Estudio sobre el uso de medidas de complejidad para la estimación del porcentaje de clasificación correcta en imágenes hiperespectrales

Abstract

Este documento presenta métricas de complejidad de imagen aplicadas a imágenes hiperespectrales. Se realiza el estudio de la relación entre estas métricas y el porcentaje de clasificación correcta (PCC) para los clasificadores de Máxima Probabilidad y Detección de Ángulo. Este estudio mostró que existe alta probabilidad de que las métricas de Entropía de Ángulo e Incertidumbre tengan una relación inversamente proporcional con el PCC de los clasificadores mencionados. Se diseñaron estimadores para el PCC usando modelos de regresión simple y múltiple basados en las métricas de Entropía de Ángulo e Incertidumbre como variables regresoras. Los modelos fueron diseñados utilizando datos obtenidos desde imágenes sintéticas e imágenes reales. Los modelos fueron probados con datos reales. En el caso de los modelos diseñados con datos reales, se obtuvieron resultados donde para la mayoría de los casos los intervalos de predicción dados por el estimador contenían los PCC’s de las imágenes de prueba.

This work introduce image complexity metrics applied to hyperspectral images. It makes the study of the relationship between these metrics and the correct classification percentage (PCC) for Maximum Likelihood and Angle Detection classifiers. This study showed high probability that the Angle Entropy and Uncertainty metrics have an inverse relationship with the PCC of the classifiers mentioned. Estimators were designed for the PCC using simple and multiple regression models based on Angle Entropy and Uncertainty metrics. The models were designed using data obtained from synthetic and real images. The models were tested with real data. For models designed with real data, most cases prediction intervals given by the estimator, include the PCC’s of the real test images.