Show simple item record

dc.contributor.advisorRamírez Ramos, Carlos Germánspa
dc.creatorParra Barreto, Álvaro Andrésspa
dc.date.accessioned2018-04-05T16:57:23Z
dc.date.available2018-04-05T16:57:23Z
dc.date.created2015spa
dc.identifier.urihttp://hdl.handle.net/11349/7860
dc.descriptionAl descubrir la interrelación entre el color, la frecuencia y la longitud de onda por William Herschel, se revelaron los principios usados para caracterizar la incidencia de la luz sobre los objetos [5], principios que hacen parte fundamental de la teledetección. La teledetección se ha convertido en una herramienta esencial para el estudio, seguimiento y comprensión de fenómenos no solo de la superficie terrestre sino también de los cuerpos celestes. Los sensores remotos han experimentado grandes avances, desde las primeras cámaras pancromáticas usadas para fotogrametría aérea, pasando por los scanner multiespectrales (transportados por satélites), hasta el sensor CASI (con una resolución espectral de 288 bandas [6]). Ese avance se refleja en su producto “la imagen”, la cual incrementó la cantidad de datos almacenados, pasando de multiespectral a hiperespectral; permitiendo de ese modo, mejorar la exactitud en la capacidad de análisis y síntesis, sin embargo, esto demanda mejores capacidades tanto software como hardware para realizar los procesos [37]. Dentro de las diferentes aplicaciones Software especializadas en procesar datos de sensores remotos o raster se conocen Erdas, Envi, Ilwis, Grass, entre otros; los dos primeros son comerciales y el último es Software libre. Los procesos más relevantes que permiten estos software son: la manipulación de información raster y vector, georreferenciación y segmentación de imágenes, análisis espectrales y la clasificación de imágenes [11] [35]. Los datos raster o imágenes se encuentran en diferentes formatos y tipos; los tipos más utilizados en la actualidad son los multiespectrales, pero desde la década pasada el análisis de imágenes hiperespectrales ha tenido gran actividad. La imagen hiperespectral es el producto del desarrollo tecnológico de los sensores espectrales [37]. La clasificación de las imágenes es una tarea que se realiza con el propósito de convertir datos cuantitativos en cualitativos [29], para lograrlo existen diferentes métodos que se han implementado en esta compleja tarea, los más relevante son: máxima probabilidad, Isodata, Fuzzy y, dentro de los algoritmos de inteligencia artificial están la retro-propagación y los árboles de decisiones [25] [8]. El tipo de imagen determina la forma de clasificación, para imágenes hiperespectrales los métodos que predominan son: Mapeo del Angulo Espectral, Análisis de Mezcla Espectral, Análisis de todo el Pixel, Montaje característica espectral, Análisis del Sub-Pixel, entre otros. El software Grass posee pocas herramientas para el procesamiento de imágenes hiperespectrales, especialmente que permita la clasificación por Mapeo del Ángulo Espectral (por sus siglas en ingles SAM, Spectral Anguler Mapper). Generando la necesidad de desarrollar una librería que permita esa clasificación en el software, migrando la ecuación SAM a un lenguaje de programación soportado por Grass para que se ejecute sobre su kernel; lo que permitirá que los usuarios accedan a una herramienta en software libre para realizar la clasificación SAM.spa
dc.description.abstractDiscovering the interrelation between color, frequency and wavelength by William Herschel, the principles used to characterize incidence of light on objects [5], fundamental principles of remote sensing. Remote sensing has become an essential tool for the study, monitoring and understanding of phenomena not only of the earth's surface but also of the celestial bodies. Remote sensors have made great strides, from the very first panchromatic cameras used for aerial photogrammetry, multispectral scanner (transported by satellites), to the CASI sensor (with a spectral resolution of 288 bands [6]). This progress is reflected in your product "Image", which increased the amount of data stored, from multispectral to hyperspectral; thereby allowing for improved accuracy in the capacity for analysis and synthesis, however, this demands better capabilities both software and hardware to perform the processes [37]. Within the different applications Software specialized in processing data of remote or raster sensors are known Erdas, Envi, Ilwis, Grass, among others; the first two are commercial and the last one is free software. The most that allow these software are: the manipulation of raster information and vector, georeferencing and segmentation of images, spectral analyzes and image classification [11] [35]. Raster data or images are in different formats and types; the types currently used are multispectral, but since the In the past decade, the analysis of hyperspectral images has been very active. The hyperspectral image is the product of the technological development of spectral sensors [37]. The classification of the images is a task that is done with the purpose of quantitative data to qualitative [29], to achieve this there are different methods that have been implemented in this complex task, the most relevant are: maximum likelihood, Isodata, Fuzzy and, within the algorithms of intelligence artificial are retro-propagation and tree-making [25] [8]. The type of image determines the form of classification, for images the most prevalent methods are: Spectral Angle Mapping, Analysis of Spectral Mixture, Analysis of the whole Pixel, Montage characteristic Spectral Analysis, Sub-Pixel Analysis, among others. Grass software has few tools for image processing hyperspectral, especially that allows the classification by Mapping of the Spectral Angle (SAM, Spectral Anguler Mapper). Generating the need to develop a library that allows this classification in the software, migrating the SAM equation to a programming language supported by Grass to run on your kernel; which will allow users to access a free software tool to perform the classification SAM.spa
dc.format.mimetypepdfspa
dc.language.isospaspa
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectMapeospa
dc.subjectCódigo abiertospa
dc.subjectImágenes hiperespectralesspa
dc.subjectÁngulo espectralspa
dc.titleDesarrollo de microorganismos Desarrollo de una librería en código libre para clasificar imágenes hiperespectrales por mapeo del ángulo espectralspa
dc.subject.lembIngeniería Catastral y Geodesia - Tesis y disertaciones académicasspa
dc.subject.lembProcesamiento digital de imágenesspa
dc.subject.lembFotogrametría aéreaspa
dc.subject.lembDetección a distanciaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.title.titleenglishDevelop of a free code library to classify images hyper spectral spectral angle mappingspa
dc.subject.keywordMappingspa
dc.subject.keywordOpen sourcespa
dc.subject.keywordHyperespectral imagesspa
dc.subject.keywordSpectral anglespa
dc.type.degreeCreación o Interpretaciónspa
dc.rights.accesoAbierto (Texto Completo)spa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 4.0 Internacional
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 4.0 Internacional