Resumen

La detección de anomalías (AD) en datos hiperespectrales ha recibido mucha atención para diversas aplicaciones. El objetivo de la detección de anomalías es detectar píxeles en el cubo de datos hiperespectrales cuyos espectros difieran significativamente de los espectros de fondo. En la literatura se han propuesto muchos detectores de anomalías. Difieren en la forma de caracterizar el fondo y en el método utilizado para determinar la diferencia entre el píxel actual y el fondo. El detector de anomalías más conocido es el detector RX, que calcula la distancia de Mahalanobis entre el píxel bajo prueba (PUT) y el fondo. El RX global caracteriza el fondo de la escena completa mediante una única función de densidad de probabilidad normal multivariante. En muchos casos, este modelo no es apropiado para describir el fondo. Por ello, se han desarrollado otros métodos de detección de anomalías. En este artículo se examinan tres clases de detectores de anomalías: métodos subespaciales, métodos locales y métodos basados en la segmentación. Se eligen ejemplos representativos de cada clase y se aplican sobre un conjunto de datos hiperespectrales de diversa complejidad. Se evalúan y comparan los resultados.

• Materias:Redes Inalámbricas Modelo computacional Teoría de códigos Sistemas de comunicación Procesamiento de datos
• Subjects:Wireless Networks Computational Model Code theory Communication systems Data processing
• Palabras claves:fondo, datos hiperespectrales, función de densidad de probabilidad normal, otros métodos de detección de anomalías, muchos detectores de anomalías, cubo de datos hiperespectrales, detección de anomalías, rx global, distancia mahalanobis, detector de rx
• Keywords:background, hyperspectral data, normal probability density function, other anomaly detection methods, many anomaly detectors, hyperspectral data cube, anomaly detection, global rx, mahalanobis distance, rx detector