Loading...
An artificial intelligence based digital image processing framework for hyperspectral image label assignment from unmixing
Alfaro Mejia, Estefania
Alfaro Mejia, Estefania
Citations
Altmetric:
Abstract
Remote sensing involves the analysis of imagery acquired over Earth collected primarily from high-spectral-content sensors on satellites and aircrafts. This thesis presents novel deep learning algorithms for extraction of material composition in acquired scenes. A novel deep learning algorithm for endmember and fractional abundances maps extraction is presented. The proposed convolutional autoencoder significantly improves upon baseline algorithms, demonstrating superior performance on benchmark datasets such as Samson. The metric used to measure the performance achieved by the endmembers extraction is the Spectral Angle Distance, while for the abundance map estimation, is the Root Mean Square Error. Notably, it excels in endmembers extraction for water (0.060) and soil (0.025), as well as abundance estimation with root mean square error metrics of (0.091) for water and (0.187) for soil compared to ground truth. The developed model exhibits the capability to identify chlorophyll-a in waterbodies, serving as a crucial indicator of varying concentrations of macrophytes and cyanobacteria. Additionally, an ensemble algorithm leveraging textural information enhances spectral information for label assignment, achieving high accuracies across various images, including Jasper (93.73%), and cyanobacteria classification (99.92%). The work also proposes a framework addressing label assignment and improving abundance maps through an ensemble deep learning algorithm. Evaluated on the benchmark dataset Samson, the proposed model consistently outperforms baseline algorithms, the algorithm excels in three abundance maps: water, tree, and soil with values of (0.081), (0.158), and (0.182), respectively, showcasing its robust performance.
La teledetección implica el análisis de imágenes adquiridas sobre la Tierra, capturadas principalmente de sensores con alto contenido espectral en satélites y aviones. Esta tesis presenta una exploración exhaustiva de la composición de materiales en escenas adquiridas, introduciendo un nuevos algoritmos de aprendizaje profundo para la extracción de la composición de materiales en escenas adquiridas. Se presenta un nuevo algoritmo de aprendizaje profundo para la extracción de firmas espectrales y mapas de abundancias fraccionarias. El autoencoder convolucional propuesto mejora significativamente los algoritmos de referencia, demostrando un rendimiento superior en conjuntos de datos de referencia como Samson. La métrica empleada para estimar el rendimiento de la extracción de las firmas espectrales es el ángulo espectral, mientras que los mapas de abundancia se emplea el error cuadrático medio. En particular, se destaca en la extracción de endmembers para el agua (0.060) y el suelo (0.025), asà como la estimación de la abundancia con métricas de error cuadrático medio de (0.091) para el agua y (0.187) para el suelo en comparación con los mapas de referencia. El modelo desarrollado es capaz de identificar la clorofila-a en masas de agua; clorofila-a es un indicador crucial de las distintas concentraciones de macrófitos y cianobacterias. Además, se desarrolló un algoritmo ensamblador que aprovecha la información textural mejorando la información espectral para la asignación de etiquetas, logrando altas precisiones en varias imágenes incluyendo Jasper (93.73%), y la clasificación de cianobacterias (99.92%). En esta tesis también propone un marco que aborda la asignación de etiquetas y la mejora de los mapas de abundancia a través de un algoritmo ensamblador de aprendizaje profundo, este algoritmo se destaca en tres mapas de abundancia: agua, árboles y suelo con los siguientes valores (0.081, (0.158) y (0.182), respectivamente, lo que demuestra su sólido rendimiento.
La teledetección implica el análisis de imágenes adquiridas sobre la Tierra, capturadas principalmente de sensores con alto contenido espectral en satélites y aviones. Esta tesis presenta una exploración exhaustiva de la composición de materiales en escenas adquiridas, introduciendo un nuevos algoritmos de aprendizaje profundo para la extracción de la composición de materiales en escenas adquiridas. Se presenta un nuevo algoritmo de aprendizaje profundo para la extracción de firmas espectrales y mapas de abundancias fraccionarias. El autoencoder convolucional propuesto mejora significativamente los algoritmos de referencia, demostrando un rendimiento superior en conjuntos de datos de referencia como Samson. La métrica empleada para estimar el rendimiento de la extracción de las firmas espectrales es el ángulo espectral, mientras que los mapas de abundancia se emplea el error cuadrático medio. En particular, se destaca en la extracción de endmembers para el agua (0.060) y el suelo (0.025), asà como la estimación de la abundancia con métricas de error cuadrático medio de (0.091) para el agua y (0.187) para el suelo en comparación con los mapas de referencia. El modelo desarrollado es capaz de identificar la clorofila-a en masas de agua; clorofila-a es un indicador crucial de las distintas concentraciones de macrófitos y cianobacterias. Además, se desarrolló un algoritmo ensamblador que aprovecha la información textural mejorando la información espectral para la asignación de etiquetas, logrando altas precisiones en varias imágenes incluyendo Jasper (93.73%), y la clasificación de cianobacterias (99.92%). En esta tesis también propone un marco que aborda la asignación de etiquetas y la mejora de los mapas de abundancia a través de un algoritmo ensamblador de aprendizaje profundo, este algoritmo se destaca en tres mapas de abundancia: agua, árboles y suelo con los siguientes valores (0.081, (0.158) y (0.182), respectivamente, lo que demuestra su sólido rendimiento.
Description
Date
2024-04-21
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Keywords
Artificial Intelligence, Hyperspectral images, Spectral Unmixing, Deep learning, Label assignment