Enfoque de análisis de Fourier para la identificación de cuerpos de agua a través de imágenes hiperespectrales
Resumen
A diferencia de las imágenes convencionales, las cuales cuentan con tres canales de información, las imágenes hiperespectrales están conformadas por una gran cantidad de canales espectrales que permiten brindar información detallada sobre diferentes materiales presentes en ellas. De este modo, teniendo en cuenta el gran potencial que tienen estas imágenes en la monitorización de cambios en el ambiente y considerando la importancia de los cuerpos de agua dulce para la vida y la naturaleza, es relevante proponer y evaluar la efectividad de diferentes métodos computacionales enfocados en la detección de cuerpos de agua en imágenes hiperespectrales. Por ende, el objetivo de esta investigación es proponer y evaluar un método computacional basado en la similitud de fase de Fourier para la detección de cuerpos de agua en éstas. Para esto, fueron definidas cuatro fases metodológicas: exploración y selección de tecnologías libres para el análisis de imágenes hiperespectrales, determinación del pixel característico de los cuerpos de agua, cálculo de la similitud de fase de Fourier entre el pixel representativo de los cuerpos de agua y los 200 pixeles de muestra escogidos de cuerpos de agua y otros materiales, y verificación del método en una imagen hiperespectral de prueba. El método propuesto fue implementado mediante el uso de las librerías Spectral, NumPy y Pandas de Python, obteniendo como resultado para las primeras 170 bandas una similitud de fase promedio de 99,46% con respecto a pixeles de cuerpos de agua y una similitud de fase mínima con pixeles de cuerpos de agua de 93,01%. Los resultados permiten concluir que el método propuesto es efectivo para detectar pixeles de cuerpos de agua y puede ser usado o extrapolado como alternativa a los métodos de detección basados en métricas de correlación y machine learning.
Palabras clave
análisis de Fourier, aprendizaje automático, detección de cuerpos de agua, imágenes hiperespectrales, sensado remoto, visión por computador
Referencias
- Z. A. Lone, A. R. Pais, “Object detection in hyperspectral images,” Digital Signal Processing, vol. 131, e103752, 2022. https://doi.org/10.1016/j.dsp.2022.103752
- A. Zahra et al., “Current advances in imaging spectroscopy and its state-of-the-art applications,” Expert Systems with Applications, vol. 238, e122172, 2024. https://doi.org/10.1016/j.eswa.2023.122172
- D. R. Green, J. J. Hagon, C. Gómez, B. J. Gregory, “Using Low-Cost UAVs for Environmental Monitoring, Mapping, and Modelling: Examples From the Coastal Zone,” in Coastal Management, 2019, pp. 465-501. https://doi.org/10.1016/B978-0-12-810473-6.00022-4
- FlySight S.r.l., “Understanding Hyperspectral Imaging – Benefits, Use Cases & Examples,” 2023.
- J. Deng et al., “Pixel-level regression for UAV hyperspectral images: Deep learning-based quantitative inverse of wheat stripe rust disease index,” Computers and Electronics in Agriculture, vol. 215, e108434, 2023. https://doi.org/10.1016/j.compag.2023.108434
- A. Matese, J. M. Prince Czarnecki, S. Samiappan, R. Moorhead, “Are unmanned aerial vehicle-based hyperspectral imaging and machine learning advancing crop science?,” Trends in Plant Science, vol. 29, no. 2, pp. 196-209, 2024. https://doi.org/10.1016/j.tplants.2023.09.001
- N. Noshiri, M. A. Beck, C. P. Bidinosti, C. J. Henry, “A comprehensive review of 3D convolutional neural network-based classification techniques of diseased and defective crops using non-UAV-based hyperspectral images,” Smart Agricultural Technology, vol. 5, e100316, 2023. https://doi.org/10.1016/j.atech.2023.100316
- N. Li, L. Huo, X. Zhang, “Using only the red-edge bands is sufficient to detect tree stress: A case study on the early detection of PWD using hyperspectral drone images,” Computers and Electronics in Agriculture, vol. 217, e108665, 2024. https://doi.org/10.1016/j.compag.2024.108665
- X. Zhao et al., “Evaluating the potential of airborne hyperspectral LiDAR for assessing forest insects and diseases with 3D Radiative Transfer Modeling,” Remote Sensing of Environment, vol. 297, e113759, 2023. https://doi.org/10.1016/j.rse.2023.113759
- F. Castillo, L. Arias, H. O. Garcés, “Estimation of temperature, local and global radiation of flames, using retrieved hyperspectral imaging,” Measurement, vol. 208, e112459, 2023. https://doi.org/10.1016/j.measurement.2023.112459
- W. Song, Y. Fu, S. Zhao, Y. Zhao, H. Wang, Z. Wang, “Post-fire assessment of heating temperatures experienced by concrete using short video imaging, hyperspectral imaging and laser-induced breakdown spectroscopy,” Construction and Building Materials, vol. 392, e131834, 2023. https://doi.org/10.1016/j.conbuildmat.2023.131834
- E. L. Hestir et al., “Measuring freshwater aquatic ecosystems: The need for a hyperspectral global mapping satellite mission,” Remote Sensing of Environment, vol. 167, pp. 181-195, 2015. https://doi.org/10.1016/j.rse.2015.05.023
- T. Bajjouk et al., “Detection of changes in shallow coral reefs status: Towards a spatial approach using hyperspectral and multispectral data,” Ecological Indicators, vol. 96, pp. 174-191, 2019. https://doi.org/10.1016/j.ecolind.2018.08.052
- L. K. Torres Gil, D. Valdelamar Martínez, M. Saba, “The Widespread Use of Remote Sensing in Asbestos, Vegetation, Oil and Gas, and Geology Applications,” Atmosphere (Basel), vol. 14, no. 1, e172, 2023. https://doi.org/10.3390/atmos14010172
- R. Gong, J. Wang, X. Wang, Y. Liu, J. Shan, “Analysis of microplastics release from rice package in combination with machine learning and hyperspectral imaging technique,” Food Packaging Shelf Life, vol. 39, e101152, 2023. https://doi.org/10.1016/j.fpsl.2023.101152
- B. Graham Ram et al., “Palmer amaranth identification using hyperspectral imaging and machine learning technologies in soybean field,” Computers and Electronics in Agriculture, vol. 215, e108444, 2023. https://doi.org/10.1016/j.compag.2023.108444
- J. Xu et al., “Fuzzy graph convolutional network for hyperspectral image classification,” Engineering Applications of Artificial Intelligence, vol. 127, e107280, 2024. https://doi.org/10.1016/j.engappai.2023.107280
- H. Xie, J. Lu, J. Han, Y. Zhang, F. Xiong, Z. Zhao, “Fourier coded aperture transform hyperspectral imaging system,” Optics and Lasers in Engineering, vol. 163, e107443, 2023. https://doi.org/10.1016/j.optlaseng.2022.107443
- N. M. Francis, F. Pourahmadian, R. A. Lebensohn, R. Dingreville, “A fast Fourier transform-based solver for elastic micropolar composites,” Computer Methods in Applied Mechanics and Engineering, vol. 418, e116510, 2024. https://doi.org/10.1016/j.cma.2023.116510
- S. Wang, R. Tian, Q. Zhang, Z. Kang, X. Tang, “The application of trajectory analysis method and Fast Fourier Transform analysis method in the division of flow instability influence regions under ocean conditions,” Progress in Nuclear Energy, vol. 168, e105045, 2024. https://doi.org/10.1016/j.pnucene.2023.105045
- R. T. Leon, P. C. Sherrell, A. Šutka, A. V. Ellis, “Decoupling piezoelectric and triboelectric signals from PENGs using the fast fourier transform,” Nano Energy, vol. 110, e108445, 2023. https://doi.org/10.1016/j.nanoen.2023.108445
- O. Leitersdorf, Y. Boneh, G. Gazit, R. Ronen, S. Kvatinsky, “FourierPIM: High-throughput in-memory Fast Fourier Transform and polynomial multiplication,” Memories- Materials, Devices, Circuits and Systems, vol. 4, e100034, 2023. https://doi.org/10.1016/j.memori.2023.100034
- M. J. Spilsbury, A. Euceda, “Transformada Rápida de Fourier,” Revista de la Escuela de Física, vol. 4, no. 2, pp. 45-52, 2019. https://doi.org/10.5377/ref.v4i2.8276
- J. Semmlow, Circuits, Signals and Systems for Bioengineers. Elsevier, 2018. https://doi.org/10.1016/C2015-0-06052-X
- G. E. Chanchí Golondrino, M. A. Ospina Alarcón, M. Saba, “Vegetation Identification in Hyperspectral Images Using Distance/Correlation Metrics,” Atmosphere (Basel), vol. 14, no. 7, e1148, 2023. https://doi.org/10.3390/atmos14071148