Biblioteca CICESE

Edificio Dr. Nicolás Grijalva y Ortiz

Catálogo de tesis
Técnicas de reconocimiento de patrones en imágenes hiperespectrales
Clasificación
30710
Resumen
El proceso básico de reconocimiento de patrones se realiza en tres procedimientos: adquisición de datos, extracción de características y clasificación. La adquisición de datos emplea sensores para la medición de propiedades físicas y químicas de los objetos a identificar, posteriormente en el proceso de extracción de características se utilizan métodos de transformación para obtener nuevas propiedades útiles para la discriminación de los objetos. Entonces, en el proceso de clasificación se asigna una clase a cada uno de los objetos de estudio usando la información característica que se obtuvo en el proceso anterior o incluso empleando las características obtenidas en la adquisición de datos. El objetivo de este trabajo fue diseñar e implementar técnicas supervisadas de reconocimiento de patrones aplicadas a imágenes hiperespectrales con la finalidad de identificar tipos de cubiertas litológicas del terreno. Para alcanzar este objetivo se seleccionaron tres áreas de pruebas, la primera perteneciente a Tecate, Baja California con tipos de cubierta de terreno comunes (como agua, vegetación y suelo); y las otras dos áreas localizadas, respectivamente, en el centro sur y centro de la Isla Ángel de la Guarda, ambas con clases litológicas. El propósito de estas zonas y sus patrones de entrenamiento fue iniciar con un problema simple, como es la clasificación de tipos de cubierta comunes, para posteriormente conseguir resolver un problema más complejo como la identificación de litologías. Se adquirieron imágenes multiespectrales (ALI y TM) de dos áreas e hiperespectrales (Hyperion) de cada una de las zonas de pruebas. A continuación, se acondicionaron las imágenes para la extracción de características mediante el Análisis de Componentes Principales (ACP), y posteriormente se definieron criterios de selección de características. Para finalmente, seleccionar los patrones de entrenamiento y validación, y realizar la clasificación supervisada de cada una de las áreas empleando tres técnicas de reconocimiento de patrones: Mapeo de Ángulo Espectral (SAM), Máxima Verosimilitud (ML) y Perceptrón Multicapa con el optimizador Adam (MLP-Adam). El mejor resultado en el área de Tecate fue obtenido por el clasificador de ML con una precisión del 97.99 %, mientras que para la zona del centro sur de la Isla Ángel de la Guarda se logró el 95.82 % mediante MLPAdam y para el área central de la isla se alcanzó un 85.23 % con el clasificador de ML.
Nota de la tesis
Tesis para obtener el grado de Maestro en Ciencias de la Computación
Institución
Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California
Año de publicación
2017
Detalles físicos
166 hojas : ilustraciones
Temas
Reconocimiento de patrones
Imágenes hiperespectrales
Hiperespectrales
Pattern Recognition 
Hyperspectral images
Nota
Miembros del Comité: Torres Rodríguez Jorge; Martín Barajas Jesús Arturo; Hidalgo Silva Hugo Homero
Incluye apéndices y referencias bibliográficas
Disponibilidad
Número de inventario Volumen Biblioteca Ubicación Estado Nota
30710 -- CICESE Colección de tesis Disponible
Cómo citar
Ocaña Acosta, J. A. 2017.Técnicas de reconocimiento de patrones en imágenes hiperespectrales. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 166 hojas.
Opciones
Version en PDF de la tesis
Descargar texto completo... (9.96 MB)
 
 

CICESE

Carretera Ensenada-Tijuana No. 3918,
Zona Playitas, C.P. 22860,
Ensenada, B. C. México.

Teléfono: 01 (646) 175-05-00 ext 23044