A comparative study of target detection algorithms in hyperspectral imagery applied to agricultural crops in Colombia
dc.contributor.author | Camacho Velasco, Ariolfo | spa |
dc.contributor.author | Vargas García, César Augusto | spa |
dc.contributor.author | Arguello Fuentes, Henry | spa |
dc.date | 2016-07-01 | |
dc.date.accessioned | 2019-09-19T21:45:06Z | |
dc.date.available | 2019-09-19T21:45:06Z | |
dc.description | Background: (HSI) Hyperspectral Images contain high spectral resolution information, in hundreds of contiguous bands over a specific range of the electromagnetic spectrum. In science and industry, hyperspectral information is exploited by means of classification, anomaly and target detections algorithms. Specifically, in the last two decades a wide variety of hyperspectral target detection algorithms have been proposed. However, an optimal target detection algorithm with a remarkable performance over different kinds of targets and scenarios is still an active matter of research, due to the high spectral variability and diversity of real-world scenarios.Aim: This work presents a comparative study of target detection algorithms in hyperspectral imagery applied to agricultural crops in Colombia for evaluate performance in different scenarios.Method: The evaluations were performed on 20 real HSI acquired by the satellite Hyperion sensor, and 6 synthetic HSI with different noise levels. 5 synthetic targets were implemented; more than 115 spectral real signatures were extracted, 11 of those signatures were used as target in the testing process, allowing to characterize 5 agricultural crops of Colombian northeastern in 5 different areas.Results: The results show that the Adaptive Coherence Estimator (ACE) algorithm has a better performance in terms of detection probabilities PD > 90% for different scenarios and targets of agricultural type, in both synthetic and real images.Conclusions: In applications for target detection in HSI, it is critical to find an algorithm to have optimal performance for different scenarios and targets, due to the spectral variability generated by the geographical conditions countrywide. On the other hand, this work shows that is possible the development of new research fields and applications at the national level, taking advantage of hyperspectral imaging techniques for spectral detection, specifically for Colombian agriculture. | en-US |
dc.description | Contexto: Las imágenes hiperespectrales (HSI) contienen información en alta resolución espectral, en cientos de bandas contiguas sobre un rango del espectro electromagnético. Se ha tomado ventaja de la información espectral mediante algoritmos de clasificación, detección de cambios, de anomalías o detección de objetivos. Específicamente, en las dos últimas décadas han sido propuestos diferentes algoritmos para detectar objetivos en HSI. Sin embargo, encontrar un algoritmo de detección con un desempeño óptimo para diferentes escenarios y objetivos, aún es materia de investigación, debido a la alta variabilidad espectral y diversidad de escenarios del mundo real.Objetivo: La presente investigación realiza un estudio comparativo de algoritmos de detección de objetivos en imágenes hiperespectrales aplicados a la agricultura colombiana.Método: Las evaluaciones se realizaron sobre 20 HSI reales adquiridas por el sensor satelital Hyperion y 6 HSI sintéticas con diferentes niveles de ruido. En el desarrollo de la investigación se implantaron 5 objetivos sintéticos; y se extrajeron más de 115 firmas espectrales reales, 11 de ellas fueron usadas como objetivo en la evaluación de los algoritmos, permitiendo la caracterización de 5 cultivos agrícolas del nororiente colombiano en 5 áreas de estudio diferentes. Los resultados muestran que el algoritmo de Estimación de Coherencia Adaptativo (ACE) presenta un mejor desempeño con probabilidades de detección PD > 90% para diferentes escenarios y objetivos de tipo agrícola, tanto en imágenes sintéticas como reales.Conclusiones: En aplicaciones de detección de objetivos en HSI, es crítico encontrar un algoritmo que presente un rendimiento óptimo para diferentes escenarios y objetivos, debido a la variabilidad espectral generada por las diferentes condiciones geográficas de Colombia. Por otra parte, este trabajo permite mostrar que es posible realizar nuevas investigaciones y aplicaciones a nivel nacional tomando ventaja de las técnicas de imágenes hiperespectrales y algoritmos de detección espectral; específicamente en el sector de la agricultura colombiana. | es-ES |
dc.format | application/pdf | |
dc.format | text/html | |
dc.identifier | https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/10978 | |
dc.identifier | 10.14483/udistrital.jour.tecnura.2016.3.a06 | |
dc.identifier.uri | http://hdl.handle.net/11349/20963 | |
dc.language | eng | |
dc.publisher | Universidad Distrital Francisco José de Caldas. Colombia | es-ES |
dc.relation | https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/10978/11842 | |
dc.relation | https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/10978/11901 | |
dc.rights | Derechos de autor 2016 Revista Tecnura | es-ES |
dc.source | Tecnura Journal; Vol 20 No 49 (2016): July - September; 86-99 | en-US |
dc.source | Tecnura; Vol. 20 Núm. 49 (2016): Julio - Septiembre; 86-99 | es-ES |
dc.source | 2248-7638 | |
dc.source | 0123-921X | |
dc.subject | Hyperspectral Imaging | en-US |
dc.subject | Remote Sensing | en-US |
dc.subject | Spectral Properties of Vegetation | en-US |
dc.subject | Target Detection Algorithms. | en-US |
dc.subject | Algoritmo de Detección de Objetivos | es-ES |
dc.subject | Imágenes hiperespectrales | es-ES |
dc.subject | Propiedades Espectrales de la vegetación | es-ES |
dc.subject | Sensado Remoto | es-ES |
dc.title | A comparative study of target detection algorithms in hyperspectral imagery applied to agricultural crops in Colombia | en-US |
dc.title | Un estudio comparativo de algoritmos de detección de objetivos en imágenes hiperespectrales aplicados a cultivos agrícolas en Colombia | es-ES |
dc.type | info:eu-repo/semantics/article | |
dc.type | info:eu-repo/semantics/publishedVersion | |
dc.type.coar | http://purl.org/coar/resource_type/c_6501 |