Segmentación en imágenes hiperespectrales

Abstract

La presente investigación tiene como principal objetivo la exploración y utilización de diversas técnicas de segmentación semántica utilizando información hiperespectral, es decir, información que contempla no sólo el espectro visible, sino que, además, contempla el espectro infrarrojo. Para lograr este objetivo se implementarán las técnicas de segmentación utilizando la distancia euclidiana como métrica de comparación de píxeles y el enfoque del algoritmo watershed. Además, se utilizarán técnicas de aprendizaje de máquina no supervisado con enfoque en agrupamiento, estas técnicas son HDBSCAN y k-means. Todo el desarrollo fue realizado utilizando el lenguaje de programación Python y la librería Sikit-learn. Los resultados mostraron que el algoritmo de k-means funciona particularmente bien en contextos de agroindustria, donde al contar con diferencias del espectro infrarrojo más marcadas en los elementos de interés, el algoritmo se ve fuertemente beneficiado del uso de tecnologías hiperespectrales. Se logró concluir que el uso de imágenes hiperespectrales presenta una clara ventaja respecto al uso de imágenes con canales RGB dada la información adicional entregada por el espectro infrarrojo, la cual permite una diferenciación mucho más precisa que la que ofrece únicamente el color. Esta investigación muestra que es posible tener un enfoque de segmentación fiable en caso de no contar con un conjunto de datos previamente etiquetados para poder utilizar técnicas más tradicionales como lo son redes neuronales.