Nuevas técnicas de clasificación probabilística de imágenes hiperespectrales

DSpace/Manakin Repository

español português english

Nuevas técnicas de clasificación probabilística de imágenes hiperespectrales

Show simple item record

dc.contributor.advisor Plaza Miguel, Antonio
dc.contributor.advisor Li, Jun
dc.contributor.author Khodadadzadeh, Mahdi
dc.contributor.other Universidad de Extremadura. Departamento de Tecnología de los Computadores y de las Comunicaciones es_ES
dc.date.accessioned 2015-10-14T12:29:23Z
dc.date.available 2015-10-14T12:29:23Z
dc.date.issued 2015-10-14
dc.date.submitted 2015-07-21
dc.identifier.uri http://hdl.handle.net/10662/3411
dc.description.abstract 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. es_ES
dc.description.abstract 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. es_ES
dc.format.extent 141 p. es_ES
dc.format.mimetype application/pdf en_US
dc.language.iso eng es_ES
dc.rights Atribución-NoComercial-SinDerivadas 3.0 España *
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/es/ *
dc.subject Imágenes hiperespectrales es_ES
dc.subject Regresión logística múltiple es_ES
dc.subject Clasificación espacial-espectral es_ES
dc.subject Subespacio es_ES
dc.subject Hyperspectral imaging es_ES
dc.subject Multinomial logistic regression es_ES
dc.subject Spectral-spatial classification es_ES
dc.subject Subspace es_ES
dc.title Nuevas técnicas de clasificación probabilística de imágenes hiperespectrales es_ES
dc.title.alternative New probabilistic classification techniques for hyperspectral images es_ES
dc.type doctoralThesis es_ES
europeana.type TEXT en_US
dc.rights.accessRights openAccess es_ES
dc.subject.unesco 3304 Tecnología de Los Ordenadores es_ES
dc.subject.unesco 2209.90 Tratamiento Digital. Imágenes es_ES
dc.subject.unesco 2506.16 Teledetección (Geología) es_ES
europeana.dataProvider Universidad de Extremadura. España es_ES


Files in this item

Files Size Format View
TDUEX_2015_Khodadadzadeh.pdf 5.290Mb PDF View  Thumbnail

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 3.0 España Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 3.0 España

Search DSpace


Browse

My Account

Statistics

Help

Redes sociales