Selección no supervisada de bandas basada en similaridad para el análisis de imágenes hiperespectrales

Abstract

Las imágenes hiperespectrales y multiespectrales proveen una gran cantidad de información, mediante la medición de la radianza reflejada, que permite la detección y clasificación de los elementos que componen una superficie. Este trabajo de grado hace parte de un proyecto que busca el “Desarrollo y evaluación de un sistema portátil no invasivo basado en imágenes multiespectrales para el diagnóstico y seguimiento de tratamientos de úlceras cutáneas causadas por Leishmaniasis”. Para el análisis de las imágenes hiperespectrales debe hacerse un procesamiento arduo de la información que estas proveen, pero este procesamiento tiene un alto costo computacional, al ser información de gran dimensionalidad. Para ello se propone la evaluación y aplicación de un algoritmo, programado en MATLAB, de selección no supervisada de bandas basada en similaridad para el análisis de imágenes hiperespectrales, creado por Qian Du y He Yang, que genera una reducción dimensional de las imágenes a tratar sin pérdida de calidad para la clasificación. Inicialmente se programa y evalúa el algoritmo propuesto aplicado a imágenes hiperespectrales, Indian Pines y Ap. Hill, cuya clasificación ya es conocida y por ende permiten una comparativa entre la clasificación conocida y la clasificación obtenida, de las imágenes procesadas por el algoritmo de selección de bandas, a partir del uso de máquinas de soporte vectorial. Una vez evaluada la eficacia del algoritmo, se aplica el algoritmo propuesto al procesamiento de imágenes multiespectrales tomadas a úlceras cutáneas. Al final se obtienen las bandas seleccionadas para cada imagen de úlceras y se concluye que el algoritmo es apropiado para la selección de bandas y reducción de dimensionalidad de las imágenes hiperespectrales.