Procesamiento eficiente y profundo de imágenes hiperespectrales y aplicación en tareas de desmezclado espectral

Resumen

Los datos hiperespectrales se han utilizado ampliamente en tareas de vigilancia terrestre. A pesar de sus interesantes cualidades, estos datos suelen presentar un problema debido a la alta resolución espectral y la baja resolución espacial, lo que da lugar a píxeles mezclados. En este sentido, el desmezclado hiperespectral, se convierte en la clave del análisis y la cuantificación de los materiales observados. Esta técnica tiene como objetivo determinar el número de endmembers, obtenerlos y estimar mapas de abundancias. Recientemente, con la utilización de técnicas de aprendizaje profundo se han logrado resultados prometedores en diversos campos debido a sus grandes capacidades de extracción de características. Entre los diferentes modelos neuronales, el autoencoder como algoritmo clásico de DL puede completar las dos tareas, por una parte, la extracción de endmembers y por otra la estimación de abundancias. Sin embargo, la mayoría de ellos sólo utilizan información espectral e ignoran la información espacial. En esta tesis, inspirados en los algoritmos tradicionales de aprendizaje automático, se han desarrollado varios procedimientos de desmezclado novedosos para determinar el número de endmembers, extraer firmas de endmember y estimar sus correspondientes abundancias en cada píxel. Además, también se han diseñado algunas redes nuevas basadas en DL para el desmezclado hiperespectral. En general, esta tesis presenta en primer lugar los conceptos relacionados con el desmezclado hiperespectral, a continuación, describe el estado actual de la investigación de los métodos de desmezclado tradicionales y basados en DL y, por último, presenta los métodos propuestos.