An approach for the customized high-dimensional segmentation of remote sensing hyperspectral images

Abstract

El trabajo presenta una metodología para la segmentación personalizada de imágenes hiperespectrales de teledetección utilizando un enfoque basado en autómatas celulares multigradiente (MGCA) acoplado con un algoritmo evolutivo (ECAS-II). El trabajo aborda tres problemas principales en la segmentación de imágenes hiperespectrales: la necesidad de segmentaciones adaptadas a los requerimientos del usuario, la escasez de imágenes de referencia etiquetadas de manera adecuada y la pérdida de información que ocurre cuando se proyectan imágenes de alta dimensión en espacios de menor dimensión antes de la segmentación. La propuesta metodológica permite segmentar imágenes multidimensionales sin reducir su dimensionalidad, manteniendo la riqueza de la información espectral. Esta metodología se valida a través de experimentos con imágenes sintéticas y reales, mostrando una mejora significativa en la precisión de la segmentación en comparación con métodos tradicionales. El enfoque propuesto no solo reduce la dependencia de grandes conjuntos de datos etiquetados, sino que también facilita la adaptación del proceso de segmentación a necesidades específicas de los usuarios, utilizando un conjunto reducido de imágenes de entrenamiento de baja dimensión para generar segmentadores de alta dimensión. Este enfoque personalizado tiene aplicaciones potenciales en teledetección, vigilancia ambiental y gestión de recursos naturales, donde se requieren segmentaciones precisas y específicas según el contexto de la aplicación.