Show simple item record

dc.contributor.advisorArzuaga, Emmanuel
dc.contributor.authorArias-Vargas, Fernando X.
dc.date.accessioned2017-04-25T19:57:23Z
dc.date.available2017-04-25T19:57:23Z
dc.date.issued2016
dc.identifier.urihttps://hdl.handle.net/20.500.11801/26
dc.descriptionLas aplicaciones actuales de sensado remoto que emplean tecnología de adquisición de imágenes hiperespectrales usualmente presentan una serie de desventajas que incluyen altos costos de preparación de expediciones, requisitos especiales de aeronaves e infraestructura asociada, y el hecho que generan cantidades de datos que tienen un impacto no trivial en la disponibilidad de recursos de almacenamiento. Recientemente, los campos de Sensado Compresivo (CS, por sus siglas en inglés) y recuperación de señales dispersas están despertando gran interés debido a que prometen hacer más eficientes los procesos de adquisición, manipulación, almacenamiento y recuperación de señales en aplicaciones donde el tiempo de utilización de un sensor dado es un recurso escaso, codiciado y/o costoso. Las aplicaciones que emplean tecnologías basadas en SC para adquisición y procesamiento de imágenes hiperespectrales prometen incrementar significativamente el volumen de datos relevantes que se capturan en expediciones individuales, y/o reducir la presión por parte de la disponibilidad de los recursos computacionales de almacenamiento para continuamente proveer más espacio, o tener que deshacerse de datos potencialmente valiosos. Sin embargo, dado que el SC es un formato de compresión inherentemente con pérdidas, es necesario evaluar la parametrización adecuada del sistema que maximize la adquisición de datos relevantes para una aplicación específica. El trabajo actual intenta demostrar que las tecnologías de sensado compresivo y recuperación de señales dispersas pueden mejorar la eficiencia de los procesos de manipulación, análisis y almacenamientos ya establecidos para imágenes hiperespectrales, con pérdidas mínimamente descernibles de desempeño de clasificación una vez recuperadas. Presentamos los resultados de un análisis comparativo de desempeño de clasificación entre imágenes hiperespectrales adquiridos de manera convencional, e imágenes hiperespectrales recuperadas a partir de muestras compresivas utilizando un algoritmo de sensado y recuperación dispersa de imágenes hiperespectrales por bloques, bajo una variedad de combinaciones de parámetros de muestreo y recuperación. Con el objetivo de obtener un panorama amplio del desempeño de clasificación de imágenes hiperspectrales sensadas de manera compresiva, clasificamos dos imágenes hiperespectrales distintas previamente verificadas utilizando un conjunto de 5 algoritmos de clasificación comúnmente utilizados en la actualidad. Estadísticas globales de exactitud de clasificación son presentadas y discutidas para cada combinación de parámetros. Adicional a esto, presentamos propiedades estadísticas específicas para cada clase en las imágenes hiperespectrales consideradas. Finalmente, realizamos un estudio sobre un algoritmo de clasificación de imágenes hiperespectrales que utiliza tecnologías de punta basadas en representación dispersa de imágenes, y evaluamos potenciales mejoras que reducen significativamente su complejidad computacional, sin impactar de manera considerable su desempeño de clasificación. Con la intención de extender la amplitud de nuestro análisis de desempeño de clasificación, empleamos dos clasificadores basados en la representación dispersa de las muestras como complemento a los cinco algoritmos de clasificación para imágenes hiperespectrales convencionales previamente considerados. Nuestros resultados demuestran que la utilización de factores de muestreo por debajo de aquellos que permiten la reconstrucción casi perfecta de imágenes hiperespectrales tienen un impacto positivo sobre el desempeño de clasificación. Mientras tanto, los factores de muestreo por encima de estos valores no presentan un impacto negativo en desempeño de clasificación en comparación a las imágenes hiperespectrales originales sin compresión. En el caso de los tamaños de bloque, observamos que no tienen un impacto positivo sobre del desempeño de clasificación que justifique los altos costos en tiempos computacionales asociados a ellos. Finalmente, los resultados en desempeño de clasificación de nuestra propuesta para mejorar un clasificador por representación dispersa son comparables a la alternativa de punta, con el beneficio adicional de presentar una complejidad computacional reducida.en_US
dc.description.abstractCurrent deployments of remote sensing hyperspectral imaging (HSI) technology usually require expensive setup costs, specialized aircraft and associated infrastructure, in addition to producing amounts of data that have a nontrivial impact on data storage resources. Compressive Sensing (CS) and sparse recovery of signals is a field of growing recent interest due to the promise of efficient signal acquisition, manipulation and recovery operations in applications where sensor utilization is a scarce, coveted, and/or expensive resource. Applications of CS technology on HIS acquisition and processing application promise to significantly increase the volume of relevant data captured in a single expedition and/or reduce the need of either continuously increasing available data storage resources or discarding valuable information. However, CS is an inherently lossy compression format, therefore it is necessary to evaluate the system parametrization that best fits the acquisition of data for a certain application. The current work shows that approaches based on this technology can improve the efficiency of several data processes, such as manipulation, analysis and storage, already established for hyperspectral imagery, without significant loss in data performance upon reconstruction. We present the results of a comparative analysis of classification performance between a HSI data cube acquired by traditional means, and HSI data cubes obtained through reconstruction from compressively sampled data points using a variety of different parameter combinations with a block-based CS recovery algorithm. To obtain a big picture view of the classification performance of compressively sensed HSI data cubes, we classify two verified HSI data cubes using a set of five classifiers commonly used in hyperspectral image classification. Global accuracy statistics are presented and discussed for each parameter combination, as well as class-specific statistical properties of the evaluated HSIs. Additionally, we perform a study of a state-of-the-art sparse-representation-based classifier(SRC) for hyperspectral imaging, and evaluate potential improvements that reduce computational complexity with comparable results. With the intention of furthering the extent of our classification performance analysis, we use these SRC-based classifiers in addition to the five conventional HSI classification algorithms considered. In this thesis, we show that using sampling factors below the values that allow for nearperfect HSI recovery has a positive impact on classification performance, and higher sampling factors do not have a negative impact on classification performance when compared to that of the original, uncompressed HSIs. Further, the use of large block sizes do not have a positive impact on classification performance that offsets the high computation time that comes with them. Finally, our proposed improvement to the SRC-based HSI classifier showed results comparable to a state-of-the-art approach, with the added benefit of reduced computational complexity.en_US
dc.language.isoenen_US
dc.subjectData processingen_US
dc.subjectHyperspectral imagingen_US
dc.titleA block-compressive sensing algorithm for hyperspectral data processing and acquisition: A comparative classification performance studyen_US
dc.typeThesisen_US
dc.rights.licenseAll rights reserveden_US
dc.rights.holder(c) 2016 Fernando Xavier Arias Vargasen_US
dc.contributor.committeeJiménez, Luis
dc.contributor.committeeSierra, Heidy
dc.contributor.representativeSundaram, Paul
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.graduationYear2016en_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