Análisis de la aplicación del algoritmo rápido de desmezclado lineal de imágenes hiperespectrales (FUN) para el cálculo de abundancias en aplicaciones médicas

Abstract

El análisis de las imágenes hiperespectrales permite obtener información con una gran resolución espectral: cientos de bandas repartidas desde el espectro infrarrojo hasta el ultravioleta. El uso de este tipo de imágenes ha tenido un gran impacto en el área de medicina, en concreto para este proyecto, en detección de los distintos tipos de cáncer. Dentro de este campo, el problema que se pretende resolver este trabajo es reducir el tiempo de computación real para la detección, en cuanto a los algoritmos de clasificación de las imágenes. Con relación a esta línea de investigación, se experimenta la funcionalidad del algoritmo FUN -Fast Algorithm for Linearly Unmixing Hyperspectral Images, algoritmo desarrollado por alumn@s del Instituto de Microelectrónica Aplicada de la Universidad de Las Palmas de Gran Canaria- aplicándolo en las imágenes hiperespectrales capturados en el laboratorio de quirófano. El resultado de este experimento se compara con el otro obtenido a partir del método de unmixing, SVM (Support Vector Machine). En concreto, este trabajo se divide en varias partes. La primera de ellas expone razonadamente los motivos que han llevado a comenzar este trabajo y los objetivos que se pretende conseguir. Tras esto, se hace un estudio del arte actual, basando en los conceptos importantes que se intervienen para este proyecto, tanto en la explicación de las máquinas de vectores soportes como en las imágenes hiperespectrales, además en PCA, el análisis de los componentes principales. La labor más importante, es el desarrollo del algoritmo FUN, tanto su seudocódigo como su implementación en Matlab para nuestro caso. Este algoritmo ha hecho posible reducir los cálculos necesarios para un proceso de desmezclaje de las imágenes. FUN utiliza principalmente el principio del método de Gram-Schmidt para calcular los estimados en base a las clases que se considere que tiene la imagen hiperespectral. Para utilizar ese método es muy importante la inicialización del primer endmember, el cuál se calcula a partir del centroide, que es el píxel primordial. Una vez expuesta la base teórica y sabiendo la importancia del centroide, se desarrolla unos métodos para el cálculo de éste. Los distintos centroides obtenidos serán introducidos al algoritmo FUN, con el fin de obtener las abundancias, con las cuales pueden hacer la clasificación de muestras imágenes. Después, se explican detalladamente los bases de datos que han entrado para este proyecto. Por último, se aportan una serie de observaciones y conclusiones tras analizar los resultados. Abstract: The analysis of hyperspectral images allows obtaining information with a high spectral resolution: hundreds of bands distributed from the infrared spectrum to the ultraviolet spectrum. The use of this type of images has had a great impact in the area of medicine, specifically for this project, in the detection of different types of cancer. Within this field, the problem that is intended to solve in this work is to reduce the real computation time for detection, in terms of image classification algorithms. In relation to this line of research, the functionality of the algorithm FUN -Fast Algorithm for Linearly Unmixing Hyperspectral Images, algorithm developed by students of the Institute of Applied Microelectronics of the University of Las Palmas of Gran Canaria is experimented applying it in the hyperspectral images which are captured in the operating room laboratory. The result of this experiment is compared with the other obtained from the unmixing method, SVM (Support Vector Machine). In particular, this work is divided into several parts. The first one gives a coherent explanation of the reasons that led to the beginning of this work and the objectives to be achieved. After this, the recent art of science is studied. The description of the important concepts that are involved for this project, both in explanation of the vectors of support vectors and in the hyperspectral images, in addition, the PCA, which is the analysis of the main components. The most vital production of this job is the development of the FUN algorithm. Its pseudocode and its implementation in Matlab are advanced for our case. This algorithm has made our program possible to reduce the calculations necessary for a process of unmixing the images. FUN mainly uses the principle of the Gram-Schmidt method to calculate the estimated endmembers. The number of estimations is depending on the classes that are considered to have in the hyperspectral image. To use this method, it is very important to initialize the first endmember, which is calculated from the centroide that is the primordial píxel. Once the theoretical basis is exposed, and knowing the importance of the centroide, some methods are developed to calculate it. The different centroides obtained will be introduced to the FUN, in order to obtain the abundances, with which they can make the classification of our images. Afterwards, the databases that have entered for this project are explained in detail. Finally, a series of observations and conclusions are provided after analyzing the results.