Resumen

El modelado de datos hiperespectrales con distribuciones no gaussianas está ganando popularidad en los últimos años. Dicha modelización se concentra principalmente en los intentos de describir una distribución, o sus colas, de todos los espectros de la imagen. En este trabajo, reconocemos que la presencia de materiales importantes en la escena de la imagen es probable que exhiba no aleatoriedad y sólo la variabilidad restante debida al ruido, u otros factores, exhibiría un comportamiento aleatorio. Por lo tanto, asumimos un modelo de mezcla lineal con un fondo estructurado, e investigamos varios modelos de distribución para el término de error en ese modelo. Proponemos un modelo basado en la distribución t multivariante y otro basado en componentes independientes que siguen una distribución de potencia exponencial. El primer modelo no funciona bien en el contexto de las dos imágenes investigadas en este trabajo, una de AVIRIS y otra de HyMap. En cambio, el segundo modelo funciona razonablemente bien con la imagen AVIRIS y muy bien con la imagen HyMap. Este documento proporciona las herramientas que los investigadores pueden utilizar para verificar un determinado modelo que se utilizará con una determinada imagen.

• 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:modelo, papel, imagen hymap, distribución de potencia exponencial, modelo de mezcla lineal, varios modelos distribucionales, distribución, imagen aviris, distribuciones gaussianas, tal modelización
• Keywords:model, paper, hymap image, exponential power distribution, linear mixing model, various distributional models, distribution, aviris image, gaussian distributions, such modeling