el problema relacionado con la presencia de píxeles mezcla en la escena, proponemos una metodología innovadora que integra probabilidades estimadas de forma local y global utilizando un nuevo concepto de mapa de combinación de clases. Otra contribución novedosa de la tesis doctoral es la integración de información espacial-contextual en el proceso de clasificación espectral, utilizando un método robusto de relajación probabilística que incluye información estimada a partir de mapas de discontinuidad derivados a partir de la imagen hiperespectral original. Por último, la tesis doctoral introduce un nuevo método para el aprendizaje múltiple de características que no requiere parámetros de regularización. El nuevo método se aplica a la fusión y clasificación conjunta de imágenes hiperespectrales e imágenes LiDAR (light detection and ranging). La eficacia de los nuevos desarrollos propuestos se compara con otros métodos que han proporcionado resultados destacados en el estado del arte.
Hyperspectral sensors provide hundreds of images, corresponding to different wavelength channels, for the same area on the surface of the Earth. Since different materials show different spectral properties, hyperspectral imagery is an effective technology for accurately discriminating and classifying materials. However, issues such as the high dimensionality of the data and the presence of noise and mixed pixels in the data, present several challenges for image classification. Dealing with these issues, this thesis proposes several new techniques for hyperspectral image classification. Developing subspace-based techniques for probabilistic classification is the main focus of the thesis. Specifically, we propose subspace-based multinomial logistic regression methods for learning the posterior probabilities. Furthermore, in order to better characterize mixed pixels in the scene, we propose an innovative method for the integration of the global posterior probability distributions and local probabilities which result from the whole image and a set of previously derived class combination maps, respectively. Another contribution of the thesis is the integration of spatial-contextual information using a robust relaxation method, which includes the information from the discontinuity maps estimated from the original image cube. Finally, the thesis introduces a new multiple features learning method which does not require any regularization or weight parameters. We apply the proposed method for fusion and classification of hyperspectral and LiDAR (light detection and ranging) data. The effectiveness of the proposed techniques is illustrated by using several simulated and real hyperspectral data sets and comparing with state-of-the-art methods.
URI: http://hdl.handle.net/10662/3411
Colección:DTCYC - Tesis doctorales
Tesis doctorales

Archivos
Archivo Descripción TamañoFormato 
TDUEX_2015_Khodadadzadeh.pdf5,42 MBAdobe PDFDescargar


Este elemento está sujeto a una licencia Licencia Creative Commons Creative Commons