Procesamiento eficiente y profundo de imágenes hiperespectrales de la observación remota de la Tierra y aplicaciones en tareas de clasificación

Abstract

Los avances en computación y en teledetección han fomentado el desarrollo de potentes espectrómetros que pueden capturar grandes volúmenes de datos hiperespectrales. Esta información se caracteriza por su alta resolución espectral, registrando la absorción de radiación solar en los materiales, midiendo diferentes longitudes de onda a lo largo del espectro electromagnético. Como resultado, la imagen hiperespectral (IHS) es usada en el análisis de datos de teledetección debido a la gran cantidad de información que contiene, lo que permite una mejor caracterización y explotación de la superficie terrestre mediante la combinación de gran información espacio-espectral. Sin embargo, IHS plantea grandes desafíos para los métodos de clasificación debido a la alta dimensionalidad de los datos y la disponibilidad limitada de muestras de entrenamiento. En este contexto, los métodos de aprendizaje profundo (AP) se postulan como una solución interesante para mejorar la clasificación de datos IHS, alcanzando resultados prometedores en una amplia gama de aplicaciones. Esta tesis enfoca sus esfuerzos en el desarrollo de enfoques de AP nuevos y eficientes para la clasificación IHS, procesando información espectro-espaciale del cubo de datos IHS original y brindando soluciones más robustas contra el sobreajuste, la alta dimensionalidad, las anomalías de datos y la variabilidad de los mismos. Para ilustrar las ventajas y los beneficios de las propuestas implementadas en comparación con el estado actual en la clasificación de la cobertura terrestre mediante IHS, se han realizado varios experimentos en escenarios reales y se han comparado con los métodos de procesamiento disponibles en la literatura.

Advances in computing technology and remote sensing field have fostered the development of powerful spectrometers that are able to collect large volumes of hyperspectral data. These data are characterized by their high spectral resolution, recording solar radiation and absorption of surface materials by measuring different wavelengths, along the electromagnetic spectrum. As a result, hyperspectral imaging (HSI) is a hot topic in remote sensing data analysis due to the vast amount of information comprised by this kind of images, which allows for a better characterization and exploitation of the Earth surface by combining rich spectral and spatial information. However, HSI poses major challenges for classification methods due to the high dimensionality of the data and the limited availability of training samples. In this context, deep learning (DL) methods arise as an interesting solution to enhance the HSI data processing and classification, reaching promising results in a wide range of applications within computer vision tasks. This thesis focus its efforts in the development of new and eficient DL approaches for HSI classification, processing not only spectral information but also spatial and spectral-spatial features from original HSI data cube and providing more robust solutions to overfitting, high dimensionality, data anomalies and data variability. To illustrate the advantages and benefits of the implemented proposals in comparison with the current state-of-the-art in HSI land cover classification, several experiments have been conducted considering real HSI scenes and performing the corresponding comparison with the available processing methods in the literature.