Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 33 Núm. 67 (2024)
Enero-Marzo 2024

Articulos

Enfoque de análisis de Fourier para la identificación de cuerpos de agua a través de imágenes hiperespectrales

https://doi.org/10.19053/uptc.01211129.v33.n67.2024.17232

Publicado 2023-02-28

  • Gabriel-Elías Chanchí-Golondrino
    • ,
  • Manuel-Alejandro Ospina-Alarcón
    • ,
  • Manuel Saba

Gabriel-Elías Chanchí-Golondrino
Universidad de Cartagena

Manuel-Alejandro Ospina-Alarcón
Universidad de Cartagena

Manuel Saba
Universidad de Cartagena

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

PDF (English) XML (English)

Citas

  1. 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
  2. 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
  3. 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
  4. FlySight S.r.l., “Understanding Hyperspectral Imaging – Benefits, Use Cases & Examples,” 2023.
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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
  21. 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
  22. 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
  23. 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
  24. J. Semmlow, Circuits, Signals and Systems for Bioengineers. Elsevier, 2018. https://doi.org/10.1016/C2015-0-06052-X
  25. 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

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

<< < 1 2 

También puede {advancedSearchLink} para este artículo.