Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos

Palabras clave: Imágenes hiperespectrales, Agrupación espectral, Agrupación de subespacios escasos, Submuestreo, clasificación de imágenes

Resumen

El agrupamiento de imágenes espectrales es un método de clasificación no supervisada que identifica las distribuciones de píxeles utilizando información espectral sin necesidad de una etapa previa de entrenamiento. Los métodos basados ​​en agrupación de subespacio escasos (SSC) suponen que las imágenes hiperespectrales viven en la unión de múltiples subespacios de baja dimensión. Basado en esto, SSC asigna firmas espectrales a diferentes subespacios, expresando cada firma espectral como una combinación lineal escasa de todos los píxeles, garantizando que los elementos que no son cero pertenecen a la misma clase. Aunque estos métodos han demostrado una buena precisión para la clasificación no supervisada de imágenes hiperespectrales, a medida que aumenta el número de píxeles, es decir, la dimensión de la imagen es grande, la complejidad computacional se vuelve intratable. Por este motivo, este documento propone reducir el número de píxeles a clasificar en la imagen hiperespectral, y posteriormente, los resultados del agrupamiento para los píxeles faltantes se obtienen explotando la información espacial. Específicamente, este trabajo propone dos metodologías para remover los píxeles, la primera se basa en una distribución espacial de ruido azul que reduce la probabilidad de que se eliminen píxeles vecinos y la segunda es un procedimiento de submuestreo que elimina cada dos píxeles contiguos, preservando la estructura espacial de la escena. El rendimiento del algoritmo de agrupamiento de imágenes espectrales propuesto se evalúa en tres conjuntos de datos mostrando que se obtiene una precisión similar cuando se elimina hasta la mitad de los pixeles, además, es hasta 7.9 veces más rápido en comparación con la clasificación de los conjuntos de datos completos.

Biografía del autor/a

Jorge Bacca*, Universidad Industrial de Santander

System Engineer, Department of Computer Science, Universidad Industrial de Santander, Bucaramanga-Colombia, jorge.bacca1@correo.uis.edu.co

Henry Arguello, Universidad Industrial de Santander

Ph.D. in Electrical and Computer Engineering, Department of Computer Science, Universidad Industrial de Santander, Bucaramanga-Colombia, henarfu@uis.edu.co

Referencias bibliográficas

M. Fauvel, J. Chanussot, J. A. Benediktsson, and J. R. Sveinsson, “Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles,” in 2007 IEEE International Geoscience and Remote Sensing Symposium,Barcelona 2007, vol. 46, no. 11, pp. 4834–4837. https://doi.org/10.1109/IGARSS.2007.4423943

N. M. Nasrabadi, “Hyperspectral Target Detection : An Overview of Current and Future Challenges,” IEEE Signal Process. Mag., vol. 31, no. 1, pp. 34–44, Jan. 2013. https://doi.org/10.1109/MSP.2013.2278992

J. M. Bioucas-Dias et al., “Hyperspectral Unmixing Overview: Geometrical, Statistical, and Sparse Regression-Based Approaches,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 5, no. 2, pp. 354–379, Apr. 2012. https://doi.org/10.1109/JSTARS.2012.2194696

G. Martin and J. M. Bioucas-Dias, “Hyperspectral Blind Reconstruction From Random Spectral Projections,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 9, no. 6, pp. 2390–2399, Jan. 2016. https://doi.org/10.1109/JSTARS.2016.2541541

A. F. H. Goetz, G. Vane, J. E. Solomon, and B. N. Rock, “Imaging Spectrometry for Earth Remote Sensing,” Science (80-. )., vol. 228, no. 4704, pp. 1147–1153, Jun. 1985. https://doi.org/10.1126/science.228.4704.1147

Y. Liu, H. Pu, and D.-W. Sun, “Hyperspectral imaging technique for evaluating food quality and safety during various processes: A review of recent applications,” Trends Food Sci. Technol., vol. 69, pp. 25–35, Nov. 2017. https://doi.org/10.1016/j.tifs.2017.08.013

T. Adão et al., “Hyperspectral Imaging: A Review on UAV-Based Sensors, Data Processing and Applications for Agriculture and Forestry,” Remote Sens., vol. 9, no. 11, p. 1110, Oct. 2017. https://doi.org/10.3390/rs9111110

E. Elhamifar and R. Vidal, “Sparse Subspace Clustering: Algorithm, Theory, and Applications,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 35, no. 11, pp. 2765–2781, Nov. 2013. https://doi.org/10.1109/TPAMI.2013.57

H. Zhang, H. Zhai, L. Zhang, and P. Li, “Spectral–Spatial Sparse Subspace Clustering for Hyperspectral Remote Sensing Images,” IEEE Trans. Geosci. Remote Sens., vol. 54, no. 6, pp. 3672–3684, Jun. 2016.

https://doi.org/10.1109/TGRS.2016.2524557

J. Bacca, C. V Correa, and H. Arguello, “Noniterative Hyperspectral Image Reconstruction From Compressive Fused Measurements,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 12, no. 4, pp. 1231–1239, Apr. 2019.

https://doi.org/10.1109/JSTARS.2019.2902332

J. Dougherty, R. Kohavi, and M. Sahami, “Supervised and Unsupervised Discretization of Continuous Features,” in Machine Learning Proceedings,California.1995 . pp. 194–202.

https://doi.org/10.1016/B978-1-55860-377-6.50032-3

Y. Liu, H. Pu, and D.-W. Sun, “Hyperspectral imaging technique for evaluating food quality and safety during various processes: A review of recent applications,” Trends Food Sci. Technol., vol. 69, no. 5, pp. 25–35, Nov. 2017. https://doi.org/10.1016/j.tifs.2017.08.013

S. Lloyd, “Least squares quantization in PCM,” IEEE Trans. Inf. theory, vol. 28, no. 2, pp. 129–137, 1982.

https://sites.cs.ucsb.edu/~veronika/MAE/kmeans_LLoyd_Least_Squares_Quantization_in_PCM.pdf

G. H. Ball and D. J. Hall, “ISODATA, a novel method of data analysis and pattern classification,” 1965.

W. Pedrycz, “Fuzzy sets in pattern recognition: Methodology and methods,” Pattern Recognit., vol. 23, no. 1–2, pp. 121–146, Jan. 1990. https://doi.org/10.1016/0031-3203(90)90054-O

A. Rodriguez and A. Laio, “Clustering by fast search and find of density peaks,” Science. (80-. )., vol. 344, no. 6191, pp. 1492–1496, Jun. 2014. https://doi.org/10.1126/science.1242072

S. Vijendra, “Efficient Clustering for High Dimensional Data: Subspace Based Clustering and Density Based Clustering,” Inf. Technol. J., vol. 10, no. 6, pp. 1092–1105, Jun. 2011. https://doi.org/10.3923/itj.2011.1092.1105

Y. Zhong, L. Zhang, and W. Gong, “Unsupervised remote sensing image classification using an artificial immune network,” Int. J. Remote Sens., vol. 32, no. 19, pp. 5461–5483,Oct. 2011.

https://doi.org/10.1080/01431161.2010.502155

Y. Zhong, S. Zhang, and L. Zhang, “Automatic Fuzzy Clustering Based on Adaptive Multi-Objective Differential Evolution for Remote Sensing Imagery,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 6, no. 5, pp. 2290–2301, Oct 2013. https://doi.org/10.1109/JSTARS.2013.2240655

G. Chen and G. Lerman, “Spectral Curvature Clustering (SCC),” Int. J. Comput. Vis., vol. 81, no. 3, pp. 317–330, Mar. 2008. https://doi.org/10.1007/s11263-008-0178-9

C. A. Hinojosa, J. Bacca, and H. Arguello, “Spectral Imaging Subspace Clustering with 3-D Spatial Regularizer,” in Imaging and Applied Optics 2018 (3D, AO, AIO, COSI, DH, IS, LACSEA, LS&C, MATH, pcAOP), Orlando. 2018.

https://doi.org/10.1364/3D.2018.JW5E.7

C. Hinojosa, J. Bacca, and H. Arguello, “Coded Aperture Design for Compressive Spectral Subspace Clustering,” IEEE J. Sel. Top. Signal Process., vol. 12, no. 6, pp. 1589–1600, Dec. 2018.

https://doi.org/10.1109/JSTSP.2018.2878293

H. Zhang, H. Zhai, W. Liao, L. Cao, L. Zhang, and A. Pizurica, “Hyperspectral image kernel sparse subspace clustering with spatial max pooling operation,” 23rd Congr. Int., vol. 41, no. B3, pp. 945–948, 2016. https://pdfs.semanticscholar.org/ace6/0a31dbcd910ff7d722625aab5896b59022e0.pdf

E. Elhamifar and R. Vidal, “Sparse subspace clustering,” in 2009 IEEE Conference on Computer Vision and Pattern Recognition, Miami. 2009, pp. 2790–2797. https://doi.org/10.1109/CVPR.2009.5206547

C. V Correa, H. Arguello, and G. R. Arce, “Spatiotemporal blue noise coded aperture design for multi-shot compressive spectral imaging,” J. Opt. Soc. Am. A, vol. 33, no. 12, pp. 2312–2322, Dec. 2016.

https://doi.org/10.1364/JOSAA.33.002312

H. Zhai, H. Zhang, L. Zhang, P. Li, and A. Plaza, “A New Sparse Subspace Clustering Algorithm for Hyperspectral Remote Sensing Imagery,” IEEE Geosci. Remote Sens. Lett., vol. 14, no. 1, pp. 43–47, Jan. 2017. https://doi.org/10.1109/LGRS.2016.2625200

S. Boyd, “Alternating direction method of multipliers,” in Talk at NIPS workshop on optimization and machine learning, California. 2011.

A. Y. Ng, M. I. Jordan, and Y. Weiss, “On spectral clustering: Analysis and an algorithm,” Adv. Neural Inf. Process. Syst., pp. 849–856, 2002.

http://papers.nips.cc/paper/2092-on-spectral-clustering-analysis-and-an-algorithm.pdf

J. Bacca, C. A. Hinojosa, and H. Arguello, “Kernel Sparse Subspace Clustering with Total Variation Denoising for Hyperspectral Remote Sensing Images,” in Imaging and Applied Optics 2017 (3D, AIO, COSI, IS, MATH, pcAOP), Washington.2017. https://doi.org/10.1364/MATH.2017.MTu4C.5

Baumgardner, B. M. F., and L. L. L., “220 Band AVIRIS Hyperspectral Image Data Set: June 12, 1992 Indian Pine Test Site 3.” Purdue University. https://doi.org/10.4231/R7RX991C

Cómo citar
[1]
J. L. Bacca y H. . Arguello, «Agrupación de Subespacios Escasos en Imágenes Hiperespectrales usando Pixeles incompletos», TecnoL., vol. 22, n.º 46, pp. 1–14, sep. 2019.

Descargas

Los datos de descargas todavía no están disponibles.
Publicado
2019-09-20
Sección
Artículos de investigación

Métricas