Análisis de Fourier para la detección de vegetación en imágenes hiperespectrales
Barra lateral del artículo
Contenido principal del artículo
Introducción: las imágenes hiperespectrales, a diferencia de las imágenes convencionales, están compuestas por numerosos canales que proporcionan información detallada sobre las firmas espectrales de los objetos. Esto permite identificar los materiales que los componen y, dada su potencialidad en la detección de cambios ambientales, se vuelve relevante la identificación de vegetación en entornos urbanos mediante métodos computacionales eficaces.
Objetivo: el objetivo de esta investigación es proponer un método computacional basado en análisis de Fourier para la detección de vegetación en imágenes hiperespectrales.
Metodología: la investigación se desarrolló en cuatro fases metodológicas: selección de tecnologías, obtención del píxel característico de vegetación, determinación de la similitud de fase entre el píxel característico y los píxeles de vegetación y no vegetación, validación del método en una imagen hiperespectral de prueba. Se implementó un método utilizando las librerías spectral y numpy de Python.
Resultados: el análisis de Fourier obtuvo una similitud de fase promedio de 89.89% y una similitud mínima de 64.54% entre el píxel característico de vegetación y 100 píxeles de vegetación de entrenamiento. Para los píxeles de no vegetación, la similitud de fase promedio fue de 42.19%, con una similitud máxima de 63.98%. Estos resultados indican que el método propuesto logra diferenciar adecuadamente entre píxeles de vegetación y no vegetación.
Conclusiones: los resultados demuestran que el método basado en análisis de Fourier puede identificar con precisión las zonas de vegetación en imágenes hiperespectrales, mostrando similitudes de fase que no se superponen entre vegetación y no vegetación. Esto valida la eficacia del enfoque propuesto en la detección de vegetación en entornos urbanos.
León-Pérez J. Imágenes hiperespectrales y sus aplicaciones en estudios de suelos, cultivos y bosques, en la era de la cuarta revolución industrial. Rev UD y la Geomática. 2021;(16):40–70.
Erturk A, Cesmeci D, Gullu MK, Gercek D, Erturk S. Endmember Extraction Guided by Anomalies and Homogeneous Regions for Hyperspectral Images. IEEE J Sel Top Appl Earth Obs Remote Sens [Internet]. 2014 Aug;7(8):3630–9. Available from: https://ieeexplore.ieee.org/document/6847728/ DOI: https://doi.org/10.1109/JSTARS.2014.2330364
Richards JA. Remote Sensing Digital Image Analysis [Internet]. Berlin, Heidelberg: Springer Berlin Heidelberg; 2013. Available from: https://link.springer.com/10.1007/978-3-642-30062-2
Camacho-Velasco A, Vargas-García CA, Rojas-Morales FA, Castillo-Castelblanco S, Arguello-Fuentes H. Aplicaciones y retos del sensado remoto hiperespectral en la geología colombiana. Rev Fac Ing. 2015;24(40):17–29. DOI: https://doi.org/10.19053/01211129.3845
Roman-Gonzales A. Análisis de imágenes hiperespectrales. Rev Ing Desarro. 2013;9(35):14–7.
Shaw GA, Burke HK. Spectral Imaging for Remote Sensing. Lincoln Lab J. 2003;14(1):3–28.
Cerra D, Muller R, Reinartz P. Noise Reduction in Hyperspectral Images Through Spectral Unmixing. IEEE Geosci Remote Sens Lett [Internet]. 2014 Jan;11(1):109–13. Available from: https://ieeexplore.ieee.org/document/6488723/ DOI: https://doi.org/10.1109/LGRS.2013.2247562
Liu J, Wu Z, Xiao L, Sun J, Yan H. Generalized Tensor Regression for Hyperspectral Image Classification. IEEE Trans Geosci Remote Sens [Internet]. 2020 Feb;58(2):1244–58. Available from: https://ieeexplore.ieee.org/document/8877994/ DOI: https://doi.org/10.1109/TGRS.2019.2944989
Paoletti ME, Hautt J., Plaza J, Plaza A. Estudio Comparativo de Tecnicas de Clasificación de Imágenes Hiperespectrales. Rev Iberoam Automática e Informática Ind. 2019;(16):129–37. DOI: https://doi.org/10.4995/riai.2019.11078
Diezma B, Lleó L, Herrero A, Lunadei L, Roger JM, Ruiz-Altisent M. La imagen hiperespectral como herramienta de evaluación de la calidad de hortaliza de hoja mínimamente procesada. In: VI Congreso Ibérico en Agroingeniería. 2011. p. 1–9.
Li J, Li Y, Wang C, Ye X, Heidrich W. BUSIFusion: Blind Unsupervised Single Image Fusion of Hyperspectral and RGB Images. IEEE Trans Comput Imaging [Internet]. 2023;9:94–105. Available from: https://ieeexplore.ieee.org/document/10037221/ DOI: https://doi.org/10.1109/TCI.2023.3241549
Fan Y, Ni D, Ma H. HyperDB: a hyperspectral land class database designed for an image processing system. Tsinghua Sci Technol [Internet]. 2017 Feb;22(01):112–8. Available from: http://ieeexplore.ieee.org/document/7830901/ DOI: https://doi.org/10.1109/TST.2017.7830901
Banerjee A, Burlina P, Diehl C. A support vector method for anomaly detection in hyperspectral imagery. IEEE Trans Geosci Remote Sens [Internet]. 2006 Aug;44(8):2282–91. Available from: http://ieeexplore.ieee.org/document/1661816/ DOI: https://doi.org/10.1109/TGRS.2006.873019
Bannari A, Pacheco A, Staenz K, McNairn H, Omari K. Estimating and mapping crop residues cover on agricultural lands using hyperspectral and IKONOS data. Remote Sens Environ [Internet]. 2006 Oct;104(4):447–59. Available from: https://linkinghub.elsevier.com/retrieve/pii/S0034425706002148 DOI: https://doi.org/10.1016/j.rse.2006.05.018
Lawrence RL, Wood SD, Sheley RL. Mapping invasive plants using hyperspectral imagery and Breiman Cutler classifications (randomForest). Remote Sens Environ [Internet]. 2006 Feb;100(3):356–62. Available from: https://linkinghub.elsevier.com/retrieve/pii/S0034425705003792 DOI: https://doi.org/10.1016/j.rse.2005.10.014
Soto Bohorquez JC, Ruiz Reyes JM, Ipanaque Alama W, Chinguel Alama C. New Hyperspectral Index for Determining the State of Fermentation in the Non-Destructive Analysis for Organic Cocoa Violet. IEEE Lat Am Trans [Internet]. 2018 Sep;16(9):2435–40. Available from: https://ieeexplore.ieee.org/document/8789565/ DOI: https://doi.org/10.1109/TLA.2018.8789565
Kokaly RF, Hoefen TM, Graham GE, Kelley KD, Johnson MR, Hubbard BE, et al. Mineral information at micron to kilometer scales: Laboratory, field, and remote sensing imaging spectrometer data from the orange hill porphyry copper deposit, Alaska, USA. In: 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) [Internet]. IEEE; 2016. p. 5418–21. Available from: http://ieeexplore.ieee.org/document/7730411/ DOI: https://doi.org/10.1109/IGARSS.2016.7730411
Fickus M, Lewis ME, Mixon DG, Peterson J. Compressive Hyperspectral Imaging for Stellar Spectroscopy. IEEE Signal Process Lett [Internet]. 2015 Nov;22(11):1829–33. Available from: http://ieeexplore.ieee.org/document/7115943/ DOI: https://doi.org/10.1109/LSP.2015.2433837
Della Porta CJ, Chang C-I. Progressive Compressively Sensed Band Processing for Hyperspectral Classification. IEEE Trans Geosci Remote Sens [Internet]. 2021 Mar;59(3):2378–90. Available from: https://ieeexplore.ieee.org/document/9123599/ DOI: https://doi.org/10.1109/TGRS.2020.3000873
Fen Chen, Ting Feng Tang, Ke Wang. Low-Rank Decomposition Model for Adaptive Identification of Similar Neighboring Pixels in Hyperspectral Images. IEEE Geosci Remote Sens Lett [Internet]. 2016 Feb;13(2):172–6. Available from: http://ieeexplore.ieee.org/document/7360895/ DOI: https://doi.org/10.1109/LGRS.2015.2504426
Wu Z, Shi L, Li J, Wang Q, Sun L, Wei Z, et al. GPU Parallel Implementation of Spatially Adaptive Hyperspectral Image Classification. IEEE J Sel Top Appl Earth Obs Remote Sens [Internet]. 2018 Apr;11(4):1131–43. Available from: https://ieeexplore.ieee.org/document/8066284/ DOI: https://doi.org/10.1109/JSTARS.2017.2755639
Krug LA, Platt T, Sathyendranath S, Barbosa AB. Ocean surface partitioning strategies using ocean colour remote Sensing: A review. Prog Oceanogr. 2017 Jun;155:41–53. DOI: https://doi.org/10.1016/j.pocean.2017.05.013
Rani M, Masroor M, Kumar P. Remote sensing of Ocean and Coastal Environment – Overview. In: Remote Sensing of Ocean and Coastal Environments. Elsevier; 2021. p. 1–15. DOI: https://doi.org/10.1016/B978-0-12-819604-5.00001-9
Wetherley EB, Roberts DA, Tague CL, Jones C, Quattrochi DA, McFadden JP. Remote sensing and energy balance modeling of urban climate variability across a semi-arid megacity. Urban Clim. 2021 Jan;35:100757. DOI: https://doi.org/10.1016/j.uclim.2020.100757
Ganci G, Cappello A, Bilotta G, Del Negro C. How the variety of satellite remote sensing data over volcanoes can assist hazard monitoring efforts: The 2011 eruption of Nabro volcano. Remote Sens Environ. 2020 Jan;236:111426. DOI: https://doi.org/10.1016/j.rse.2019.111426
Fu X, Yao L, Xu W, Wang Y, Sun S. Exploring the multitemporal surface urban heat island effect and its driving relation in the Beijing-Tianjin-Hebei urban agglomeration. Appl Geogr. 2022 Jul;144:102714. DOI: https://doi.org/10.1016/j.apgeog.2022.102714
Chanchí Golondrino GE, Ospina Alarcón MA, Saba M. Vegetation Identification in Hyperspectral Images Using Distance/Correlation Metrics. Atmosphere (Basel) [Internet]. 2023 Jul 14;14(7):1148. Available from: https://www.mdpi.com/2073-4433/14/7/1148 DOI: https://doi.org/10.3390/atmos14071148
Saha D, Manickavasagan A. Machine learning techniques for analysis of hyperspectral images to determine quality of food products: A review. Curr Res Food Sci. 2021;4:28–44. DOI: https://doi.org/10.1016/j.crfs.2021.01.002
Spilsbury MJ, Euceda A. Transformada Rápida de Fourier. Rev la Esc Física. 2016;4(2):45–52. DOI: https://doi.org/10.5377/ref.v4i2.8276
Bonafonte A. Señales y Sistemas I. Signals. Catalunya: Universidad politécnica de Catalunya; 2009. 1–81 p.
- Yineth García-Díaz, Ramon Torres Ortega, Manuel Saba, Edgar Quiñones-Bolaños, Jesús Torres-Sanchez, Efecto combinado de nano-sílice y humo de sílice para mejorar la trabajabilidad del concreto y la resistencia a la compresión: un estudio de caso , Ingeniería y Competitividad: Vol. 25 Núm. 1 (2023): Ingeniería y Competitividad.
Aceptado 2024-10-08
Publicado 2024-10-08
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
Los autores ceden los derechos patrimoniales a la revista y a la Universidad del Valle sobre los manuscritos aceptados, pero podrán hacer los reusos que consideren pertinentes por motivos profesionales, educativos, académicos o científicos, de acuerdo con los términos de la licencia que otorga la revista a todos sus artículos.
Los artículos serán publicados bajo la licencia Creative Commons 4.0 BY-NC-SA (de atribución, no comercial, sin obras derivadas).