Extracción de buques en el mar mediante teledetección hiperespectral por satélite.

Los métodos de clasificación de imágenes hiperespectrales difieren fundamentalmente de la clasificación multiespectral tradicional. Se puede obtener una curva espectral continua de cada píxel de una imagen hiperespectral. Esto permite comparar curvas espectrales conocidas con las obtenidas de cada píxel. Idealmente, si ambas curvas espectrales son similares, se puede determinar a qué sustancia se asemeja más el píxel.

Las características de las imágenes hiperespectrales permiten su aplicación no solo a la clasificación general de imágenes, sino también a la identificación de materiales y la detección de objetivos. La clasificación de imágenes se centra en la cobertura del suelo y la composición de los materiales, mientras que la identificación y detección de objetivos buscan objetos específicos, cuyo resultado es "presente" o "ausente". Por lo tanto, nos referimos a la clasificación, identificación y detección de imágenes hiperespectrales como reconocimiento espectral.

En escenarios de identificación de buques marítimos, la identificación espectral hiperespectral ofrece un enfoque prometedor para identificar objetivos marítimos y distinguir diferentes tipos de buques en entornos marítimos complejos.

Procedimientos específicos

1. Corrección atmosférica

Utilice uno de los siguientes métodos para la corrección atmosférica:

Corrección Atmosférica Rápida (QUAC)

Modelos de transferencia radiactiva (6S, FLAASH)

Métodos de corrección atmosférica estadística (reflectancia IAR, residuos logarítmicos, campo plano, línea empírica)

Sustracción oscura simplificada

2. Seleccione las muestras objetivo y calcule los espectros objetivo y de fondo.

Al aplicar la Proyección de Subespacio Ortogonal (OSP), el Filtro de Interferencia Minimizada Restringido al Objetivo (TCIMF) y el Filtro de Interferencia Minimizada Restringido al Objetivo Sintonizado por Mezcla (MTTCIMF), se requieren al menos dos espectros objetivo o, adicionalmente, se deben seleccionar como espectros de fondo espectros que se confundan fácilmente con los espectros objetivo para ayudar a mejorar la precisión de la detección.

3. Transformación de MNF

La transformación MNF permite separar el ruido y reducir la dimensionalidad de los datos para disminuir la complejidad computacional. Los métodos de identificación Mixture Tuned Matched Filter (MTMF) y Mixture Tuned Target-Constrained Interference-Minimized Filter (MTTCIMF) se basan en MNF.

Procedimientos específicos

4. Elija los métodos de análisis adecuados.

Los métodos comunes son los siguientes:

Filtrado adaptado (MF)

Minimización de energía restringida (CEM)

Estimador de coherencia adaptativo (ACE)

Mapeador de ángulo espectral (SAM)

Proyección de subespacio ortogonal (OSP)

Filtro de interferencia minimizada con restricciones de objetivo (TCIMF)

TCIMF sintonizado con mezcla (MTTCIMF)

Filtrado adaptado de mezcla sintonizada (MTMF)

5. Extracción del objetivo

Mediante el uso de un umbral basado en reglas o seleccionando nubes de puntos con puntuaciones MF altas y valores de inviabilidad bajos a partir de un diagrama de dispersión basado en puntuaciones MF y valores de inviabilidad, se pueden identificar los objetivos detectados.

6. Procesamiento posterior

Los pequeños cúmulos en los resultados se eliminan mediante métodos de procesamiento posterior a la clasificación (métodos convolucionales y cualitativos, etc.). Simultáneamente, se establece el número mínimo de píxeles del clúster en función del tamaño del objetivo para eliminar los pequeños cúmulos aislados. Se realizan vectorizaciones y otras transformaciones según sea necesario.

ESPACIO XIOPM

Resultados de la extracción

▲Composición en color real de imágenes hiperespectrales originales

▲ Zonas objetivo 1 y 2

▲ Zonas objetivo 3 y 4

▲ Área objetivo 5

▲ Curvas espectrales de cada objetivo y fondo

Como se observa en la imagen superior, las curvas espectrales de los objetivos 2 y 4 son relativamente similares, lo que sugiere que pertenecen al mismo tipo de embarcación. Si bien la identificación espectral hiperespectral es muy prometedora, aún existen varios desafíos para identificar embarcaciones en el mar.

1. Volumen y procesamiento de datos: La gran cantidad de datos generados por los sensores hiperespectrales requiere algoritmos de procesamiento eficientes y recursos informáticos.
2. Variabilidad espectral: Debido a la influencia de factores como la composición del material y la rugosidad de la superficie del mar, las características espectrales pueden variar, lo que requiere algoritmos de clasificación robustos.
3. Disponibilidad de datos: Para las aplicaciones marítimas, la adquisición de imágenes hiperespectrales de alta calidad es crucial para el entrenamiento y la validación de los modelos de clasificación.
4. Fusión de datos: Los datos hiperespectrales deben fusionarse con otras fuentes de información (como datos ópticos y de radar de alta resolución) para mejorar la precisión del reconocimiento.