Clasificación de imágenes de teledetección hiperespectral y extracción de características

En el campo de la teledetección, las técnicas de imagen espectral suelen clasificarse en tres categorías según su resolución espectral: multiespectral, hiperespectral y ultraespectral. Generalmente, con la misma resolución espacial, cuanto mayor sea la resolución espectral, mayor será el número de bandas de imagen, mayor el volumen de datos y más rica la información obtenida sobre el objeto medido.

Tabla comparativa de características técnicas espectrales

La clasificación de imágenes hiperespectrales distingue los tipos de múltiples objetivos asignando etiquetas correspondientes a grupos con características similares; las muestras con la misma etiqueta se consideran pertenecientes a la misma clase. La precisión de la clasificación afecta directa o indirectamente al rendimiento de su aplicación.

En comparación con las imágenes ordinarias, las imágenes hiperespectrales tienen dos características:

1) La alta resolución espectral, las curvas espectrales casi continuas, las múltiples bandas y el gran volumen de datos hacen posible una clasificación precisa, pero al mismo tiempo, también presentan problemas como una grave redundancia de datos y una fuerte correlación interespectral.

2) La resolución espacial limitada y la presencia de un gran número de píxeles mixtos pueden dar lugar a la maldición de la dimensionalidad. Debido a su estructura y características de datos únicas, las imágenes de teledetección hiperespectral son difíciles de procesar directamente mediante métodos tradicionales, lo que supone un gran desafío para el campo del procesamiento de señales e información.

La clasificación de imágenes hiperespectrales (incluidas las multiespectrales) y otras técnicas de procesamiento eran métodos convencionales antes de 1990. Entre 1990 y 2015, los métodos principales se basaban en características y aprendizaje general. Desde 2015, la atención se ha centrado en métodos basados ​​en aprendizaje profundo. Desde 2022, se observa una tendencia hacia métodos basados ​​en aprendizaje y fusión de datos y conocimiento, o métodos conjuntos.

Los métodos de clasificación de imágenes multiespectrales e hiperespectrales se pueden clasificar a grandes rasgos en cuatro categorías.

Satélite de teledetección hiperespectral

Especificaciones técnicas típicas de satélites hiperespectrales representativos y sus generadores de imágenes espectrales, tanto a nivel nacional como internacional:

Extracción de características para la clasificación de imágenes hiperespectrales

Las características de los datos de imágenes hiperespectrales se refieren principalmente a características espectrales, espaciales, temporales, espaciales-espectrales, espaciales-temporales y combinadas. En la clasificación de imágenes hiperespectrales, las características espectrales comunes incluyen ubicaciones de absorción espectral, reflectancia, simetría, la ubicación y el número de picos y valles en la curva espectral, y pendiente, así como el gradiente y las estadísticas de orden superior de la curva espectral. Las características espaciales de las imágenes hiperespectrales incluyen principalmente amplitud, color, textura, forma y relaciones espaciales. Las características temporales de las imágenes hiperespectrales incluyen principalmente estabilidad en el tiempo, derivada (temporal) y tasa de cambio.

Características hiperespectrales y métodos de extracción de características

La minería de características de imágenes hiperespectrales incluye principalmente la selección, la extracción y la fusión de características. Los métodos para la minería de características espectrales de datos de teledetección hiperespectral y su clasificación se muestran en la siguiente tabla:

Métodos para la extracción de características espectrales y la clasificación de imágenes hiperespectrales de teledetección.

La selección de características generalmente se refiere a la selección directa de m (m

La extracción de características consiste en transformar el espacio vectorial n-dimensional original (los datos originales son datos cúbicos hiperespectrales) y, posteriormente, encontrar su subespacio de características. Este proceso implica encontrar una relación de mapeo que transforma el conjunto de datos tridimensional original en un subespacio de características m-dimensional, generando m nuevas características mediante esta transformación. La extracción de características suele buscar parámetros que reflejen diversos objetivos en todas las bandas de datos; obviamente, el coste computacional es mucho mayor que el de la selección de características, lo que hace que el proceso sea inherentemente lento.

La combinación o fusión de características aprovecha las ventajas de múltiples características, como características espectrales, espaciales y temporales combinadas, o combinaciones de características de energía directa con características de transformación (como derivadas). El rendimiento de la minería manual de características está estrechamente relacionado con factores como el conocimiento experto del dominio, las propiedades fisicoquímicas, los modelos y la experiencia.

Referencias: He Mingyi, Li Qiang, Guo Ying, Yan Hongmei. 2025. Panorama general y perspectivas de la clasificación inteligente de imágenes hiperespectrales. Journal of Image and Graphics, 30(6):2207-2238