Resumen

A diferencia de las imágenes convencionales, que tienen tres canales de información, las imágenes hiperespectrales están compuestas por muchos canales espectrales que proporcionan información detallada sobre los materiales presentes en ellas. Así, considerando su gran potencial para monitorizar cambios en el medio ambiente y la importancia de las masas de agua dulce para la vida y la naturaleza, es relevante proponer y evaluar la eficacia de diferentes métodos computacionales enfocados a la detección de masas de agua en imágenes hiperespectrales; por ello, esta investigación propone y evalúa un método computacional basado en la similitud de fases de Fourier. Para ello, se definieron cuatro fases metodológicas, a saber: exploración y selección de tecnologías de código abierto para el análisis de imágenes hiperespectrales, determinación del píxel característico de las masas de agua, cálculo de la similitud de fase de Fourier entre el píxel representativo de las masas de agua y los 200 píxeles de muestra elegidos entre masas de agua y otros materiales, y verificación del método en una imagen hiperespectral de prueba. Se utilizaron las bibliotecas Spectral, NumPy y Pandas de Python para implementar el método propuesto, que dio como resultado, para las primeras 170 bandas, una similitud de fase media del 99,46% con respecto a los píxeles de las masas de agua y una similitud de fase mínima con los píxeles de las masas de agua del 93,01%. Los resultados muestran que el método propuesto es eficaz para detectar píxeles de masas de agua y puede utilizarse o extrapolarse como alternativa a los métodos de detección basados en métricas de correlación y aprendizaje automático.

• Materias:Acetamida
• Subjects:Acetamida
• Palabras claves:Visión por computadora; Análisis de Fourier; Imágenes hiperespectrales; Detección de cuerpos de agua; Teledetección; Aprendizaje automático
• Keywords:Computer vision; Fourier analysis; Hyperspectral imaging; Water bodies detection; Remote sensing; Machine learning