Citation
Delgado Fernández, Alba
(2019).
Desarrollo de algoritmos para la detección de objetos ópticamente camuflados utilizando cámaras hiperespectrales embarcadas.
Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Telecomunicación (UPM), Madrid.
Abstract
Los sensores hiperespectrales son una tecnología con aplicaciones emergentes en el ámbito de la defensa y la seguridad. Las imágenes adquiridas por estos sensores contienen información espectral de cada píxel en múltiples bandas, generalmente más de 100, del rango visible e infrarrojo. De esta forma, las imágenes hiperespectrales permiten la detección potencial de objetos camuflados en el espectro visible gracias a las diferentes respuestas espectrales de los materiales en otras bandas. Por este motivo, el objetivo principal de este trabajo es el desarrollo y evaluación del funcionamiento de una cadena de procesado de imágenes hiperespectrales que permita la detección y clasificación de objetos ocultos que puedan ser indicios de actividades ilícitas. El trabajo realizado se enmarca dentro de las líneas de investigación en sistemas ISTAR (Intelligence, Surveillance, Target Acquisition and Reconnaissance), que son combinaciones de sensores y plataformas que proporcionan información avanzada de inteligencia. En la primera parte del trabajo, se lleva a cabo un estudio teórico sobre el funcionamiento de los sensores hiperespectrales, analizando sus principales características, las ventajas e inconvenientes de esta tecnología, sus principales aplicaciones y las plataformas en las que van embarcados. Por otro parte, se estudian los diferentes algoritmos que forman parte de la cadena de procesado propuesta para la detección y clasificación de objetos ocultos. Esta cadena de procesado realiza un preprocesamiento de los datos para reducir su dimensionalidad mediante el algoritmo PCA (Principal Component Analysis) y segmentar la imagen en regiones de características similares utilizando el algoritmo Mean-shift. Posteriormente, se lleva a cabo la detección de las anomalías mediante el algoritmo Reed-Xiaoli (RX) y su clasificación utilizando una base de datos de firmas espectrales de distintos materiales y algoritmos basados en sparse regression. Tras implementar la cadena de procesado completa en MATLAB, se ha evaluado su funcionamiento utilizando imágenes hiperespectrales sintéticas con anomalías generadas a partir de las firmas espectrales de cinco materiales (hierba, pino arena y asfalto como fondo de la imagen, y plástico como anomalía) obtenidas de la librería espectral USGS. Para ello, se han incluido, además, distintos efectos que degradan la calidad de la imagen hiperespectral ideal: ruido de adquisición para distintos niveles de SNRs (Signal-to-Noise Ratio), variaciones aleatorias de las firmas espectrales respecto de la firma contenida en la base de datos y mezcla de las firmas espectrales en los bordes de las zonas de cada material. Finalmente, se han procesado imágenes hiperespectrales y multiespectrales obtenidas de bases de datos públicas de los sensores AVIRIS y HYDICE y del satélite Sentinel-2, para comprobar el funcionamiento y las limitaciones de la cadena de procesado propuesta en imágenes reales con anomalías. Los resultados obtenidos ponen de manifiesto el gran potencial de la tecnología hiperespectral para la detección y clasificación de objetos ocultos y otros blancos de interés en relación a las cámaras de espectro visible o de infrarrojos.