Procesamiento paralelo de imágenes hiperespectrales utilizando arquitecturas de computación neuronal

Resumen

En los últimos años, la evolución en los sensores hiperespectrales ha supuesto un salto cualitativo en las aplicaciones orientadas a la observación remota de la tierra, introduciendo requerimientos computacionales muy elevados en un gran número de aplicaciones, Estos instrumentos se caracterizan por su capacidad para medir la radiación reflejada en una amplia gama de longitudes de onda, pudiendo registrar información en cientos de canales espectrales. La mayor parte de las aplicaciones hiperespectrales se basan en las técnicas de desmezclado espectral o spectral unmixing, que consisten básicamente en expresar cada píxel de la imagen mediante combinaciones de componentes puros (llamados endmembers), permitiendo un análisis sub-pixel de los datos. Para resolver este problema, tradicionalmente se han utilizado técnicas basadas en modelos lineales de mezcla, que simplifican el problema de la mezcla asumiendo que todos los componentes puros interactúan de forma lineal. En aplicaciones reales, este tipo de modelos pueden producir errores elevados en el proceso de cuantificación de los materiales presentes en la escena, siendo preciso utilizar técnicas basadas en modelos no lineales de mezcla para estimar correctamente la abundancia de componentes puros en píxels mezcla, con el inconveniente añadido de una mayor complejidad computacional durante el proceso de caracterización. En este trabajo se presentan una serie de métodos basados en computación neuronal que resuelven de forma efectiva el problema anteriormente descrito. Además, se desarrolla un conjunto de algoritmos que minimizan el número de muestras necesarias para entrenar correctamente los modelos neuronales propuestos, seleccionando los patrones de entrenamiento atendiendo a la información relativa a la mezcla que contienen. Aprovechando el alto grado de paralelismo inherente a los modelos de computación neuronal empleados, así como la alta dimensionalidad de los datos procesados, se han desarrollado implementaciones paralelas de todos los métodos propuestos siguiendo diferentes y novedosos esquemas de particionamiento y comunicación. La evaluación de los métodos sobre escenas reales demuestra que el uso de arquitecturas basadas en computación neuronal mejora los resultados ofrecidos por el modelo lineal de mezcla, en aplicaciones tanto de clasificación como de desmezclado de datos hiperespectrales. Las versiones paralelas de los métodos propuestos han sido implementadas en diferentes arquitecturas paralelas, incluyendo un cluster Beowulf denominado Thunderhead y disponible en el centro NASA Goddard Space Flight Center en Maryland, y diferentes redes heterogéneas de computadores en la Universidad de Maryland.