Show simple item record

dc.contributor.advisorHunt, Shawn D.
dc.contributor.authorRodríguez-Carrión, Nicole M.
dc.date.accessioned2019-05-14T17:56:27Z
dc.date.available2019-05-14T17:56:27Z
dc.date.issued2015
dc.identifier.urihttps://hdl.handle.net/20.500.11801/2179
dc.description.abstractThis study uses hypothesis testing to determine the optimum pixel size to classify hyperspectral images. Pixel size is defined here as the size of the ground area captured in a pixel. Historically, more resolution or smaller pixel sizes, are considered better, but having smaller pixels can cause difficulties in the image classification. If the pixel size is too small, then the variation in pixels belonging to the same class could be vast. By assuming pixels are identically distributed random variables led to a derivation of a hypothesis test that uses the pixels covariance and variance. This new proposed hypothesis method was compared with results from the parametric hypothesis test F-test, and the non-parametric Ansari-Bradley hypothesis test. Promising similar results for synthetic and real hyperspectral images were obtained, validating the usability of the new proposed hypothesis method within the scope of this study.en_US
dc.description.abstractEn este estudio se utilizan pruebas de hipótesis para determinar el tamaño de pixel óptimo para clasificar imágenes hiperespectrales. Un tamaño de pixel es definido en este estudio como el tamaño del área capturada en un pixel. Históricamente se conoce que es mejor tener mayor resolución o menor tamaño de pixel, pero el tener pixeles pequeños ocasiona dificultades en la clasificación de imágenes. Si el pixel es muy pequeño, la variación de pixeles que pertenecen a la misma clase podría ser bien grande. Al asumir que los pixeles en la imagen son variables aleatorias idénticamente distribuidas, pero que no son independientes, se pudo derivar una prueba de hipótesis que utiliza la covarianza y varianza entre pixeles. Este nuevo método fue probado al compararlo con la prueba de hipótesis paramétrica llamada “F-test” y con la prueba de hipótesis no paramétrica llamada “Ansari-Bradley”. Resultados prometedores y similares se obtuvieron al probar los resultados para imágenes hiperespectrales sintéticas y reales, validando el uso de la nueva prueba de hipótesis bajo las condiciones desarrolladas en este estudio.en_US
dc.language.isoEnglishen_US
dc.subjectStatistical analysisen_US
dc.subjectspatial resolutionen_US
dc.subjectimage classificationen_US
dc.titleStatistical analysis to determine a spatial resolution to improve image classificationen_US
dc.typeThesisen_US
dc.rights.licenseAll rights reserveden_US
dc.rights.holder(c) 2015 Nicole M. Rodríguez-Carriónen_US
dc.contributor.committeeArzuaga, Emmanuel |Jiménez, Luis O.
dc.contributor.representativeSantiago, Aidsa
thesis.degree.levelM.S.en_US
thesis.degree.disciplineElectrical Engineeringen_US
dc.contributor.collegeCollege of Engineeringen_US
dc.contributor.departmentDepartment of Electrical and Computer Engineeringen_US
dc.description.graduationSemesterFallen_US
dc.description.graduationYear2015en_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 graduate 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