A Sparsity-Based Approach for Spectral Image Target Detection from Compressive Measurements Acquired by the CASSI Architecture

Un enfoque basado en escasez para detectar objetivos en imágenes espectrales a partir de medidas compresivas adquiridas por la arquitectura CASSI

La adquisición y procesamiento de imágenes espectrales involucra el manejo de grandes cantidades de información espectral multidimensional. Su adquisición, procesamiento y almacenamiento son costosos temporal, computacional y económicamente. En los últimos años se han desarrollado arquitecturas ópticas para la adquisición de información espectral de forma comprimida, usando un conjunto reducido de mediciones codificadas por un modulador espacial. En este artículo se formula un esquema de procesamiento que permita utilizar las mediciones adquiridas por dichos sistemas de muestreo compresivo; por tanto, para efectuar la detección espectral de objetivos, se adaptarán algoritmos de detección tradicionales a fin de usarlos en el modelo de muestreo compresivo, y se mostrará que su desempeño es comparable al obtenido en procesos de detección sin compresión.

INTRODUCCIÓN

En las últimas décadas, el desarrollo de sensores ópticos ha facilitado el análisis de la teledetección con una rica información espacial, espectral y temporal. El aumento de la resolución espectral de las imágenes hiperespectrales (HSI) y las sondas infrarrojas ha dado lugar a nuevos ámbitos de aplicación y plantea nuevos retos metodológicos en el análisis de datos. Las HSI permiten caracterizar los objetos de interés (por ejemplo, las clases de cobertura del suelo) con una precisión sin precedentes y ayudan a mantener los inventarios actualizados. Además, las mejoras en la resolución espectral han requerido avances en los algoritmos de procesamiento y explotación de la señal [1].

La clasificación de imágenes hiperespectrales y la detección de objetivos se encuentran entre los problemas más importantes de diversas disciplinas científicas, como el aprendizaje automático [2], el procesamiento de imágenes y la visión por ordenador. En la clasificación de datos hiperespectrales hay que tener en cuenta varias cuestiones críticas. Por ejemplo, el alto número de canales espectrales y el bajo número de muestras de entrenamiento etiquetadas conducen al problema de la maldición de la dimensionalidad (es decir, el fenómeno de Hughes [3]) y dan lugar al riesgo de sobreajuste de los datos de entrenamiento [4]. Para aliviar los problemas que conlleva la gran dimensionalidad de los datos, la variabilidad espacial de la información espectral y el alto coste del etiquetado de muestras reales, y para mejorar la estabilidad numérica, se han propuesto diversos enfoques [5].