Análisis de imágenes hiperespectrales usando códigos de cadena

Abstract

Con el análisis de imágenes hiperespectrales se puede obtener la información necesaria para poder hacer una clasificación de los objetos encontrados en el cubo hiperespectral, en el que los ejes ‘X’ y ‘Y’ están ocupados por la componente posicional, mientras que el eje ‘Z’ está ocupado por la longitud de onda. Usando la longitud de onda de los pixeles se puede hacer una clasificación exacta, ya que una de las propiedades de las imágenes hiperespectrales es la cantidad de imágenes espectrales que contienen, las cuales van desde la luz ultravioleta hasta el infrarrojo, de esta forma los pixeles del cubo hiperespectral tendrán una firma espectral única, esta firma está compuesta por los valores de longitud de onda de cada imagen espectral, por lo que aquellos pixeles con una firma espectral igual nos dice que estos pixeles pertenecen a un mismo objeto. Aunque hay que comprender que este análisis no dirá que objetos hay en la imagen, para esto es necesario la ayuda de un experto el cual dirá que zonas pertenecen a que objeto. El principal problema al trabajar con imágenes hiperespectrales es el precio de las herramientas para crear el cubo hiperespectral y hacer su respectivo análisis. Para esto se propone trabajar de una manera diferente para encontrar las zonas de interés y clasificarlas, esto es mediante los códigos de cadena. Aprovechando los estudios previos sobre reconocimiento de patrones en imágenes binarias en 2D, se puede trabajar de la misma manera en imágenes en tres dimensiones, estás imágenes serán en 3D ya que se analizaran los patrones en los movimientos de los códigos de cadena al recorrer las intensidades de los pixeles. Al analizar los patrones es posible reconocer que zonas son iguales a otras, por lo que de esta forma se estará haciendo una aproximación a la clasificación real, ya que se debe de tener en cuenta que no es posible hacer una clasificación exactamente igual a la que se obtendría con la longitud de onda.

Hyperspectral Remote Sensing (HRS) it was initially used mainly to analyze Earth’s surface and for military actions. Over time, many techniques has been created by public and private companies, because of the facilities HRS gives to analyze not just cell grounds images taken by satellites or aircrafts. But there is a problem when we want to use this technique, and is the high costs of the hyperspectral sensors required to do the analysis. So, to solve this we need to use other techniques that does not require the use of these sensors. For this, we used chain codes to use their information to search and analyze patterns obtained of the grayscale image intensities. Doing this, we have the possibility to count and classify zones easily. The chain codes of the intensities give us the visual information of the image with no loss and in a 2D shape. If we mix the vertical and horizontal 2D shapes we obtain the morphology of the pixels reflectance, to summarize we obtain a 3D shape. So, first we must find the zones depending on the intensity values (2D shapes) and then we classify that zones depending on their morphology, using the 3D shapes. Like every method, this one has its advantages and disadvantages. With this we can only know the intensity value of the reflectance of each pixel, so we cannot know properties that we can obtain with wavelength. But, if we only want to classify zones by their reflectance, we can do it easily using chain codes. It is important to mention that this method (or a similar) that was not use before. The results obtained in this work may not be the best to work in the practice, but in the next years and doing more experiments will improve a lot.