Show simple item record

dc.contributor.advisorVélez-Reyes, Miguel
dc.contributor.authorTorres-Madroñero, Maria C.
dc.date.accessioned2019-05-15T17:59:32Z
dc.date.available2019-05-15T17:59:32Z
dc.date.issued2008
dc.identifier.urihttps://hdl.handle.net/20.500.11801/2359
dc.description.abstractThe Hyperspectral Coastal Image Analysis Toolbox integrates algorithms for the estimation of water optical properties, bathymetry and fractional abundances of bottom composition in a graphical interface using Matlab to perform analysis of hyperspectral images of shallow waters. The primary algorithms included in the toolbox were previously developed by students and faculty at LARSIP at University of Puerto Rico at Mayagu ̈ez. Work was also performed to add new capabilities to these existing algorithms by incorporating the capacity to fuse lidar data into the hyperspectral processing. The HyCIAT algorithms are fundamentally based on the Lee et al. [1] semi-analytical inversion model combined with linear unmixing techniques developed by Goodman [2] and Castrodad [3]. The Lee algorithm is one of the more commonly used models for the estimation of water optical properties and bathymetry from passive hyperspectral imagery. Goodman integrated the Lee model with unmixing algorithms (LIGU) to first independently derive estimates of water properties and bathymetry, and then derive the habitat composition. Castrodad similarly combined the Lee model with an unmixing algorithm (CIUB), but this derives the water properties, bathymetry and habitat composition simultaneously. Both these techniques are included in HyCIAT as well as new capabilities for both models that allow lidar bathymetry to be used as input. This work presents the HyCIAT toolbox, and evaluates model performance using both simulated data and actual airborne hyperspectral imagery. Results indicate that accuracy in parameter retrieval is increased when the lidar data is included in the models.en_US
dc.description.abstractHyCIAT integra algoritmos para la estimación de propiedades ópticas del agua, batimetría y porcentajes de abundancias de los componentes del fondo marino en una interfaz grafica desarrollada en Matlab para el análisis y procesamiento de imágenes hiperespectrales de aguas de poca profundidad. Los algoritmos incluidos en HyCIAT fueron previamente desarrollados por estudiantes y profesores que han realizado investigaciones en LARSIP en UPRM. Este trabajo adiciona a estos algoritmos la capacidad de fusionar información de LIDAR dentro del procesamiento de imágenes hiperespectrales. Los algoritmos se basan en el modelo de Lee [1] combinado con técnicas de demezclado lineal desarrollados por Goodman [2] y Castrodad [3]. Lee es uno de los modelos más usados para la estimación de propiedades ópticas de agua y batimetría con imágenes hiperespectrales. Goodman integra el modelo de Lee con algoritmos de demezclado (LIGU) para primero derivar las propiedades ópticas del agua y batimetría, y entonces derivar la composición del hábitat. Castrodad combina similarmente el modelo de Lee con algoritmos de demezclado (CIUB), pero deriva simultáneamente las propiedades ópticas del agua, batimetría y los porcentajes de abundancia de los componentes del fondo marino. Ambas técnicas son incluidas en HyCIAT, también como la capacidad para ambos modelos de usar como entrada la batimetría capturada usando lidar. Este trabajo describe HyCIAT y evalúa el desempeño de los modelos usando imágenes simuladas e imágenes hiperespectrales. Resultados indican que la precisión incrementa en los parámetros estimados cuando información desde lidar es incluida en los modelos.en_US
dc.language.isoEnglishen_US
dc.titleDevelopment of the hyperspectral coastal image analysis toolbox (hyciat) with a focus on hyperspectral and lidar data fusionen_US
dc.typeProject Reporten_US
dc.rights.licenseAll rights reserveden_US
dc.rights.holder(c) 2008 Maria Constanza Torres-Madroñeroen_US
dc.contributor.committeeHunt, Shawn D.
dc.contributor.committeeGoodman, James
dc.contributor.representativeGonzález-Quevedo, Antonio A.
thesis.degree.levelM.E.en_US
thesis.degree.disciplineElectrical Engineeringen_US
dc.contributor.collegeCollege of Engineeringen_US
dc.contributor.departmentDepartment of Electrical and Computer Engineeringen_US
dc.description.graduationYear2008en_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