Show simple item record

dc.contributorSalembier Clairon, Philippe Jean
dc.contributorAhlberg, Jörgen
dc.contributor.authorCubero Valentín, David
dc.contributor.otherUniversitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions
dc.date.accessioned2022-06-08T06:58:11Z
dc.date.available2022-06-08T06:58:11Z
dc.date.issued2022-01-31
dc.identifier.urihttp://hdl.handle.net/2117/368112
dc.description.abstractWith the advent of less expensive hyperspectral cameras, now hyperspectral images are increasingly used in many fields and thus, first, traditional machine learning tools should be exploited for its analysis. The project is focused on target detection to find similarities within a hyperspectral image, where we first implement the AMF, SAM and OSP detectors, where the OSP is shown to be superior. With this results, there are some distractors and noise items that the detectors are not capable of disregard. This is why we use machine learning, specifically K-Means as clustering technique, in order to remove useless information and possible noise, and then to apply the detectors only on the target cluster. Using K-Means + AMF/SAM Detector improves the results. On the contrary, with K-Means + OSP Detector the results get worse since K-Means provides a good clustering and thus, the target pixels are considered as background subspace instead of anomalies. Using new data, where K-Means does not provide good clustering, K-Means + OSP Detector provides better results than before although K-Means + AMF/SAM Detector stills being a bit better.
dc.description.abstractCon la llegada de cámaras hiperespectrales menos caras, ahora las imágenes hiperespectrales se utilizan cada vez más en muchos campos y, por lo tanto, en primer lugar, herramientas tradicionales del aprendizaje automático deberían ser explotadas para su análisis. El proyecto está enfocado en la detección de objetivos para encontrar similitudes en una imagen hiperespectral, donde primero implementamos los detectores AMF, SAM y OSP siendo el OSP el que mejor funciona. Con estos resultados, hay algunos distractores y elementos de ruido que los detectores no son capaces de ignorar. Es por eso que usamos el aprendizaje automático, especialmente K-Means como técnica de agrupación, para eliminar información inútil y posible ruido, y entonces aplicar los detectores solo en el grupo donde esta el objetivo. Utilizando K-Means + Detector AMF/SAM los resultados mejoran. En cambio, con K-Means + Detector OSP los resultados empeoran ya que K-Means hace un buena agrupación, y por lo tanto, los píxeles objetivo son considerados como subespacio de fondo en vez de anomalías. Usando nuevos datos donde K-Means no proporciona buena detección, K-Means + Detector OSP proporciona mejores resultados aunque K-Means + Detector AMF/SAM sigue siendo un poco mejor.
dc.description.abstractAmb l’arribada de càmeres hiperespectrals menys cares, ara les imatges hiperespectrals s’utilitzen cada cop més en moltes àrees i, per tant, en primer lloc, eines tradicionals de l’aprenentatge automàtic haurien de ser explotades per al seu anàlisis. El projecte es centra en la detecció d’objectius per trobar similituds en una imatge hiperespectral, on primer implementem els detectors AMF, SAM i OSP, sent l’OSP el que funciona millor. Amb aquests resultats, hi ha alguns distractors i elements de soroll que els detectors no són capaços d’ignorar. Es per això que utilitzem l’aprenentatge automàtic, especialment ´ K-Means com a tècnica d’agrupació, per tal d’eliminar informació inútil i possible soroll, i llavors aplicar els detectors només al grup on està l’objectiu. Utilitzant K-Means + Detector AMF/SAM els resultats milloren. En canvi, amb K-Means + Detector OSP els resultats empitjoren ja que K-Means fa un agrupament bo i, per tant, els pixels objectius són considerats com a subespai de fons en comptes d’anomalies. Utilitzant dades noves on K-Means no proporciona bons resultats, K-Means + Detector OSP ofereix millors resultats encara que K-Means + Detector AMF/SAM segueix sent una mica millor.
dc.language.isoeng
dc.publisherUniversitat Politècnica de Catalunya
dc.rightsS'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada'
dc.subjectÀrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic
dc.subject.lcshMachine learning
dc.subject.lcshDetectors
dc.subject.lcshComputer vision
dc.subject.otherMachine Learning
dc.subject.otherTarget Detection
dc.subject.otherImage Processing
dc.subject.otherComputer Vision
dc.subject.otherHyperspectral Images
dc.subject.otherAprendizaje automático
dc.subject.otherDetección de objetivos
dc.subject.otherProcesado de imagen
dc.subject.otherVisión por computador
dc.subject.otherImágenes Hiperespectrales
dc.titleMachine learning for analysis of hyperspectral images
dc.title.alternativeAprendizaje automático para análisis de imágenes hiperespectrales
dc.title.alternativeAprenentatge automàtic per anàlisis de imatges hiperespectrals
dc.typeBachelor thesis
dc.subject.lemacAprenentatge automàtic
dc.subject.lemacDetectors
dc.subject.lemacVisió per ordinador
dc.identifier.slugETSETB-230.164087
dc.rights.accessOpen Access
dc.date.updated2022-05-31T05:50:39Z
dc.audience.educationlevelGrau
dc.audience.mediatorEscola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona
dc.audience.degreeGRAU EN ENGINYERIA DE TECNOLOGIES I SERVEIS DE TELECOMUNICACIÓ (Pla 2015)
dc.contributor.covenanteeUniversitetet i Linköping


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record