Show simple item record

dc.contributor.advisorVélez Reyes, Miguel
dc.contributor.authorMorillo Contreras, Shirley
dc.date.accessioned2019-05-14T14:54:13Z
dc.date.available2019-05-14T14:54:13Z
dc.date.issued2004
dc.identifier.urihttps://hdl.handle.net/20.500.11801/2164
dc.description.abstractThe increasing use of Hyperspectral data is causing many data analysis problems; one of these problems is to reduce noise in Hyperspectral images. One approach is resolution enhancement technique based on oversampling theory. The oversampled spectrum in a Hyperspectral image implies that the information is redundant which can be exploited to reduce noise. Another approach is Truncated Singular Value Decomposition (TSVD), a method for noise reduction. The main idea of this method is to let the Hyperspectral image represent the noisy signal, compute the Singular Values Decomposition, discard small singular values that represent the noise, and then reconstruct the filtered image. This research work compares the use of resolution enhancement versus TSVD filtering as image enhancement pre-processor on classification accuracy and class separability of Hyperspectral imagery. Hyperspectral imagery from different sensors showing different scenarios were use for the study. Overall results show that resolution enhancement pre-processing does a better job improving the classification accuracy than TSVD and at much lower computational cost, making it an attractive technique for Hyperspectral Image Processing.en_US
dc.description.abstractEl crecimiento en el uso de datos hiperespectrales esta causando problemas para analizar estos datos. Uno de estos problemas es reducir el ruido en imágenes hiperespectrales. Una solución a esto es el aumento de resolución en imágenes hiperespectrales basado en la teoría de sobre-muestreo. El espectro sobre-muestreado en una imagen hyperspectral implica que la información es redundante y esta información puede ser utilizada para reducir ruido. Otra solución es truncar la descomposición de valores singulares (TSVD) como método para reducir ruido. La idea principal de este método es que la imagen hyperspectral represente la señal con ruido, calcular los valores singulares y descartar los valores singulares más pequeños que representan el ruido y luego reconstruir la imagen filtrada. En esta tesis se comparo el uso del aumento de resolución basado en la teoría de sobre-muestreo versus truncar la descomposición de valores singulares como pre-procesadores en el realce de imágenes hiperespectrales sobre la clasificación y la separabilidad entre clases. Se utilizaron imágenes hiperespectrales tomadas con diferentes sensores e ilustrando diferentes escenarios. Resultados generales muestran que el aumento de resolución como pre-procesamiento realiza un mejor trabajo mejorando la clasificación que truncar los valores singulares y con menor costo computacional, haciéndolo una técnica atractiva para el procesamiento de imágenes hiperespectrales.en_US
dc.language.isoEnglishen_US
dc.subjectResolution enhancement| pre-processingen_US
dc.subjecthyperspectral image classificationen_US
dc.titleA comparison of resolution enhancement methods as pre-processing for classification of hyperspectral imagesen_US
dc.typeThesisen_US
dc.rights.licenseAll rights reserveden_US
dc.rights.holder(c) 2004 Shirley Morillo Contrerasen_US
dc.contributor.committeeHunt, Shawn
dc.contributor.committeeRodriguez, Manuel
dc.contributor.representativeCastillo, Paul
thesis.degree.levelM.S.en_US
thesis.degree.disciplineComputer Engineeringen_US
dc.contributor.collegeCollege of Engineeringen_US
dc.contributor.departmentDepartment of Electrical and Computer Engineeringen_US
dc.description.graduationYear2004en_US


Files in this item

Thumbnail

This item appears in the following Collection(s)

  • Theses & Dissertations
    Items included under this collection are theses, dissertations, and project reports submitted as a requirement for completing a degree at UPR-Mayagüez.

Show simple item record

All rights reserved
Except where otherwise noted, this item's license is described as All Rights Reserved