Professional Documents
Culture Documents
Valdiviezo Na JC
Valdiviezo Na JC
Reticulares Matriciales
por
obtener el grado de
DOCTOR EN CIENCIAS EN LA
ESPECIALIDAD DE ÓPTICA
en el
y Electrónica
Diciembre 2011
Tonantzintla, Puebla
Asesor:
⃝
c INAOE 2011
Image spectrometers, instruments that simultaneously register the spatial and spectral infor-
mation of an area under study, have given solution to problems related with the identication
of materials comprising a scene. However, one of the fundamental problems in the analysis of
spectral images is that many spectral pixels are conformed by spectral mixtures of dierent
materials. This research work is oriented toward the autonomous determination of constituent
materials of a scene from spectral images acquired at dierent wavelength intervals. Assuming
the spectrum collected at each image pixel is a linear combination of constituent materials
spectra, the objective is to determine a set of pixels with the spectrum of one material that can
be used to represent the mixtures. Geometrically, the spectral mixtures can be represented as
a convex set whose vertices correspond to those pixels with the spectrum of one material, while
any other pixel will be represented by the combination of pure pixels at dierent proportions.
The scaled column vectors of lattice transforms WXX and MXX allow to extract the vertices
of a minimum convex set enclosing most of the spectral pixels belonging to a multichannel
image, which are associated with the constituent materials spectra. In fact, once these vertices
have been determined, it is possible to quantify the spectral mixtures at each image pixel. This
study begins with the use of lattice transforms for the autonomous segmentation of satured
colors from color images. After, we extend the proposed technique for the analysis of multi-
spectral and hiperspectral images. In the multispectral case, we present results of pigments
identication from the multispectral collection of the Archimedes Palimpsest. In the second
case we present results in the determination of natural resources from two hyperspectral scenes
registered by a remote sensor.
i
Resumen
ii
Prólogo
iii
Serrano porque a lo largo de estos años sus conocimientos, consejos y apoyo me han ayudado
a cumplir esta meta, ahora más que un asesor de tesis es un amigo y un colega. A mis padres,
familia y amigos mi cariño y admiración porque con su apoyo hemos construido un sueño.
J. C. Valdiviezo INAOE iv
Dedicatorias
A mis padres: Rogelio Valdiviezo Román y Mercedes Navarro Martínez quienes con
su amor y ejemplo me han enseñado a caminar por la vida.
A todos mis amigos que han sido parte de mi familia sin importar las distancias
o fronteras: Georgina, Nora, Sarah, Konni y los señores Josena, Rosario e Isidro
comienzan.
Jim Rohn
v
Índice general
1. Introducción 1
1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1. Objetivos particulares . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Avances recientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1. Técnicas basadas en geometría convexa . . . . . . . . . . . . . . . . . . 5
1.5. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.1. Propuesta de solución . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.2. Estructura del trabajo de tesis . . . . . . . . . . . . . . . . . . . . . . . 10
2. Fundamentos de Espectroscopía 16
2.1. Principios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1. La radiación electromagnética . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.2. Interacción materia-energía . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.3. Espectros de emisión y absorción . . . . . . . . . . . . . . . . . . . . . 19
2.1.4. Reectancia, absortancia y transmitancia . . . . . . . . . . . . . . . . . 21
2.1.5. Características espectrales de la vegetación . . . . . . . . . . . . . . . . 21
2.2. Espectrómetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1. Resolución del monocromador . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2. Espectrómetro de línea BRC111A . . . . . . . . . . . . . . . . . . . . 27
2.2.3. Calibración del instrumento . . . . . . . . . . . . . . . . . . . . . . . . 29
vi
ÍNDICE GENERAL
3. Fundamento Matemático 47
3.1. Álgebra reticular minimax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.1. Ejemplos de retículos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.1.2. Conceptos generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.1.3. Operaciones matriciales . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.1.4. Independencia reticular . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2. Geometría de conjuntos convexos . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2.1. Convexidad e independencia afín . . . . . . . . . . . . . . . . . . . . . 53
3.2.2. Simplex multidimensionales . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.3. Modelo de mezclado lineal . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3. Memorias asociativas reticulares . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3.1. Propiedades algebraicas . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3.2. Propiedades geométricas . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3.3. Criterios para evaluar independencia afín . . . . . . . . . . . . . . . . . 62
3.3.4. Determinación de puntos extremos con W y M . . . . . . . . . . . . . 64
7. Conclusiones 135
7.1. Conclusiones generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.2. Aportaciones de esta investigación . . . . . . . . . . . . . . . . . . . . . . . . . 138
J. C. Valdiviezo INAOE ix
Índice de guras
x
ÍNDICE DE FIGURAS
tonos de gris de las fracciones de color determinadas a partir de las columnas de W . Segunda
el nivel de gris asignado y el valor numérico es el siguiente: 1 = blanco, 0.5 = gris medio, 0.33
segunda la: imágenes conformadas por las segmentaciones de los pimientos rojos y verdes y
las porciones de luz reejada producidas por W y M para cada espacio de color. . . . . . . 87
J. C. Valdiviezo INAOE xi
ÍNDICE DE FIGURAS
e imagen de los pimientos cuantizada a 16 niveles de gris; segunda la: imágenes de bordes
mentos. Derecha: imagen en falso color realizada mediante la composición de las componentes
dencia de estos puntos es: pigmento 1 = w11 , pigmento 2 = m1 y cuero = m11 . . . . . . . 109
5.4. Imágenes de las abundancias de los materiales constituyentes del palimpsesto determinados
a partir de W y M. Izquierda: texto escrito en el siglo XII (pigmento 2); centro: texto escrito
Primera la, de izquierda a derecha: subimagen del manuscrito desplegada en color verdadero,
composición en falso color utilizando PCA. Segunda la, izquierda a derecha: resultados del
agrupamiento por medias-K , mapas de abundancia que corresponden a los dos tipos de es-
6.1. Dos tipos de sistemas de barrido usados para capturar una escena hiperespectral; el
número de bandas espectrales está determinado por los detectores que cubren inter-
Izquierda: imagen formada por la combinación de las bandas 54 (rojo), 34 (verde) y 14 (azul).
6.3. Espectros de tres puntos extremos determinados con W y M en el cubo hiperespectral del
Golfo de México. Los valores de columna seleccionados a partir de W ∪M son: w2 , w24 , w54 . 125
6.4. Espectros de tres puntos extremos obtenidos con el algoritmo VCA en el cubo hiperespec-
tral del Golfo de México. Los vectores columna sj para j = 1, . . . , 5 indican las columnas
correspondientes de S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
6.5. Imágenes a color de la escena hiperespectral de Beltsville. Izquierda: imagen formada por la
Beltsville. Los vectores columna seleccionados a partir de W ∪M son: w24 , w37 , w47 , w64 . 128
6.7. Espectros de cuatro puntos extremos obtenidos con el algoritmo VCA en el cubo hiperespectral
de la matriz S. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
6.8. Mapas de abundancia en color de los recursos naturales determinados con la identicación
autónoma de puntos extremos en el cubo hiperspectral del Golfo de México. Izquierda: abun-
corresponde a amarillo = w2 , magenta = w24 , verde = w43 , azul = w54 . Derecha: abundan-
cias de tres puntos extremos determinados con VCA cuya distribución de colores es amarillo
cias de cuatro puntos extremos determinados con WM cuya distribución de colores corre-
sponde a magenta = w24 , amarillo = w67 , azul = m46 , verde = m62 . Derecha: abundancias de
cuatro puntos extremos determinados con VCA, cuya distribución de colores es magenta = s2 ,
J. C. Valdiviezo INAOE 1
Capítulo 1
Introducción
En este primer capítulo se presenta el área de estudio en el que se desarrollará este trabajo de
tesis y plantea el problema que se quiere resolver. Subsecuentemente se presentan los objetivos
generales y particulares que se desean alcanzar por medio de esta investigación. En una sección
siguiente se hace una descripción de técnicas conocidas y que han sido reportadas para resolver
en forma alternativa el problema considerado. Finalmente, para cerrar este capítulo, se hace
una descripción de la propuesta de solución, base de esta investigación.
1.1. Antecedentes
1
1.1. ANTECEDENTES
En años recientes, los instrumentos conocidos como espectrómetros han sido acoplados
a sistemas ópticos formadores de imagen, surgiendo así los denominados espectrómetros de
imagen ; este desarrollo conjunto ha permitido el avance en las técnicas para la adquisición de
imágenes en diferentes porciones del espectro electromagnético. Estos dispositivos registran
en forma de imagen la energía reejada o esparcida por un área u objeto, en un determinado
intervalo de longitudes de onda, ∆λ. De acuerdo con el número de bandas adquiridas, estos
dispositivos se pueden clasicar en: multiespectrales si el instrumento es capaz de registrar
decenas de bandas espectralmente anchas en intervalos distintos que no necesariamente son
continuos, o hiperespectrales cuando el instrumento adquiere cientos de bandas cuasi contiguas
y espectralmente angostas.
Una característica importante de las imágenes adquiridas con estas técnicas es que, al
apilar cada una de las bandas espectrales, se forma un cubo de datos en el que cada pixel
es considerado como un vector con información de las n bandas que conforman el cubo. Así,
cada pixel de la imagen contiene información de la reectancia de los objetos en diferentes
porciones del espectro electromagnético. Esta información o espectro colectado en cada pixel
puede ser utilizado para diferenciar e identicar los objetos presentes en dicha imagen. Esta
característica ha hecho posible que las imágenes multiespectrales e hiperespectrales puedan
ser utilizadas para gran cantidad de aplicaciones en áreas diversas.
En un principio, los espectrómetros de imagen fueron desarrollados para el monitoreo
y cuanticación de recursos naturales utilizando plataformas aéreas [2]; posteriormente, estos
instrumentos fueron aplicados con éxito en microscopía, biología y medicina para la detec-
ción de anomalías en células y tejidos orgánicos [15]. En los últimos años, los dispositivos
multiespectrales e hiperespectrales han demostrado ser una valiosa herramienta para la iden-
ticación de pigmentos en pinturas arqueológicas, así como en el realce de escrituras ocultas
en manuscritos antiguos que han sido preservados por el paso del tiempo [3, 8, 22]. Las apli-
caciones mencionadas son relevantes ya que representan técnicas no invasivas que permiten
analizar una escena mediante el registro único de su reectancia espectral.
J. C. Valdiviezo INAOE 2
1.2. PLANTEAMIENTO DEL PROBLEMA
En una imagen adquirida mediante técnicas espectrales existen dos parámetros impor-
tantes que se deben considerar para realizar un análisis apropiado: la resolución espacial y la
resolución espectral. La resolución espacial se reere al detalle mínimo que puede ser registrado
por la óptica del instrumento. La resolución espacial está también relacionada con el tamaño
físico que abarca un pixel de la imagen sobre la escena registrada. La resolución espectral se
reere al ancho espectral de las bandas registradas. Así por ejemplo, los dispositivos hipere-
spectrales, que tienen una alta resolución espectral, realizan el registro de cientos de bandas
espectralmente angostas donde ∆λ ≤ 10 nm, que permiten comparar directamente el espectro
colectado en cualquier pixel de la imagen con algún espectro de referencia. Esta es una ven-
taja importante sobre los dispositivos multiespectrales, en los que la resolución espectral está
alrededor de 50 nm. Por su parte, la resolución espacial está en función de los componentes
ópticos y el mecanismo de adquisición que se utilice para el registro de la imagen. Ambas car-
acterísticas están relacionadas con el tipo de aplicación para el cual se requiere el instrumento
como, por ejemplo, monitoreo terrestre o análisis citológicos.
En diversas aplicaciones orientadas a la identicación de los materiales presentes en la
imagen, el proceso se diculta debido a la presencia de espectros mezclados en muchos de los
pixeles; estas mezclas pueden originarse por dos razones. Primero, cuando la resolución espacial
del dispositivo es baja los pixeles de la imagen cubren una extensión física grande, lo que
conlleva a que la reectancia colectada esté compuesta por mezclas de espectros de diferentes
materiales en la zona. Además, las mezclas espectrales pueden ser causadas por la naturaleza
misma de los materiales que puedan estar combinados en una mezcla homogénea, como es el
caso del agua de mar o la arena. Por tanto la dicultad en el análisis de imágenes adquiridas
con técnicas espectrales radica en la determinación de pixeles en la imagen que contengan el
espectro de reectancia de un único material. Al conjunto de pixeles que contienen el espectro
más puro de un único material se les denomina miembros nales o puntos extremos [14].
En algunas aplicaciones donde se tiene conocimiento de los objetos que conforman la
escena es posible registrar el espectro de éstos con un espectrómetro de campo y utilizarlo para
identicarlos en la imagen. Sin embargo, en muchas otras aplicaciones se requiere determinar
J. C. Valdiviezo INAOE 3
1.3. OBJETIVO GENERAL
estos pixeles puros directamente desde la imagen, lo que hace necesario el uso de una técnica
autónoma para determinar el conjunto de puntos extremos.
Por otra parte, con el propósito de cuanticar los componentes presentes en una escena
es necesario representar las mezclas de espectros utilizando una representación matemática.
Un modelo frecuentemente utilizado para este análisis es el modelo de mezclado lineal con
Aplicar las técnicas y propiedades desarrolladas en el contexto del álgebra reticular mini-
max para el análisis y segmentación de imágenes en color, multiespectrales e hiperespectrales
con base a la localización de sus puntos extremos.
J. C. Valdiviezo INAOE 4
1.4. AVANCES RECIENTES
En años recientes diversas técnicas basadas en geometría convexa han sido desarrolladas
con el propósito de determinar, de manera autónoma, el conjunto de pixeles más puros, que
a su vez corresponde a los materiales que conforman la imagen. Cada técnica está basada en
algun criterio particular de selección. En las siguientes líneas serán descritos los métodos más
importantes.
Índice de pureza de pixel (Pixel purity index, PPI). El método realiza una reducción
de bandas del cubo de datos y continúa mediante repetidas proyecciones de los datos sobre
vectores unitarios aleatorios no paralelos (llamados skewers ). Los puntos extremos en cada
proyección se marcan y se almacena en un contador, el número de veces que un pixel se
determina como extremo. El resultado nal del conteo se utiliza para identicar los pixeles
más puros en la escena y éstos, a su vez, se comparan con espectros de referencia [4, 5]. Debido a
que no hay un criterio para seleccionar el número de vectores unitarios, este procedimiento debe
realizarse a prueba y error, lo que resulta en una alta complejidad computacional. Además,
esta técnica no garantiza que los vectores nales generados sean puntos extremos, por lo que
puede considerarse como una aproximación.
J. C. Valdiviezo INAOE 5
1.4. AVANCES RECIENTES
Análisis de cono convexo (Convex cone analysis, CCA). La técnica toma de base el hecho
de que cantidades físicas, como la radiancia, son estrictamente no-negativas y asume que los
vectores formados por estos espectros residen dentro de una región convexa. Así, con uno de
sus vértices en el origen, esta región dene un cono. De esta manera, el objetivo es encontrar
la frontera de esta región convexa. En el procedimiento se calcula una matriz de correlación a
partir de la imagen y se calculan los eigenvectores de la matriz por medio de la descomposición
de valores singulares (singular value decomposition, SVD). En esta descomposición se utiliza
una matriz de correlación y se seleccionan los eigenvectores relacionados con los eigenvalores
más grandes. La combinación lineal de estos eigenvectores produce vectores no-negativos. Es
posible entonces encontrar un conjunto de coecientes que produzcan una combinación lineal
y que contengan algunos elementos igual a cero y los demás estrictamente no-negativos. Estos
puntos representan los vértices del cono, cuyos espectros pueden ser usados como miembros
nales. Al utilizar esta técnica se necesita conocer a priori el número de componentes de
interés, el cual no debe ser mayor a la dimensionalidad de los datos. Asimismo, la complejidad
computacional del algoritmo es alta [13].
Algoritmo N-FINDR. Este método está basado en el hecho de que en un arreglo n-dimensional
de pixeles espectrales los pixeles puros denen el simplex de volumen más grande. La técnica
determina el conjunto de pixeles que forman el volumen más grande posible al inar un sim-
plex dentro de los datos. Siendo la entrada el cubo de datos completo, el algoritmo comienza
con un conjunto aleatorio de vectores y una matriz E de miembros nales. Para realizar una
buena estimación, cada pixel de la imagen debe ser evaluado; para ello, se calcula el volumen
de cada uno reemplazando cada punto extremo por un pixel en la posición del primero. Si el
reemplazo resulta en un incremento del volumen, el pixel reemplaza al punto extremo dado.
El procedimiento se repite hasta que no haya más reemplazos de puntos extremos. Una vez
que los pixeles puros se han encontrado, sus espectros pueden ser usados para separar las
mezclas en la imagen original. Una dicultad con este método se presenta cuando hay pixeles
mezclados cuyo brillo es más alto que los pixeles puros, entonces el algoritmo los selecciona
como puntos extremos [23].
J. C. Valdiviezo INAOE 6
1.4. AVANCES RECIENTES
MVES). Este método comienza con un simplex de volumen más grande e iterativamente mueve
sus caras hacia la nube de datos1 . En la técnica se utilizan análisis convexo y técnicas de
optimización para desarrollar un algoritmo de separación hiperespectral. El uso del análisis
convexo está motivado por el hecho de que conceptos tales como casco afín y casco convexo,
1 Esta idea fue propuesta por Craig et al. en [9].
J. C. Valdiviezo INAOE 7
1.5. METODOLOGÍA
son adecuados para el análisis de este problema. El procedimiento realizado por el método
se resume como sigue. Primero se realiza una reducción en la dimensionalidad de los pixeles
observados por medio de un concepto de análisis convexo denominado ajuste de conjunto afín.
1.5. Metodología
J. C. Valdiviezo INAOE 8
1.5. METODOLOGÍA
J. C. Valdiviezo INAOE 9
1.5. METODOLOGÍA
J. C. Valdiviezo INAOE 10
1.5. METODOLOGÍA
J. C. Valdiviezo INAOE 11
1.5. METODOLOGÍA
las características de los datos hiperespectrales. Más adelante, se introduce una modicación
necesaria al método basado en las memorias autoasociativas para poder determinar el conjunto
de puntos extremos en este tipo de imágenes. Subsecuentemente, los mapas de abundancias
de los materiales se presentan para cada punto extremo determinado. Este capítulo concluye
mediante una comparación de los puntos extremos determinados con el método W y M y
el algoritmo VCA. El trabajo de tesis naliza con el capítulo 7 en el que se resumen las
conclusiones principales y se comenta la dirección del trabajo futuro.
J. C. Valdiviezo INAOE 12
Bibliografía
[3] Bearman G., Zuckerman B., Zucherman K., Chiu J., Multi-spectral digital imaging of Dead Sea
scrolls and other ancient documents, JPL Technical Report, California Institute of Technology,
1995.
[4] Boardman J.W., Automated spectral unmixing of AVIRIS data using convex geometry concepts,
AVIRIS Workshop Proceedings, JPL Publication, Vol. 1, No. 4, pp. 1114, 1993.
[5] Boardman J.W. and Kruse F.A., Automated spectral analysis: A geological example using
AVIRIS data, Northern Grapevine Mountains, Nevada, Proc. 10th Thematic Conference, Ge-
ologic Remote Sensing, San Antonio, TX, 1994.
[6] Chan T.H., Chi C.Y., Huang Y.M., Ma W.K., A convex analysis based minimum-volume enclos-
ing simplex algorithm for hyperspectral unmixing, IEEE Trans. on Signal Processing, Vol. 57,
[7] Chang C.-I, Hyperspectral Imaging: Techniques for Spectral Detection and Classication, Vol. 1,
[8] Chang C.I., Wu C.C., Liu W.M., Ouyang Y.C., A new growing method for simplex based ex-
traction endmember algorithm, IEEE Trans. on Geoscience and Remote Sensing, Vol. 44, No.
13
BIBLIOGRAFÍA
[9] Craig M.D.,Minimum-volume transforms for remotely sensed data, IEEE Trans. Geoscience and
Remote Sensing, Vol. 32, No. 3, pp. 542552, 1994.
[10] Easton R.L., Knox K.T., Christens-Barry W.A., Multispectral imaging of the Archimedes
[11] Graña M., Gallego J., Hyperspectral image analysis with associative morphological memories,
[12] Gonzalez R.C., Woods R.E., Digital Image Processing, 3rd edition, Pearson Education, pp. 331,
567569, 2008.
[13] Ifarraguerri A., Chang C.-I, Multispectral and hyperspectral image analysis with convex cones,
IEEE Trans. on Geoscience and Remote Sensing, Vol. 37, No. 2, pp. 756770, 1999.
[14] Keshava N., A Survey of spectral unmixing algorithms, Lincoln Laboratoy Journal, Vol. 14, No.
1, pp. 5574, 2003.
[15] More K.A., Spectrometers. In: Encyclopedia of Modern Optics, Robert D. Guenther editor, Vol.
1, pp. 324336, Elsevier, Academic Press, 2005.
[16] Nascimento J.M.P., Bioucas-Díaz J.M., Vertex component analysis: a fast algorithm to unmix
hyperspectral data, IEEE Trans. on Geoscience and Remote Sensing, Vol. 43, No. 4, pp. 898910,
2005.
[17] Plaza A., Martínez P., Pérez R., Plaza J., Spatial/spectral endmember extraction by multidi-
mensional morphological operations, IEEE Trans. on Geoscience and Remote Sensing, Vol. 49,
[18] Ritter G. X., Sussner P., Diaz de Leon J. L., Morphological associative memories, IEEE Trans.
Neural Networks, Vol. 9, No. 2, pp. 281293, 1998.
[19] Ritter G.X., Urcid G., Iancu L., Reconstruction of patterns from noisy inputs using morpho-
logical associative memories, Jour. of Math. Imag. and Vis., Vol. 19, No. 2, pp. 95111, 2003.
[20] Ritter G.X., Schmalz M.S., Urcid G., Ecient autonomous endmember determination using
lattice auto-associative memories, WSC Proc. of the 10th Joint Conference on Information Sci-
ences, pp. 16321638, 2007.
J. C. Valdiviezo INAOE 14
BIBLIOGRAFÍA
[21] Valdiviezo J.C., Urcid G., Hyperspectral endmember detection based on strong lattice indepen-
dence, SPIE Proc.: Applications of Digital Image Processing XXX, Vol. 6696, pp. 669625:112,
2007.
[22] Ware G.A., Chabries D.M., Christiansen R.W., Brady J.E., Martin C.E., Multispectral Analysis
of Ancient Maya Pigments: Implications for the Naj Tunich Corpus, IEEE Proc.: IGARSS, Vol
[23] Winter M.E., N-FINDR: An algorithm for fast autonomous spectral endmember determination
J. C. Valdiviezo INAOE 15
Capítulo 2
Fundamentos de Espectroscopía
2.1. Principios
La espectroscopía es un área de estudio importante cuyas técnicas han sido aplicadas con
éxito en áreas diversas como astronomía, biología, química y, en los últimos años, la percepción
remota. Formalmente, la espectroscopía consiste en el estudio de la materia y su interacción
con la energía radiante o radiación [15]. Las primeras aplicaciones de este campo de estudio
están relacionadas con la identicación de sustancias a partir del espectro de energía emitido
o absorbido. En la actualidad, las aplicaciones de la espectroscopía incluyen la medición de la
composición química, así como las propiedades físicas de diversos materiales.
16
2.1. PRINCIPIOS
J. C. Valdiviezo INAOE 17
2.1. PRINCIPIOS
22 19 16 13 11 9
10 10 10 10 10 10 10 3
n(Hz)
Por otra parte, la radiación transmitida puede ser absorbida por las moléculas del
material en ciertas longitudes de onda; a este fenómeno se le conoce como absorción y depende
de la constitución química del material. Finalmente, la energía que es absorbida por el material
se transforma en energía calórica que aumenta su temperatura; a su vez, esta energía puede
J. C. Valdiviezo INAOE 18
2.1. PRINCIPIOS
ser emitida en forma de radiación. A dicho fenómeno se le conoce como emisión, en donde la
longitud de onda emitida dependerá de la temperatura del material.
E = hν, (2.2)
1. Los electrones sólo tienen ciertos niveles de energía que corresponden a distancias desde
el núcleo. En estos niveles de energía, el electrón no perderá o absorberá energía.
J. C. Valdiviezo INAOE 19
2.1. PRINCIPIOS
3. Los átomos tienden a estar en el estado de energía más bajo posible, llamado estado
base.
En efecto, para que un electrón cambie a un nivel de energía más alto se necesita aplicar una
determinada cantidad de energía. Si la cantidad de energía recibida es suciente, el electrón
cambiará a un nuevo estado como resultado de una absorción. Una vez que el electrón está
en una órbita más alta, éste posee energía potencial. Después de un tiempo corto el electrón
regresa a un nivel de energía más bajo, emitiendo radiación. La cantidad de radiación emitida
es una función del fotón de energía absorbido.
En la actualidad se ha comprobado que cuando una molécula interacciona con la ra-
diación, un cuanto de energía o fotón se emite o absorbe. Así, el cambio de energía para
una molécula entre los niveles E1 y E2 , donde E1 ≥ E2 , puede ocurrir suministrando la en-
ergía apropiada ∆E = E1 − E2 . La frecuencia de emisión o absorción de radiación para una
transición entre estos estados de energía está dada por,
E1 − E2
ν= . (2.3)
h
Lo anterior explica que para una molécula que se encuentra en el estado E2 y recibe radiación
electromagnética con frecuencia ν , la energía será absorbida y la molécula pasará al estado E1
[2]. Las absorciones de energía ocurren cuando la frecuencia de la energía incidente es igual a
la frecuencia de resonancia del átomo o molécula.
Los procesos de emisión y absorción selectiva de energía son utilizados para determinar
la composición química de las moléculas e identicar a los materiales. Al realizar un muestreo
de las líneas de energía emitidas por un material en función de la longitud de onda incidente
se tiene un espectro de emisión. Por otra parte, si el muestreo se realiza tomando en cuenta
las líneas de absorción en función de la longitud de onda incidente, el espectro se conoce como
espectro de absorción [2, 3].
J. C. Valdiviezo INAOE 20
2.1. PRINCIPIOS
τ (λ) y la absortancia α(λ), como la razón entre el ujo radiante reejado, transmitido o
absorbido, respectivamente por una supercie, y el ujo incidente a ésta, las cuales están
denidas por las relaciones
Esta ecuación implica que la energía radiante incidente debe conservarse ya sea que se reeje,
se trasmita a través del material, se disperse y sea absorbida para luego ser transformada en
alguna otra forma de energía.
J. C. Valdiviezo INAOE 21
2.1. PRINCIPIOS
donde la energía reejada por la supercie de la hoja es igual a la energía incidente menos
la energía absorbida directamente por la planta para realizar la fotosíntesis y la cantidad de
energía transmitida a través de la hoja.
Los factores dominantes que controlan la reectancia de las hojas en la porción visible
del espectro son los pigmentos conocidos como clorola a, b y β -caroteno. De esta manera,
cuando un fotón de luz llega a una molécula, ésta reeja algo de la energía o puede absorberla y
así entrar dentro de un estado excitado. Cada molécula absorbe o reeja sus propias longitudes
de onda características. En una planta verde común, las moléculas han evolucionado para
absorber longitudes de onda en la porción visible (350 a 700 nm) y son denominadas pigmentos.
J. C. Valdiviezo INAOE 22
2.2. ESPECTRÓMETROS
El espectro de absorción para un pigmento particular describe las longitudes de onda a las
cuales éste puede absorber luz y entrar a un estado excitado. Los pigmentos de clorola son
los más importantes en la planta pues absorben en las longitudes de onda de 430 y 660 nm
(clorola a ), y en 450 y 650 nm (clorola b ); estos espectros de absorción se pueden ver en la
gura 2.2. En efecto, la absorción más baja de las longitudes de onda verdes, comparada con
aquellas que corresponden al rojo y azul, hacen que las plantas en estado saludable las veamos
verdes.
clorofila b
clorofila a
Absortancia
2.2. Espectrómetros
J. C. Valdiviezo INAOE 23
2.2. ESPECTRÓMETROS
con ello la dirección de propagación de los rayos depende de la longitud de onda. Finalmente, la
radiación se enfoca nuevamente y el espectro consiste en una serie de imágenes monocromáticas
de la rendija de entrada. A la salida del instrumento es posible utilizar algún sistema de
detección para registrar el espectro.
J. C. Valdiviezo INAOE 24
2.2. ESPECTRÓMETROS
i1 d
i'
2
i
'
1 i
2
W
n P1
B
Figura 2.4: Estructura de un espectrómetro de prisma elemental, W denota el ancho del haz
de iluminación y P1 dene el primer plano principal.
J. C. Valdiviezo INAOE 25
2.2. ESPECTRÓMETROS
d
s
Figura 2.5: Perl de una rejilla líneal de difracción con N líneas; d es el periodo de la rejilla y
s es la separación entre líneas.
donde n es el índice de refracción del vidrio. Por otra parte, la dispersión angular resultante
se dene como dδm /dλ = (B/W )(dn/dλ), siendo B la longitud de la base del prisma, W el
ancho del haz de iluminación y n el índice de refracción. De acuerdo al criterio de Rayleigh se
dene el poder de resolución de un instrumento, Pr , como la longitud de onda más pequeña
que se puede resolver, dividida entre la longitud promedio en esa región espectral, ésto es,
λ λ dδm λ B dn
Pr = = = . (2.10)
∆λ dδm dλ dδm W dλ
J. C. Valdiviezo INAOE 26
2.2. ESPECTRÓMETROS
Así, el poder de resolución para una rejilla es igual al producto del orden m y el número de
líneas N en la rejilla.
Parámetro Especicación
Intervalo espectral 350 a 1050 nm
Tamaño del CCD 14 × 200µm
F# del espectrógrafo 3.0
Rejilla 700 líneas/mm
Dimensiones 97 × 65 × 32 mm
Tiempo de integración 9-65535 ms
Interfaz puerto USB 2.0
J. C. Valdiviezo INAOE 27
2.2. ESPECTRÓMETROS
Fuente de Punta de
iluminación Objeto
prueba
Espectrómetro Computadora
Figura 2.7: Diagrama de conexión de los componentes del espectrómetro de línea BRC111A.
J. C. Valdiviezo INAOE 28
2.2. ESPECTRÓMETROS
Figura 2.8: Arreglo utilizado para vericar la calibración por longitud de onda.
2 Los ltros pasabandas utilizados son de forma circular con un diámetro de 4.5 cm, cuentan con un ancho
J. C. Valdiviezo INAOE 29
2.2. ESPECTRÓMETROS
Tabla 2.2: Comparación de las longitudes de onda especicadas por el fabricante y las determinadas por
medio del espectrómetro BRC111A para un conjunto de ltros interferométricos fabricados por Melles Griot.
Tabla 2.3: Comparación de las frecuencias de corte especicadas por el fabricante y aquellas determinadas
por medio del espectrómetro BRC111A para un conjunto de ltros pasa altas de Newport.
J. C. Valdiviezo INAOE 30
2.3. REGISTRO ESPECTRAL DE MATERIALES
Figura 2.9: Espectro de energía transmitida para el ltro pasa-bandas con λ0 = 450 nm.
por lado.
J. C. Valdiviezo INAOE 31
2.3. REGISTRO ESPECTRAL DE MATERIALES
Figura 2.10: Espectro de energía transmitida para el ltro pasa-bandas con λ0 = 650 nm.
distancia óptima a la cual se debía colocar la punta de prueba sobre el material bajo estudio,
se realizó un primer experimento utilizando una base movible. La punta de prueba se fue
desplazando gradualmente, usando un micrómetro, en distancias entre 0 y 15 mm por encima
de la muestra. De acuerdo a los resultados obtenidos, el rango de tolerancia en el que el
espectro conserva su forma está entre 0 y 1 mm.
El proceso de adquisición de espectros se inicia primeramente con el registro de un
espectro oscuro ; enseguida se realiza el registro espectral de un material de referencia y, por
último, el espectro del material bajo estudio. El espectro oscuro se puede registrar colocando
la punta de prueba sobre una supercie oscura o apagando la fuente de iluminación y tiene
la función de corregir los espectros adquiridos pues elimina el efecto de la luz presente en
el ambiente. Por su parte, el espectro de referencia se puede obtener a partir de un blanco
estándar (spectralón), que se caracteriza por tener alta reectancia en una amplia porción
del espectro electromagnético; este espectro se utiliza para convertir los datos de intensidad
relativa a valores de reectancia espectral. Además, ambos espectros se utilizan para realizar
J. C. Valdiviezo INAOE 32
2.3. REGISTRO ESPECTRAL DE MATERIALES
Figura 2.11: Espectro de energía transmitida para el ltro pasa-altas con frecuencia de corte en 515 nm.
mediciones de color de las muestras. El último paso consiste en registrar el espectro de energía
reejada del material. En efecto, el software de adquisición del instrumento permite registrar
y visualizar los espectros en tiempo real.
J. C. Valdiviezo INAOE 33
2.3. REGISTRO ESPECTRAL DE MATERIALES
Las grácas anteriores caracterizan la respuesta espectral típica de una planta verde
saludable, en donde las bandas de absorción fuertes se presentan en las regiones azul (λ = 450
nm) y roja (λ = 650 nm), con un pico de energía reejada en la región verde del espectro visible
(0.08 en 550 nm). Aproximadamente el 0.8 de la energía incidente en la porción infrarroja
cercana es reejada por la hoja en λ = 720 nm. Por otra parte, conforme disminuye la inuencia
de la clorola en el espectro obtenido para las hojas amarillas, cantidades más grandes de luz
verde y roja son reejadas por la hoja, lo que resulta en una apariencia amarilla.
En las guras 2.16 y 2.17 se presentan los espectros de energía reejada para una hoja
de pasto verde y una de pasto seca. Al igual que en el caso anterior, el máximo de energía
reejada en la porción visible se localiza en λ = 550 nm. Cuando la hoja de pasto pierde su
vitalidad, la forma de la curva espectral se modica completamente, presentando un máximo
para la región visible localizado en λ = 650 nm.
En las guras 2.18 y 2.19 se presentan los espectros de energía reejados que corre-
sponden a una hoja rojiza del árbol de la familia del pino y a uno de los pétalos de la planta
conocida como bugambilia roja, respectivamente. En el primer caso el espectro está caracter-
izado por absorciones máximas en las longitudes de onda de 550 nm y 600 nm del espectro
visible. El máximo de reexión se localiza alrededor de 700 nm, lo cual explica el color rojizo
presente en la hoja. El segundo espectro presenta una forma parecida al caso anterior, con la
diferencia de que el espectro es plano en las longitudes de onda verde y azul; el máximo de
reexión se presenta alrededor de 710 nm, lo que origina la coloración guinda en el pétalo de
la planta.
Por otra parte, en las guras 2.20 y 2.21 se presentan las curvas espectrales de la energía
reejada por la cáscara de un jitomate, así como el exterior de una mandarina, respectivamente.
En el primer caso, el espectro registrado presenta un intervalo máximo de energía reejada
aproximadamente entre 630 y 720 nm, el cual es relativamente plano; en el espectro de la
derecha se puede observar que, aunque la forma de la gráca es similar al obtenido para la
hoja rojiza de la gura anterior, una de las diferencias radica en que el máximo de energía
reejada se presenta en 650 nm, lo cual explica la coloración naranja que se aprecia en la
cáscara de mandarina.
J. C. Valdiviezo INAOE 34
2.3. REGISTRO ESPECTRAL DE MATERIALES
J. C. Valdiviezo INAOE 35
2.3. REGISTRO ESPECTRAL DE MATERIALES
Figura 2.12: Espectro de energía transmitida para el ltro pasa-altas con frecuencia de corte en 715 nm.
J. C. Valdiviezo INAOE 36
2.3. REGISTRO ESPECTRAL DE MATERIALES
Figura 2.14: Espectros de energía reejada para una hoja de alcanfor en estados amarillo y seco.
Figura 2.15: Espectros de energía reejada registrada durante tres días para una hoja de pino.
J. C. Valdiviezo INAOE 37
2.3. REGISTRO ESPECTRAL DE MATERIALES
Figura 2.16: Espectro de energía reejada para una hoja de pasto verde.
Figura 2.17: Espectro de energía reejada para una hoja de pasto seco.
J. C. Valdiviezo INAOE 38
2.3. REGISTRO ESPECTRAL DE MATERIALES
Figura 2.18: Espectro de energía reejada para una hoja de árbol rojiza de la familia del pino.
J. C. Valdiviezo INAOE 39
2.3. REGISTRO ESPECTRAL DE MATERIALES
Figura 2.20: Espectro de energía reejada registrado a partir de la cáscara de un jitomate rojo.
J. C. Valdiviezo INAOE 40
2.3. REGISTRO ESPECTRAL DE MATERIALES
Figura 2.22: Espectro mezclado obtenido a partir de una hoja verde y una amarilla.
Figura 2.23: Espectro mezclado obtenido a partir de una hoja verde y otra amarilla. En esta gráca f (λ) es
J. C. Valdiviezo INAOE 41
2.4. ESPECTRÓMETROS DE IMAGEN
J. C. Valdiviezo INAOE 42
2.4. ESPECTRÓMETROS DE IMAGEN
de la escena. Además, otro tipo de espectrómetros de imagen utiliza un ltro espacial lineal
variable colocado sobre un arreglo bidimensional de fotodetectores. Aunque el costo de estos
sistemas es más elevado que los anteriores, proporcionan imágenes bien calibradas ya que cada
elemento detector forma la imagen de la escena en una banda espectral determinada.
De acuerdo al número de bandas adquiridas, un espectrómetro de imagen se puede clasi-
car en las categorías siguientes. Se habla de un sistema multiespectral cuando el instrumento
registra decenas de bandas espectralmente anchas (∼ 50 nm) y separadas; un instrumento se
dice hiperespectral cuando registra cientos de bandas cuasi continuas y espectralmente angostas
(∼ 10 nm). Por su parte, un sistema puede ser ultraespectral cuando es capaz de registrar miles
de bandas contiguas y espectralmente muy angostas (∼ 2 nm). Los sistemas anteriores están
caracterizados por la resolución espectral, que indica el número y el ancho de las bandas re-
gistradas y la resolución espacial, que es una medida del detalle mínimo que puede ser captado
por un instrumento.
Spectrometer (MIVIS), ha sido desarrollado por SenSyTech Imaging Group para el Consejo
Nacional de Investigación de Italia. El instrumento consta de cuatro espectrómetros y utiliza
un sistema de barrido por línea. En la Tabla 2.4 se presentan el número de bandas y el rango
espectral de cada espectrómetro y en la gura 2.24 se presenta el diagrama óptico de este
instrumento.
En este espectrómetro de imagen, un espejo rotatorio de 45◦ barre una línea de pix-
eles sobre la supercie. Cada pixel generado es colimado por medio de un espejo parabólico
J. C. Valdiviezo INAOE 43
2.4. ESPECTRÓMETROS DE IMAGEN
lente lente
retardador filtro
arreglo de
detectores
rejilla de difracción filtros dicróicos
espejo Paraboloide
rotatorio espejos secundario
Paraboloide
primario
Sistema apertura
de barrido
J. C. Valdiviezo INAOE 44
Bibliografía
[1] Ball D.W., The Basics of Spectroscopy, Tutorial Texts in Optical Engineering, SPIE Press, Vol.
[2] Banwell C.N., Fundamentos de Espectroscopía Molecular, Ediciones del Castillo, S.A., Madrid,
[3] Beer R., Remote sensing by fourier transform spectroscopy, John Wiley and Sons, pp. 4446,
[4] Born M. and Wolf E., Principles of Optics, 7th edition, Cambridge University Press, pp. 446453,
2003.
[5] BWTek Inc., BWSpec 3.24 User Manual, Doc# 290020018, 2007.
[7] Clark G. L., The Encyclopedia of Spectroscopy, Reinhold Publishing Corporation, pp. 17, 1960.
[8] Hecht E., Óptica, 3a edición, Addison Wesley, pp. 86124, 2000.
[9] Huebshman M.L., Schultz R.A., Garner H.R., Hyperspectral imaging. In: Encyclopedia of Mod-
ern Optics, Robert D. Guenther editor, Vol. 1, pp. 134143, Elsevier, Academic Press, 2005.
[10] Jensen J.R., Remote Sensing of the Environment: an Earth Resource Perspective, 2nd edition,
45
BIBLIOGRAFÍA
[12] More K.A., Spectrometers. In: Encyclopedia of Modern Optics, Robert D. Guenther editor, Vol.
1, pp. 324336, Elsevier, Academic Press, 2005.
[14] Smith R.B., Introduction to Remote Sensing, Tutorial by Microimages, Inc., Lincoln, NE, 2001.
[15] Stuart B., Infrared Spectroscopy: Fundamentals and Applications, John Wiley, pp. 612, 2004.
J. C. Valdiviezo INAOE 46
Capítulo 3
Fundamento Matemático
En este capítulo se introducen las operaciones del álgebra reticular minimax, así como las
memorias asociativas reticulares. Se continúa con una descripción de conceptos emanados de
la teoría de conjuntos convexos que serán de gran utilidad para comprender los capítulos sub-
secuentes. Una propiedad importante a destacar será la relación existente entre las memorias
autoasociativas reticulares y los conjuntos convexos ya que ello hace posible que se pueda
determinar un conjunto de puntos extremos a partir de una imagen cualquiera.
En los últimos años, las operaciones basadas en el álgebra de retículos han sido apli-
cadas en áreas diversas de la ingeniería industrial, ciencias de la computación y en el análisis y
procesamiento digital de imágenes [5, 6, 19]. En estas aplicaciones, las operaciones matriciales
de suma y multiplicación del álgebra lineal son reemplazadas por las operaciones correspondi-
entes del álgebra reticular, cuyas propiedades han permitido establecer nuevas e interesantes
técnicas.
El concepto de retículo fue creado para generalizar y unicar ciertas relaciones entre
subconjuntos de un conjunto dado, entre subestructuras de una estructura algebraica tales
como grupos, y entre estructuras geométricas tales como subespacios de espacios topológicos.
El desarrollo de la teoría de retículos comenzó en 1930 con los trabajos de Garrett Birkho [2];
47
3.1. ÁLGEBRA RETICULAR MINIMAX
1. x ∧ x = x, x ∨ x = x (idempotencia)
2. x ∧ y = y ∧ x, x ∨ y = y ∨ x (conmutatividad)
3. x ∧ (y ∧ z) = (x ∧ y) ∧ z, x ∨ (y ∨ z) = (x ∨ y) ∨ z (asociatividad)
4. x ∧ (x ∨ y) = x ∨ (x ∧ y) = x (absorción)
J. C. Valdiviezo INAOE 48
3.1. ÁLGEBRA RETICULAR MINIMAX
Sea R±∞ = R ∪ {−∞, ∞}, el conjunto de números reales con los símbolos ∞ y −∞
adjuntos. Entonces (R±∞ , ∨, ∧) es un retículo completo con ∞ como el elemento más
grande y −∞ como el elemento más pequeño.
El conjunto R≥0
∞ = R ∪ {0, ∞} con la relación ≤ es un retículo completo. Aquí 0 es
+
J. C. Valdiviezo INAOE 49
3.1. ÁLGEBRA RETICULAR MINIMAX
denida por,
x1 + y 1 · · · x1 + y n
.. .. ..
x ⊕ yT =
. . . .
(3.2)
xm + y 1 · · · x m + y n
∨
p
cij = (aik + bkj ) = (ai1 + b1j ) ∨ (ai2 + b2j ) ∨ . . . ∨ (aip + bpj ). (3.4)
k=1
∧
p
cij = (aik + bkj ) = (ai1 + b1j ) ∧ (ai2 + b2j ) ∧ . . . ∧ (aip + bpj ). (3.5)
k=1
J. C. Valdiviezo INAOE 50
3.1. ÁLGEBRA RETICULAR MINIMAX
Nótese que la suma-max y la suma-min son similares al producto matricial del álgebra lin-
eal, con la diferencia de que la suma y multiplicación son reemplazadas por las operaciones
generalizadas de máximo o mínimo de sumas, respectivamente.
minimax de este subconjunto, denotada como C(X), es cualquier vector x ∈ Rn±∞ que puede
ser escrito como cualquiera de las dos expresiones duales siguientes:
∨∧
k ∧∨
k
x= ξ
(aξj + x ) ; x= (bξi + xξ ) (3.7)
j∈J ξ=1 i∈I ξ=1
donde I, J son conjuntos nitos de índices y aξj , bξi ∈ R±∞ son familias nitas de escalares.
∑k
La combinación minimax anterior es similar a la combinación lineal de vectores ξ=1 aξ xξ
con la excepción de la dualidad. De esta manera, cualquier combinación nita que involucre
los operadores de máximo y mínimo y los vectores de la forma a + xξ , b + xξ donde a, b ∈ R±∞
y xξ ∈ X , es una combinación minimax.
J. C. Valdiviezo INAOE 51
3.1. ÁLGEBRA RETICULAR MINIMAX
La propiedad de independencia reticular entre vectores implica que x no puede ser es-
crito como una combinación minimax de vectores, lo que implica que dicho vector no cumplirá
con cualesquiera de las dos igualdades expresadas en la ec. (3.7) para conjuntos de índices ar-
bitrarios y escalares correspondientes. De todas las posibles combinaciones minimax se pueden
derivar criterios especícos para evaluar independencia reticular dado un conjunto nito de
vectores. La forma más simple se tiene haciendo aξj = 0 = bξi para todo i ∈ I, j ∈ J y para
todo ξ ∈ {1, . . . , k} [31]. Por tanto, dos casos particulares surgen como criterios para evaluar
independencia reticular:
Cualquiera de estos dos criterios puede ser utilizado para evaluar la propiedad de
independencia reticular de un conjunto de vectores. El criterio 1 ha sido utilizado como la base
matemática de la técnica de núcleos [27, 28]. Asimismo, para aplicaciones en reconocimiento
de patrones, ambos criterios se han denido como condiciones de independencia morfológica
∨
k ∧
k
xηjη − xηi = (xξjη − xξi ) ; xηjη − xηi = (xξjη − xξi ) ∀i ∈ {1, . . . , n}. (3.8)
ξ=1 ξ=1
De acuerdo con las deniciones anteriores, max-dominancia implica que, para cada
vector η ∈ {1, . . . , k}, debe existir un índice j , dependiendo de η , tal que xηj − xηi ≥ xξj − xξi ,
J. C. Valdiviezo INAOE 52
3.2. GEOMETRÍA DE CONJUNTOS CONVEXOS
equivalentemente xηj − xξj ≥ xηi − xξi . De manera similar, min-dominancia implica que, para
cada vector η ∈ {1, . . . , k}, debe existir un índice j tal que xηj − xηi ≤ xξj − xiξ , equivalentemente
xηj − xξj ≤ xηi − xξi .
pendencia reticular fuerte (IRF) sí y sólo si las siguientes dos condiciones son satisfechas: el
conjunto X es reticularmente independiente y X es max dominante o min dominante.
rie der Konvexen Körper en 1934 [4]. En años recientes se descubrieron diversas aplicaciones
de conjuntos convexos, particularmente en el campo de optimización, lo que ha motivado su
estudio. En las siguientes líneas se describirán algunas deniciones y teoremas derivados de
la teoría de conjuntos convexos que serán útiles para el análisis presentado en los capítulos
subsecuentes [3, 16, 25]. Para ser consistentes con la notación utilizada hasta ahora, cualquier
punto en el espacio Euclidiano se denotará como un vector x ∈ Rn .
J. C. Valdiviezo INAOE 53
3.2. GEOMETRÍA DE CONJUNTOS CONVEXOS
convexas de pares de sus elementos. Además, se dice que un conjunto S es afín sí y sólo si
cualquier combinación afín de puntos de S reside en S [16].
Denición 3.9. El casco afín de un conjunto S es la intersección de todos los conjuntos anes
que contienen a S y se denota como A(S).
Teorema 3.1. Para cualquier conjunto S , el casco convexo H(S) consiste de todas las com-
binaciones convexas de los elementos de S .
J. C. Valdiviezo INAOE 54
3.2. GEOMETRÍA DE CONJUNTOS CONVEXOS
S.
J. C. Valdiviezo INAOE 55
3.2. GEOMETRÍA DE CONJUNTOS CONVEXOS
5
x
4
x
2 2 2
x x x
2
x x
4
3
x x
3
3
x
1
1 1 x
1
x
x
1
x x
S0 S
1
S2 S3 S4
el simplex H(S) tiene una única representación como una combinación de sus vértices.
J. C. Valdiviezo INAOE 56
3.2. GEOMETRÍA DE CONJUNTOS CONVEXOS
Denición 3.11. Sea H(S) el simplex k -dimensional que contiene al punto x. Si la única
representación de x como una combinación convexa de los vértices está dada por x = λ1 x1 +
· · · + λk+1 xk+1 , entonces los números λ1 , . . . , λk+1 se denominan las coordenadas baricéntricas
de x.
lineal con restricciones (MLR) permite representar los datos mezclados como una combinación
convexa de los vértices del simplex que los encierra; es decir,
∑
p
x= ai si + r = Sa + r (3.9)
i=1
∑
p
ai = 1 ; ai ≥ 0 ∀i. (3.10)
i=1
J. C. Valdiviezo INAOE 57
3.3. MEMORIAS ASOCIATIVAS RETICULARES
∑p
( i=1 ai = 1) impuestas por el modelo. El satisfacer la condición de aditividad completa
requiere del uso de multiplicadores de Lagrange de la forma siguiente.
donde Z es un vector la de tamaño 1 × p con todos sus elementos igual a uno y b = 1 [13].
Lo anterior tiene el efecto de restringir que la solución de mínimos cuadrados resida en el
∑
hiperplano cuya ecuación es pi=1 ai = 1.
Satisfacer la condición de positividad no es tan sencillo en la práctica ya que el min-
imizar ∥x − Sa∥2 manteniendo ai ≥ 0, ∀i = 1, . . . , p, cae en el dominio de la programación
cuadrática con desigualdades lineales como restricciones. Una alternativa comúnmente uti-
lizada es el algoritmo de estimación de mínimos cuadrados no negativa (non-negative least
J. C. Valdiviezo INAOE 58
3.3. MEMORIAS ASOCIATIVAS RETICULARES
ξ ξ
ξ ξ
y x . . . y x
∑k ∑k
.
1 1
.
1 n
..
M= ξ ξ T
y (x ) = .. .. . (3.13)
.
ξ=1 ξ=1 ξ ξ ξ ξ
ym x1 . . . y m xn
∑k
En este caso, la entrada ij -ésima de M está dada por µij = ξ=1 yiξ xξj . Si los patrones
de entrada x1 , . . . , xk son ortonormales, ésto es
1 si i = j
(x ) · x =
j T i
(3.14)
0 si i ̸= j
∑ ∑
M xi = [yj (xj )T ]xi + [yi (xi )T ]xi = yj [(xj )T · xi ] + yi [(xi )T · xi ] = yi . (3.15)
j̸=i j̸=i
J. C. Valdiviezo INAOE 59
3.3. MEMORIAS ASOCIATIVAS RETICULARES
Denición 3.12. Las memorias min -WXY y max -MXY , ambas de tamaño m × n, que al-
macenan un conjunto de asociaciones (X, Y ), así como sus componentes ij están denidas,
respectivamente, por las expresiones
∧
k ∧
k
∗
WXY = Y ∧ X = [y ⊕ (−x ) ] ;
ξ ξ T
wij = (yiξ − xξj ), (3.16)
ξ=1 ξ=1
∨
k ∨
k
∗
MXY = Y ∨ X = [y ⊕ (−x ) ] ;
ξ ξ T
mij = (yiξ − xξj ). (3.17)
ξ=1 ξ=1
J. C. Valdiviezo INAOE 60
3.3. MEMORIAS ASOCIATIVAS RETICULARES
J. C. Valdiviezo INAOE 61
3.3. MEMORIAS ASOCIATIVAS RETICULARES
Por tanto, el escalamiento aditivo resulta en dos nuevas matrices, denotadas respectiva-
mente como W y M , cuyos vectores columna están denidos por
w i = w i + ui ; mi = mi + vi i = 1...,n. (3.19)
Algunas características importantes que resultan de este escalamiento son las siguientes[23]:
1) W y M conservan las propiedades respectivas de dominancia máxima y mínima en la diago-
nal, 2) diag(W ) = u y diag(M ) = v, 3) geométricamente los conjuntos formados por {W ∪ u}
o {M ∪ v} corresponden a los puntos extremos o vértices de dos simplex n-dimensionales que
encierran a subconjuntos de X y 4) el conjunto de puntos M ∪ W ∪ {v, u} forma un politopo
convexo B con 2(n + 1) vértices que contienen a X .
Criterio I. Este criterio está basado en la siguiente conjetura, la cual fue establecida origi-
nalmente como un teorema en [22, 23].
J. C. Valdiviezo INAOE 62
3.3. MEMORIAS ASOCIATIVAS RETICULARES
vértices del conjunto convexo. De acuerdo con las propiedades de las memorias reticulares,
W es diagonalmente max-dominante, mientras que M es diagonalmente min-dominante ; de
esta manera, para obtener un conjunto independiente reticular fuerte es suciente evaluar la
propiedad de independencia reticular (IR). El siguiente teorema provee un método para obtener
un conjunto de vectores que satisface independencia reticular fuerte a partir del conjunto de
puntos jos F (X).
Teorema 3.3. Sea X = (x1 , . . . , xk ) ⊂ Rn y sean W y M los vectores que conforman las
columnas de WXX y MXX , respectivamente, entonces existen V ⊂ W y N ⊂ M tal que V
y N son independientes reticulares fuertes y F (V ) = F (N ) = F (X) o equivalentemente,
WVV = WXX y MNN = MXX .
A partir de la demostración de este teorema surge un método para derivar una base
independiente reticular fuerte para cualquier conjunto de patrones X [24]. El procedimiento
consiste en construir la memoria WXX , y formar el conjunto W . Entonces remover cualquier
conjunto de patrones dependientes reticulares de W usando el método antes descrito y así
obtener el conjunto de patrones V con independencia reticular fuerte.
Criterio II. Este criterio está fundamentado en el siguiente teorema que provee cuatro
igualdades para probar computacionalmente la independencia afín de los conjuntos W =
J. C. Valdiviezo INAOE 63
3.3. MEMORIAS ASOCIATIVAS RETICULARES
Teorema 3.4. Si j, l ∈ {1, . . . , n}, entonces las siguientes armaciones son equivalentes: (1)
wj − wl = c, (2) wl = wj , (3) mj − ml = c, y (4) ml = mj .
J. C. Valdiviezo INAOE 64
3.3. MEMORIAS ASOCIATIVAS RETICULARES
modelo MLR y se podrán estimar las abundancias fraccionales de los puntos extremos en cada
pixel de la imagen.
Las propiedades algebráicas y geométricas de las MAAMs permiten determinar un
conjunto de puntos extremos o vértices del simplex de dimensión n a partir de la imagen
→
−
bajo estudio. Primero es necesario modicar la imagen I(x, y, λ ) de tal manera que cada
pixel se represente como un conjunto X = (x1 , x2 , . . . , xmq ) ∈ Rn . A partir del conjunto X se
construyen WXX y MXX y se realiza el escalamiento aditivo para obtener las matrices W y M .
El último paso consiste en utilizar cualquiera de los criterios I o II para vericar independencia
afín entre los vectores columna derivados de cada memoria autoasociativa reticular.
En resumen, para determinar el conjunto de puntos extremos de una imagen multicanal
−
→
I(x, y, λ ) se realizan los siguientes pasos:
→
−
1. Cambiar la imagen I(x, y, λ ) al conjunto de pixeles espectrales X = (x1 , x2 , . . . , xmq ) ⊂
Rn .
J. C. Valdiviezo INAOE 65
Bibliografía
[1] Anderson J.A., A simple neural network generating an interactive memory, Mathematical Bio-
sciences, Vol. 14, pp. 197220, 1972.
[2] Birkho G., Lattice Theory, 3rd ed, American Mathematical Society, Providence RI, 1967.
[3] Boyd S. and Vandenberghe L., Convex Optimization, Cambridge University Press, 2004.
[4] Bonnesen T. and Fenchel W., Theorie der Konvexen Körper, Springer-Verlag, Berlin; reprinted
[5] Cuninghame-Green R., Describing industrial processes with interference and approximating their
[6] Cuninghame-Green R., Minimax algebra and applications. In: Advances in Imaging & Electron
Physics, P. Hawkes editor, Vol. 90, pp. 1121, Academic Press, New York, NY, 1995.
[7] Graña M., Raducanu B., Increasing the robustness of heteroassociative morphological memo-
ries for practical applications Proc. 6th International Symposium on Mathematical Morphology,
Sidney, Australia, pp. 379388, 2002.
[8] Graña M., Sussner P., Ritter G.X., Innovative applications of associative morphological memories
for image processing and pattern recognition, Mathware & Soft Computing, Vol. 10, pp. 155168,
2003.
[9] Graña M., Gallego J., Associative morphological memories for endmember induction, IEEE
Proc.: IGARSS, Vol. 6, pp. 37573759, 2003.
66
BIBLIOGRAFÍA
[10] Graña M., Maldonado O., Vicente D., Morphological independence and hyperspectral image
indexing, SPIE Proc.: Mathematical Methods in Pattern and Image Analysis, Vol. 5916, pp. 1
10, 2005.
[11] Heinz D.C., Chang C.I., Fully constrained least square linear spectral mixture for material
[12] Hopeld J.J., Neural networks and physical systems with emergent collective computational
[13] Keshava N. and Mustard J.F., Spectral unmixing, IEEE Signal Processing Magazine, Vol. 19,
[14] Kohonen T., Correlation Matrix Memory, IEEE Transactions on Computers, Vol. C-21, No. 4,
pp. 353359, 1972.
[15] Lawson C.L., Hanson R.J., Solving least squares problems, Prentice-Hall, Englewood Clis, NJ,
[16] Lay S.R., Convex Sets and Their Applications, Dover Publications, 2007.
[17] Ritter G.X., Image algebra with applications. Unpublished manuscript, available via anony-
[18] Ritter G.X., Wilson J.N., Handbook of computer vision algorithms in image algebra, CCR Press
Inc, Florida, USA, pp. 289308, 1996.
[19] Ritter G.X.,Lattice algebra and Minimax algebra, in Image Algebra, unpublished manuscript
available via anonymous ftp from ftp://ftp.cise.ufl.edu/pub/scr/ia/documents, Center for
Computer Vision and Visualization, CISE Department, University of Florida, Gainesville FL,
[20] Ritter G.X., Sussner P., Diaz de León J.L.,Morphological associative memories, IEEE Trans.
on Neural Networks, Vol. 9, No. 2, pp. 281293, 1998.
J. C. Valdiviezo INAOE 67
BIBLIOGRAFÍA
[21] Ritter G.X., Urcid G., Iancu L.,Reconstruction of patterns from noisy inputs using morphological
associative memories, Journal of Mathematical Imaging and Vision, Vol. 19, pp. 95111, 2003.
[22] Ritter G.X., Gader P.,Fixed point of lattice transforms and lattice associative memories. In:
Advances in Imaging and Electron Physics, P. Hawkes ed., Vol. 144, Elsevier, San Diego, CA.
pp.165242, 2006.
[23] Ritter G.X., Urcid G., Schmalz M.S., Autonomous single-pass endmember approximation using
lattice auto-associative memories, Neurocomputing, Vol. 72, No. 10-12, pp. 21012110, 2009.
[24] Ritter G.X., Urcid G., Lattice algebra approach to endmember determination in hyperspec-
tral imagery, Advances in Imaging and Electron Physics, P. Hawkes ed., Vol. 160, pp. 113169,
[25] Serra J., Image Analysis and Mathematical Morphology, Academic Press, New York, NY, Chap.
4, 1982.
[26] Sussner P., Valle M.E., Gray-scale morphological associative memories, IEEE Transactions on
Neural Networks, Vol. 17, No. 3, pp. 559570, 2006.
[27] Urcid G., Ritter G.X., Kernel computation in morphological associative memories for grayscale
image recollection, IASTED Proc.: 5th Int. Conf. on Signal and Image Processing, Honolulu, HI,
pp. 450455, 2003.
[28] Urcid G., Ritter G.X., Iancu L., Kernel computation in morphological bidirectional associative
memories, LNCS Proc.: Progress in Pattern Recognition, Speech, and Image Analysis, Springer,
[29] Urcid G. and Ritter G.X., Noise masking for pattern recall using a single lattice matrix auto-
associative memory, IEEE Proc.: International Conference on Fuzzy Systems, Vancouver, British
Columbia, Canada, pp. 187194, September 2006.
[30] Urcid G., Ritter G.X., Noise Masking for Pattern Recall using a Single Lattice Matrix Associative
Memory. In: Computational Intelligence based on Lattice Theory, Kaburlasos, V.G. and Ritter,
G.X. eds., Vol. 67, Springer, Heidelberg, Germany, pp. 7998, 2007.
J. C. Valdiviezo INAOE 68
BIBLIOGRAFÍA
[31] Urcid-S G., Valdiviezo-N. J.C., Generation of lattice independent vector sets for pattern recog-
[32] Valdiviezo J.C., Urcid G., Hyperspectral endmember detection based on strong lattice indepen-
dence, SPIE Proc.: Applications of Digital Image Processing XXX, Vol. 6696, pp. 669625:112,
J. C. Valdiviezo INAOE 69
Capítulo 4
El método basado en W y M puede ser utilizado de manera eciente como una técnica de
segmentación para imágenes en color. En el siguiente capítulo se describe el uso de dicha
técnica aplicada a diversas imágenes en color RGB de dominio público. Los resultados de
segmentación obtenidos se comparan con los obtenidos por otras técnicas reportadas en la
literatura. Finalmente, se realiza una cuanticación de los resultados producidos al transformar
las imágenes RGB a los espacios de color I1I2I3, HSI, y L*a*b*.
Denición 4.1. Sea X un conjunto nito con k elementos y P un predicado lógico respecto
70
4.1. CONCEPTO DE SEGMENTACIÓN
J. C. Valdiviezo INAOE 71
4.1. CONCEPTO DE SEGMENTACIÓN
umbralización del histograma de color [16]. El uso del algoritmo de cuencas para el agrupamien-
to de color con etiquetamiento de Markov ha sido desarrollado en [6]. Recientemente se han
propuesto técnicas alternativas basadas en computación suave que realizan la segmentación de
imágenes a color [21]; un tratamiento más amplio sobre estas técnicas y su uso en diferentes
espacios de color se puede consultar en [8, 14]. En las siguientes subsecciones se presentan
dos técnicas de segmentación por agrupamiento y que han sido utilizadas para comparar los
resultados obtenidos con el método propuesto.
Denición 4.2. Sea R el conjunto de pixeles que pertenece a la región de interés. El vector
medio z y la matriz de covarianza1 C calculados a partir de R están expresados respectivamente
por
1∑ 1∑
κ κ
z= xi ; C= xi xTi − zzT , (4.1)
κ i=1 κ i=1
J. C. Valdiviezo INAOE 72
4.1. CONCEPTO DE SEGMENTACIÓN
La localización de los puntos dE (x, z) ≤ τ dene una esfera sólida de radio τ . Los puntos
contenidos dentro o sobre la supercie de la esfera satisfacen el criterio de color especicado.
Por su parte, la localización de los puntos dM (x, z) ≤ τ describe un cuerpo elíptico sólido con
la propiedad de que sus ejes principales están orientados en la dirección de extensión máxima
de los datos.
J. C. Valdiviezo INAOE 73
4.2. ESPACIOS DE COLOR
J. C. Valdiviezo INAOE 74
4.2. ESPACIOS DE COLOR
Las imágenes representadas en este sistema consisten en tres canales, una para cada
color primario. Si consideramos cada una de estas componentes como una imagen de 8 bits, el
número de bits utilizado para representar cada pixel de color será de 24 bits. El número total
de colores en una imagen RGB de 24 bits es, por tanto, (28 )3 = 16, 777, 216 colores.
R+G+B R−B 2G − R − B
I1 = , I2 = , I3 = . (4.4)
3 2 4
J. C. Valdiviezo INAOE 75
4.2. ESPACIOS DE COLOR
la cantidad de color que está presente (pureza relativa o cantidad de luz blanca mezclada con
el tono) y la intensidad (intensity, I) es la cantidad de luz. El espacio en el que estos valores
son gracados puede representarse por un cono o doble cono circular o hexagonal cuyo eje es
la progresión de escala de grises de negro a blanco, de acuerdo a como se ilustra en la gura
4.2; la distancia desde el eje central es la saturación y la dirección del vector es el tono. Una
característica importante de este sistema es que separa la información del color de una manera
que corresponde a la respuesta del sistema visual humano; por ejemplo, el uso del tono para
el proceso de segmentación regularmente corresponde con el de la percepción humana.
1 mı́n(R, G, B)
I = (R + G + B) ; S = 1 − , (4.5)
3 I
( )
2B − R − G R − G
H = arctan √ , √ . (4.6)
6 6
J. C. Valdiviezo INAOE 76
4.2. ESPACIOS DE COLOR
Figura 4.3: Representación del espacio de color L*a*b*, donde L* representa la luminancia o el eje de escala
J. C. Valdiviezo INAOE 77
4.3. SEGMENTACIÓN BASADA EN W Y M
donde X0 , Y0 , Z0 son las valores triestímulos para el blanco de referencia. Además, los valores
X, Y, Z puden ser producidos a partir de las coordenadas RGB por medio de una transformación
lineal. La matriz para el sistema de recepción NTSC se ha utilizado para este propósito y está
denida por
X 0.607 0.174 0.200 R
Y = 0.299 0.587 0.114 G (4.10)
Z 0.000 0.066 1.116 B
J. C. Valdiviezo INAOE 78
4.4. EJEMPLOS DE SEGMENTACIÓN
la imagen. Un modelo que se puede utilizar para este análisis es el modelo de mezclado lineal
con restricciones en el cual cada vector de color se representa como una combinación lineal
de los colores más saturados en distintas proporciones; en efecto, a partir de las ecs. (3.9) y
(3.10) para i = 1, 2, 3 y haciendo r = 0 se tiene
x = Sa = a1 s1 + a2 s2 + a3 s3 , sujeto a (4.11)
a1 , a2 , a3 ≥ 0,
a1 + a2 + a3 = 1,
En las siguientes líneas se presenta un ejemplo que ilustra el funcionamiento del método
de segmentación propuesto, también conocido como método W M . Posteriormente se presen-
tan los resultados de segmentación obtenidos para un conjunto de imágenes en color RGB de
dominio público, así como un conjunto de imágenes representadas en otros espacios de color.
Ejemplo 4.1 En la parte superior izquierda de la gura 4.4 se presenta una imagen RGB de
J. C. Valdiviezo INAOE 79
4.4. EJEMPLOS DE SEGMENTACIÓN
tamaño 256 × 256 que corresponde a los colores primarios en el modelo aditivo de color. De
acuerdo con el procedimiento descrito, el conjunto X se ha generado con todos los diferentes
colores presentes en la imagen. El número de vectores en la imagen es de 65,536 y el conjunto
X = {x1 , . . . , x8 }. Utilizando X como el conjunto de entrada se han calculado las MAARs, así
como los vectores cota máxima y mínima usados para obtener las matrices escaladas W y M ,
los cuales están dados por
255 0 0 255 0 255 255 0
W =
0 255 0
, u 255 ; M =
255 0 255 , v = 0 .
0 0 255 255 255 255 0 0
Figura 4.4: Primera la, izquierda a derecha: imagen en color RGB utilizada en el Ejemplo 4.1, imágenes en
tonos de gris de las fracciones de color determinadas a partir de las columnas de W. Segunda la: fracciones
de color determinadas a partir de las columnas de M. La correspondencia entre el nivel de gris asignado y el
valor numérico es el siguiente: 1 = blanco, 0.5 = gris medio, 0.33 = gris oscuro y 0 = negro.
J. C. Valdiviezo INAOE 80
4.4. EJEMPLOS DE SEGMENTACIÓN
1 1 1 −1 1 1
−1 −1 1
W = 1 1 1 1 ; M = 1 −1 1
255 510 .
1 1 1 1 1 −1
−1
En el caso de W = I/(255), siendo I la matriz identidad, se tiene que ai = xi /255
satisface la desigualdad 0 ≤ ai ≤ 1 para todo i = 1, 2, 3 dado que los vectores {x1 , . . . x8 } se en-
∑ ∑
cuentran en el intervalo [0,255]. La aditividad completa se satisface si 3i=1 ai = 3i=1 xi /255 =
1, por lo que los valores de los pixeles de colores residen en el plano x1 + x2 + x3 = 255 lo
cual sólo ocurre en los puntos (255,0,0), (0,255,0) y (0,0,255). Haciendo g = x1 + x2 + x3 se
puede especicar un criterio que permita determinar las fracciones de color y que satisfaga
la condición anterior; es decir, ai = xi /g si g ̸= 0, de otra forma ai = 0. De manera similar,
−1 ∑
para M se tiene que ai = j̸=i (xj − xi )/510 para i = 1, 2, 3. Sin embargo, puesto que xξi
con ξ = {1, . . . , 8} está en el intervalo [0,255] entonces ai ∈ {−0,5, 0, 0,5, 1} lo que implica
que la positividad no se satisface para todo i. Además, la aditividad completa se satisface si
∑3 ∑
i=1 ( j̸=i xj − xi )/510 = 1 indicando que los valores de los pixeles de colores están en el
Ejemplo 4.2 En la parte superior de la gura 4.5 se presentan tres imágenes RGB de tamaño
256 × 256 pixeles que se han utlizado para demostrar la funcionalidad del método propuesto.
J. C. Valdiviezo INAOE 81
4.4. EJEMPLOS DE SEGMENTACIÓN
Tabla 4.1: Información de las imágenes en color RGB utilizadas en el Ejemplo 4.2
Las entradas numéricas de las versiones escaladas de las MAARs calculadas a partir de las
imágenes ejemplares están dadas explícitamente por:
255 129 72 0 200 255
Wα =
55 255 156 ; M α = 126
0 165
,
0 90 255 183 99 0
255 224 167 0 48 160
Wβ =
207 255 145
; M β = 31 0 126 ,
95 129 255 88 110 0
255 249 243 16 165 194
Wγ =
90 255 166
; M γ = 22 0 137 .
61 118 247 20 81 0
J. C. Valdiviezo INAOE 82
4.4. EJEMPLOS DE SEGMENTACIÓN
Figura 4.5: Fila superior: imágenes de color ejemplares; segunda a cuarta las: imágenes en tonos de gris
Por otra parte, los vectores de fracciones de color satisfacen las desigualdades 0 ≤ a ≤ 1,
por lo que es posible mapear linealmente el subintervalo denido por [0, µ] ⊆ [0, 1] al rango
dinámico [0,255], donde µ = ∨kξ=1 aξj . La gura 4.5 presenta los resultados de segmentación
obtenidos para las guras ejemplares a partir de las columnas de W y M . En estas guras
los resultados se han desplegado en todos de gris donde los grises brillantes indican fracciones
de color cercanas a 1, mientras que los grises oscuros indican fracciones de color cercanas a 0.
La parte izquierda de la gura 4.6 presenta una gráca 3-D de la distribución de los vectores
de la imagen del mandril. En las partes central y derecha se muestran cuatro tetraedros
que encierran distintos subconjuntos de X y que se obtienen al formar respectivamente los
conjuntos W ∪ {v} y W ∪ {u} (centro) o M ∪ {v} y M ∪ {u} (derecha).
Por último, si se require segmentar el color original de la imagen en cuestión, entonces
puede aplicarse un valor de umbral τ ∈ (0.3, 1) a la imagen de fracciones de color para
J. C. Valdiviezo INAOE 83
4.5. COMPARACIÓN DE RESULTADOS
Figura 4.6: Izquierda: distribución en el espacio de los diferentes vectores de color en la imagen del mandril de
la g. 4.5. Centro y derecha: diferentes tetraedros determinados por W = {w1 , w2 , w3 } y M = {m1 , m2 , m3 }
que encierran diferentes subconjuntos de X.
J. C. Valdiviezo INAOE 84
4.5. COMPARACIÓN DE RESULTADOS
Figura 4.7: Fila superior: imágenes de color ejemplares; segunda a cuarta las: imágenes de colores segmen-
permitirá conocer el desempeño del método y determinar el tipo de imágenes en el que éste
puede ser utilizado. Además, algunas técnicas de segmentación presentan mejores resultados
en un determinado espacio de color, por tal motivo es necesario conocer si existen mejoras
en los resultados cuando se realizan transformaciones de la imagen original a otros espacios.
En esta sección se presentan los resultados de evaluar el desempeño del método basado en
W y M utilizando imágenes en color RGB y su transformación a los tres espacios de color
introducidos en las secciones anteriores. Más adelante se realiza una comparación cuantitativa
de estos resultados de segmentación en relación a los obtenidos con dos técnicas conocidas: la
técnica por agrupamiento basada en la distancia de Mahalanobis y el algoritmo de cuencas.
En la primera la de la gura 4.8 se presentan la imagen RGB de los pimientos y su
transformación a los espacios I1I2I3, HSI y L*a*b* que se han desplegado como imágenes en fal-
so color RGB. En la segunda la se presentan las imágenes conformadas por las segmentaciones
J. C. Valdiviezo INAOE 85
4.5. COMPARACIÓN DE RESULTADOS
de los pimientos rojos y verdes y las porciones de luz reejada para los respectivos espacios
de color. Para formar cada una de las imágenes compuestas se ha realizado el procedimiento
siguiente. Primero, se han calculado W e independientemente M en base a la imagen en el
correspondiente espacio de color y para cada vector columna se han determinado las fracciones
de color por medio de la estimación NNLS. Después, se han seleccionado los mapas que pre-
sentan los mejores resultados en la distribución del color, a partir del conjunto {W ∪ M }. A
los mapas seleccionados se les ha asignado un determinado tono de gris y se han combinado
para formar una imagen compuesta. La tabla 4.3 presenta los vectores correspondientes y um-
brales utilizados para producir dichas imágenes. Al observar detenidamente estos resultados se
puede concluir que la técnica propuesta presenta una mejor segmentación cuando se utilizan
los espacios I1I2I3 y RGB.
Tabla 4.3: Datos de segmentación utilizados para los diferentes espacios de color
J. C. Valdiviezo INAOE 86
4.5. COMPARACIÓN DE RESULTADOS
Figura 4.8: Primera la: imagen de color en los espacios RGB, I1I2I3, HSI y L*a*b*, respectivamente; segunda
la: imágenes conformadas por las segmentaciones de los pimientos rojos y verdes y las porciones de luz reejada
permiten delimitar las regiones segmentadas por cada uno de los algoritmos. Estas regiones
pueden ser comparadas respecto de la imagen de bordes de la versión NTSC tomando en
cuenta los siguientes criterios: perímetro y área de las regiones, razón señal a ruido, coeciente
de correlación, entre otros [3]. Para la comparación que se presenta a continuación hemos
elegido como métricas el coeciente de correlación, φ, y la razón señal a ruido, SNR, los cuales
se denen en lo siguiente.
Denición 4.3 Sean X e Y dos imágenes con mq = k elementos, sus vectores medios se
denotan respectivamente por zx y zy ; se dene el coeciente de correlación φ como el índice
que mide la relación lineal entre estas dos variables, el cual está expresado como sigue
∑k
CXY (xi − zx )(yi − zy )
φ= √ = √∑ i=1 ∑k , (4.12)
σX σY
i=1 (xi − zx ) · i=1 (yi − zy )
k 2 2
J. C. Valdiviezo INAOE 87
4.5. COMPARACIÓN DE RESULTADOS
Figura 4.9: Primera la, de izquierda a derecha: resultados se segmentación obtenidos, respectivamente,
con W y M en los espacios RGB y I1I2I3, distancia de Mahalanobis y algoritmo de cuencas e imagen de los
pimientos cuantizada a 16 niveles de gris; segunda la: imágenes de bordes producidos por ltros de Sobel
Denición 4.4 Sean X una imagen de referencia y Y una imagen modicada, la razón señal
a ruido (signal to noise ratio, SNR) se dene como la razón entre la varianza de la imagen
original σX
2
y la varianza de la diferencia de imágenes, matemáticamente,
( 2)
σX
SNR = 10 log10 . (4.13)
σd2
donde σX
2
representa la varianza de la imagen original y σd2 es la varianza de la diferencia de
las imágenes original y modicada [11].
Los resultados de comparar las imágenes de bordes de la gura 4.9 respecto de la imagen
de referencia (imagen de bordes de la versión NTSC) se presentan en la tabla 4.4. Se puede
notar que los mejores resultados de segmentación se han producido con el método basado en
W y M en el espacio de color I1I2I3 cuyos valores de correlación y SNR están por encima de
los otros métodos.
Finalmente, para el caso de imágenes de tres canales en el que el modelo MLR se
transforma en la ec. (4.11), dado que x ∈ R3 y p = 3, una solución alternativa para la
determinación de las abundancias de los colores saturados se puede realizar por medio de la
J. C. Valdiviezo INAOE 88
4.5. COMPARACIÓN DE RESULTADOS
inversión de matriz generalizada que refuerce la aditividad y además umbralice todos aquellos
valores negativos [24]. De esta forma, cualquier aq = 1 − ag − ah con q = 1, 2, 3 y q ̸= g < h ̸= q
puede ser seleccionado para reducir el tamaño de la matriz S y el vector a. Por tanto, para
determinar las fracciones de colores saturados se debe resolver para cada pixel de color el
sistema xq = Sq aq , donde aq = (ag , ah )T , Sq = W q o Sq = M q . Las la i-ésimas y las entradas
respectivas para i = 1, . . . , 3 están dadas por
Cualquier valor negativo que resulte de esta inversión debe ser umbralizado al valor de cero
para satisfacer la condición de positividad. La solución expresada en la ec. (4.14), con q = 1,
ha sido empleada para realizar la determinación de las fracciones de colores saturados para el
conjunto de imágenes naturales de dominio público que se presentan en la gura 4.10. En cada
la, la imagen original en color RGB se despliega a la izquierda y de izquierda a derecha se
presentan las imágenes compuestas producidas por la segmentación del método W M en los
espacios RGB, I1I2I3, HSI y L*a*b*, respectivamente. Por ejemplo, la imagen en tonos de gris
correspondiente al oso en el espacio I1I2I3 fue generada mediante la composición de los mapas
de fracciones obtenidos por w2 y m2 después de la umbralización en τ =0.387 y τ =0.326,
respectivamente. En base a estos resultados se puede notar que el algoritmo de segmentación
basado en W y M presenta mejores resultados en el espacio de color I1I2I3.
J. C. Valdiviezo INAOE 89
4.5. COMPARACIÓN DE RESULTADOS
Figura 4.10: Primera columna: imágenes en color RGB; segunda a quinta columnas: imágenes conformadas
por las segmentaciones producidas por W y M en los espacios RGB, I1I2I3, HSI y L*a*b*, respectivamente.
J. C. Valdiviezo INAOE 90
4.6. CONCLUSIONES
4.6. Conclusiones
J. C. Valdiviezo INAOE 91
Bibliografía
[1] Beucher S., The watershed transform applied to image segmentation, Scanning Mi-
[2] Celenk M., Uijt de Haag M., Optimal thresholding for color images, SPIE Proc.: Non-
linear Image Processing IX, Vol. 3304, San Jose, CA, pp. 250259, 1998.
[3] Chalana V., Kim Y., A methodology for evaluation of boundary detection algorithms on
medical images, IEEE Trans. on Medical Imaging, Vol. 16, No. 5, pp. 642652, 1997.
[4] Cheng H.D., Jain X.H., Sun Y., Wang J., Color image segmentation: advances and
prospects, Pattern Recognition, Vol. 34, No. 12, pp. 22592281, 2001.
[5] Crespo J., Schafer R.W., The at zone approach and color images. In: Mathematical
morphology and its applications to image processing, J. Serra and P. Soille eds., Dordrecht,
The Netherlands: Kluwer Academic, pp. 8592, 1994.
[6] Géraud T., Strub P-Y., Darbon J., Color image segmentation based on automatic mor-
phological clustering, IEEE Proc.: Inter. Conf. on Image Processing, Vol. 3, Thessaloniki,
Greece, pp. 7073, 2001.
[7] Gonzalez R.C., Woods R.E., Digital Image Processing, 3rd edition, Pearson Education,
2008.
[8] Koschan A., Abidi M., Digital color image processing, Hoboken, NJ: John Wiley & Sons,
chap. 7, pp. 149174, 2008
92
BIBLIOGRAFÍA
[9] Liu J., Yang Y.H., Multiresolution color image segmentation, IEEE Trans. on Pattern
Analysis and Machine Intelligence, Vol. 16, No. 7, pp. 689700, 1994.
[10] Lucchese L., Mitra S.K., Color image segmentation: A-state-of-the-art-survey, Proc.
Indian Nat. Sci. Acad. (INSA-A), Vol. 67, No. 2, pp. 207221, 2001.
[11] MacDonald L.W., Ronnier-Luo M., Colour Image Science: exploiting digital media, Eng-
land: John Wiley & Sons, pp. 378380, 2002.
[12] Meyer F. and Beucher S., Morphological segmentation, Journal of Visual Communi-
[13] Meyer F., Color image segmentation, IEEE Proc.: 4th Inter. Conf. on Image Processing
[14] Palus H., Color image segmentation: selected techniques. In: Color image processing:
methods and applications, R. Lukac, K.N. Plataniotis eds., Boca Raton, FL: CRC Press,
chap. 5, pp. 103128, 2006.
[15] Panjwani D.K., Healey G., Unsupervised segmentation of textured colour images using
Markov random eld models, Proc. CVPR'93, New York, USA, pp. 776777, 1993.
[16] Park S.H., Yun I.D., Lee S.U., Color image segmentation based on 3-D clustering: mor-
phological approach, Pattern Recognition, Vol. 31, No. 8, pp. 10611076, 1998.
[17] Plataniotis K.N., Venetsanopoulos A.N., Color image processing and applications, Berlin,
Germany: Springer, chap. 6, pp. 237273, 2000.
[18] Poynton C.A., A technical introduction to digital video, NJ: John Wiley & Sons, 1996.
[19] Shafarenko L., Petrou H., Kittler J., Histogram-based segmentation in a perceptually
uniform color space, IEEE Trans. on image processing, Vol. 7, No. 9, pp. 13541358,
1998.
[20] Skarbek W., Koschan A., Colour image segmentation: a survey, Technical Report 94-32,
Technical University of Berlin, pp. 181, 1994.
J. C. Valdiviezo INAOE 93
BIBLIOGRAFÍA
[21] Sowmya B., Sheelanari B., Color image segmentation using soft computing techniques,
Int. Journal of Soft Computing Applications, Vol. 4, pp. 6980, 2009.
[22] Urcid G. and Valdiviezo-N J.C., Color image segmentation based on lattice autoassocia-
tive memories, IASTED Proc.: 13th Articial Intelligence and Soft Computing, Vol. 683,
Palma de Mallorca, Spain, pp. 166173, 2009.
[23] Urcid G., Valdiviezo-N J.C., Ritter G.X., Lattice associative memories for segmenting
color images in dierent color spaces, LNCS Proc.: Hybrid Articial Intelligence Systems,
[24] Urcid G., Valdiviezo-N J.C., Ritter G.X., Lattice algebra approach to color image seg-
mentation, Journal of Mathematical Imaging and Vision, doi 10.1007/s10851-011-0302-2,
2011.
J. C. Valdiviezo INAOE 94
Capítulo 5
95
5.1. IMÁGENES MULTIESPECTRALES DE DOCUMENTOS ANTIGUOS
delgadas de pinturas fue realizado por Van Asperen de Boer quien descubrió que, alrededor
de 2 µm, se puede lograr máxima penetración en la mayoría de las pinturas [17]. Sin embargo,
a longitudes de onda cercanas a los 2 µm, materiales comunes como la tinta de hierro-hiel y
la sepia se vuelven invisibles [5]. Lo anterior sugiere que el registro de imágenes espectrales en
la porción infrarroja puede ser utilizada para visualizar dibujos y textos originales sobre los
cuales se superpusieron nuevas guras.
Los instrumentos multiespectrales, que fueron utilizados primeramente para registrar
imágenes de la superce terrestre, han sido empleados en la actualidad para el análisis, con-
servación y digitalización de objetos de arte y documentos con valor histórico. La reectancia
espectral derivada en base a este registro múltiple permite identicar y clasicar los elementos
presentes en la escena. De esta manera, el uso de instrumentos multiespectrales en conjunto
con las técnicas digitales de análisis de imagen han permitido el rescate de textos antiguos
y la preservación de una parte del patrimonio cultural. Uno de los primeros trabajos en el
que se utilizó un instrumento multiespectral para analizar la pintura denominada Santísima
Trinidad Predella se presenta en [2]. Las imágenes registradas en las porciones visible e infrar-
rojo cercano fueron procesadas con el objetivo de identicar los materiales y mejorar las partes
oscuras de la pintura. Más adelante, se realizó la caracterización de las tinturas orgánicas y
minerales en una pintura del siglo XVI atribuída a la escuela de Pieter Brueguel el Elder [11].
Las imágenes captadas fueron analizadas utilizando la técnica de agrupamiento denominada
medias-c difusas. Por otro lado, el registro de imágenes multiespectrales ha dado lugar a nove-
dosas aplicaciones en el estudio de pinturas en murales. En particular, Ware et al analizaron
pigmentos mayas con coloración similar pero diferente composición química provenientes de la
caverna Naj Tunich en Guatemala [18]. Con el análisis de los datos utilizando técnicas de agru-
pamiento se logró diferenciar entre las pinturas originales y aquellas que fueron posteriormente
sobrepuestas.
Existen aplicaciones más especializadas en las que se requiere recuperar los textos
e imágenes originales en documentos históricos. En este contexto, el uso de instrumentos
multiespectrales fue primeramente empleado para visualizar e interpretar la escritura en las
partes dañadas de los Rollos del Mar Muerto [3, 9]. Además, en el caso de los denominados
J. C. Valdiviezo INAOE 96
5.2. REGISTRO MULTIESPECTRAL DE UNA ESCENA
palimpsestos, que son libros escritos en un periodo histórico determinado y cuyo texto original
fue borrado para sobre escribir en ellos un texto religioso, se ha podido rescatar exitosamente
gran parte del texto original. Uno de los estudios más importantes ha sido impulsado por el
proyecto Arquímedes [1, 8]. Aunque el registro multiespectral de los folios que conforman el
documento en las porciones ultravioleta, visible e infrarroja, en combinación con técnicas de
análisis de imagen han ayudado en el rescate de gran parte de los tratados del matemático
griego, existen partes del texto que no han podido ser rescatadas debido a la presencia de
moho [8].
Nuevas aplicaciones en el contexto de análisis multiespectral de palimpsestos han si-
do desarrolladas para el proyecto europeo denominado Renascimento Virtuale [15]. De esta
manera, diferentes instrumentos multiespectrales se han utilizado para interpretar escritos que
hasta entonces habían sido imposibles de leer. Aunque las técnicas de análisis multiespectral
han demostrado un gran potencial para este propósito, existen problemas relacionados con el
análisis de los datos que no han podido ser resueltos. Uno de estos problemas surge cuando los
tipos de escritura presentan curvas espectrales similares, lo que hace difícil su diferenciación.
En efecto, diversos algoritmos como el análisis de componentes principales o técnicas basadas
en agrupamiento, tales como medias-K o medias-C difusas, siguen siendo evaluadas con el
propósito de lograr una mejor diferenciación y mejoramiento de los textos originales.
Existen diversas técnicas que pueden ser utilizadas para registrar una escena multi-
espectral en el laboratorio, las cuales se pueden clasicar principalmente en dos clases: (1)
técnicas que usan ltros, (2) técnicas que utilizan distintas fuentes de luz. En el primer ca-
so, el registro está basado en el uso de ltros de banda angosta para muestrear la escena en
bandas espectrales a lo largo del espectro electromagnético. De esta manera, el proceso para
la adquisición del conjunto de imágenes es el siguiente. Una fuente de luz de amplio espec-
tro, que puede ser una lámpara de tungsteno, ilumina la muestra; la energía que es reejada
por la muestra se hace pasar a través de un ltro de banda angosta (ltro variable o ltro
J. C. Valdiviezo INAOE 97
5.2. REGISTRO MULTIESPECTRAL DE UNA ESCENA
CCD
Fuente
de luz
filtros
interferométrico), colocado en la entrada de un detector, que puede ser una cámara CCD, el
cual registra la imagen. Este procedimiento se repite para cada uno de los ltros que permiten
muestrear el intervalo de longitudes de onda de interés. Por otra parte, en el segundo caso la
idea fundamental consiste en el uso de diversas fuentes de luz espectralmente angostas para
capturar imágenes de la misma escena en distintas bandas espectrales. De esta forma, los ele-
mentos que conforman el arreglo experimental son: una fuente de luz variable o un conjunto
de fuentes espectralmente angostas para iluminar la muestra y un elemento detector, tal como
una cámara CCD. En la gura 5.1 se muestra el arreglo utilizado para registrar la imagen
multiespectral de un documento antiguo usando un arreglo de ltros.
En efecto, con cualquiera de las dos técnicas la idea es submuestrear el espectro de
longitudes de onda de interés (visible o infrarrojo cercano) utilizando elementos ópticos o
fuentes de luz que limiten el registro de las imágenes en determinadas bandas relativamente
angostas. Una vez que se ha realizado el registro multiespectral de la escena es necesario
modelar los factores que intervienen en la adquisición con el propósito de derivar la reectancia
espectral de los materiales que la conforman. En las siguientes líneas se hará mención de
algunas de estas técnicas.
J. C. Valdiviezo INAOE 98
5.2. REGISTRO MULTIESPECTRAL DE UNA ESCENA
ci = oTi r + ni , (5.2)
c = Or + n, (5.3)
donde oTi ocupa la i-ésima la de la matriz O. Por tanto, una primera estimación r̂ de la
reectancia espectral puede obtenerse a partir de la inversa generalizada asumiendo la ausencia
de ruido; ésto es,
r̂ = O+ c = OT (OOT )−1 c. (5.4)
La inversa generalizada proporciona un error cuadrático medio mínimo, sin embargo, dicho
cálculo puede conducir a estimaciones oscilatorias. Una alternativa para evitar este problema
consiste en imponer algunas condiciones de suavizamiento sobre la solución. El uso de una
J. C. Valdiviezo INAOE 99
5.2. REGISTRO MULTIESPECTRAL DE UNA ESCENA
matriz de suavizamiento permite obtener una estimación suavizada, la cual está dada por [12],
Una aproximación utilizada para Cr en la que ésta es modelada como una matriz
de covarianza resultado de un proceso de Markov de primer orden está denida, para i, j =
1, . . . , K , como
j−i
⇔ i<j
ρ
(Cr )ij = 1 ⇔ i=j , (5.8)
i−j
ρ ⇔ i>j
donde 0 ≤ ρ ≤ 1 es el factor de correlación del elemento adyacente.
libro cristiano de resos al que se le denominó el Euchologion. Durante la edad media reciclar
libros de esta manera era una práctica común debido a lo costoso que resultaba el tratamiento
de la piel de cordero para hacer nuevos pergaminos. Las hojas individuales del nuevo libro
miden aproximadamente 15 cm de ancho por 20 cm de largo y el texto religioso está escrito de
manera perpendicular a los textos originales borrados. La tinta utilizada para escribir el libro
de resos y la mayoría de los textos originales fue tinta hecha de hierro y hiel. En el Euchologion
la tinta es de color café oscura y los caracteres se leen muy bien en la mayoría de las páginas,
mientras que, en los textos borrados, las manchas de tinta remanentes son generalmente de
color más rojo y la visibilidad de los textos va desde evidente hasta virtualmente invisible.
El libro de resos fue utilizado por cientos de años en los servicios cristianos en el
Monasterio de San Saba, localizado en el desierto de Judea. En 1800, el libro fue colocado
en la biblioteca del Metochion del Santo Sepulcro en Constantinopla, donde su presencia
fue notado en 1844 por Constantin Von Tischendorf. Después de una larga trayectoria, en
octubre de 1998 el manuscrito fue comprado por un coleccionista anónimo, quien lo depositó
en el Museo de Arte Walters, en Baltimore, Maryland y desde entonces ha nanciado un
programa intensivo para la restauración, conservación y el análisis del documento. De esta
forma, diversas técnicas y sensores han sido utilizados para la digitalización del documento,
incluyendo imágenes obtenidas mediante iluminación con rayos UV y rayos X [10].
El registro multiespectral del documento se realizó por medio de iluminación prove-
niente de arreglos LEDs, a diferentes longitudes de onda; para la captura de las imágenes del
documento se utilizó un sensor de color Sinar 54H, que registra valores RGB en cada pixel
por medio de traslaciones pizoeléctricas del sensor. Con el uso de este arreglo once imágenes
fueron registradas con bandas espectrales centradas en las longitudes de onda que se indican
en la Tabla 5.1. Una vez que los valores de radiancia captados por el sensor se transformaron
en reectancia, tomando en cuenta la respuesta de la cámara y la distribución espectral de las
fuentes de iluminación, el análisis de las imágenes permite diferenciar los pigmentos presentes
en la manuscrito en base a su reectancia espectral.
Bandas 1 2 3 4 5 6 7 8 9 10 11
λ0 (nm) 365 445 470 505 530 570 617 625 700 735 870
En diversas aplicaciones se requieren técnicas autónomas que permitan clasicar los elemen-
tos que conforman una imagen. En el caso de imágenes multiespectrales técnicas particulares
se han aplicado para este propósito, algunas de la cuales están basadas en criterios como:
transformaciones para reducir la redundancia de información, agrupamiento de pixeles con in-
formación espectral similar y técnicas basadas en geometría convexa. En esta sección se hace
mención de tres métodos importantes de análisis que se pueden utilizar para la separación de
los textos presentes en el manuscrito de Arquímedes.
Es importante mencionar que en esta transformación los ejes del nuevo sistema coordenado
apuntan en la dirección de máxima varianza. Por otra parte, al calcular la matriz de covarianza
de y, los elementos fuera de la diagonal son cero, lo cual signica que sus elementos no
poseen correlación. Finalmente, para el caso de las imágenes de componentes principales, una
característica importante es que una porción alta del contraste está contenida en las primeras
dos imágenes, decreciendo rápidamente a partir de la segunda componente.
∑
Q
∑
K
J= dq,ξ ∥ xq − −
→
ς ξ ∥2 , (5.10)
q=1 ξ=1
la cual representa la suma de los cuadrados de las distancias de cada punto a su vector asignado
−
→ς ξ . Dado que esta función tiene por objetivo encontrar valores de d y −q,ξ
→ς ξ que minimicen
a J , el algoritmo realiza un proceso iterativo en el que cada iteración involucra dos procesos
de optimización. Primero se escogen valores iniciales para − →ς ξ . Entonces se minimiza J con
respecto a dq,ξ , manteniendo a −
→
ς ξ jo. En la segunda etapa se minimiza J con respecto a
−
→ς ξ , manteniendo a d jo. Estos dos pasos se repiten hasta que el algoritmo converge [4]. En
q,ξ
efecto, con el procedimiento descrito todos los puntos se clasican en alguno de los K grupos.
rema provee un método para comprobar la propiedad de independencia reticular y con ello
derivar un subconjunto de vectores independientes afín.
El Criterio II está basado en los Teoremas 3.4 y 3.5, en los que se establece que, para
obtener un conjunto independiente afín, ningun vector columna de W e independientemente M
debe ser igual o un múltiplo de alguno de los demás vectores. De esta forma, el procedimiento
en este caso consiste en eliminar cualquier vector columna que sea un múltiplo de los restantes.
Una vez que se han determinado subconjuntos de W y M se pueden utilizar ambos
conjuntos o determinadas columnas de ellos como la matriz S en el MLR. Por último, de
manera análoga al caso de imágenes en color, se debe estimar la proporción de cada uno de
los materiales constituyentes que forman las columnas de S , en cada pixel de la imagen. Para
ello, es posible utilizar el algoritmo de estimación por mínimos cuadrados no-negativa (NNLS),
la técnica de multiplicadores de Lagrange o la técnica híbrida presentada en la ec. (4.14).
Componentes principales
Al emplear el análisis de componentes principales, a partir del conjunto X se calcu-
laron el vector z y la matriz de covarianza C, respectivamente. El cálculo de los eigenvalores y
eigenvectores de C se utilizó para formar la matriz A cuyas las contienen a los eigenvectores
ordenados en forma decreciente de su correspondiente eigenvalor. Además, las once compo-
nentes de la imagen se calcularon por medio de la trasformación expresada en la ecuacion
(5.9). La Tabla 5.2 muestra los eigenvalores ordenados en forma decreciente. De acuerdo a
la discusión presentada en la sección anterior, en esta transformación es posible representar
las características más importantes de la imagen utilizando las componentes con los mayores
eigenvalores. Por tanto, las dos primeras componentes principales de la imagen, denotadas por
C1 y C2, se han utilizado para formar una imagen en falso color, tal que C1, C2, C1 han sido
empleadas respectivamente, como los canales R,G y B de la nueva imagen. La parte izquierda
de la gura 5.2 presenta la imagen en color verdadero de la porción del manuscrito empleada
para las simulaciones, mientras que la parte derecha despliega la imagen RGB que resulta de
la combinación de C1 y C2.
λ1 λ2 λ3 λ4 λ5 λ6 λ7 λ8 λ9 λ10 λ11
284.3 215 67.9 59.17 16.23 10.88 9 7.29 6.49 4.69 3.33
Medias-K .
La implementación numérica del algoritmo de acumulación por medias K en Matlab
fue utilizado para separar las tres clases presentes en el conjunto de datos X . Para ello, los
parámetros que se pueden especicar como entrada en el algoritmo son: el número de clases, el
tipo de distancia a utilizar, el número de veces que se desea repetir el agrupamiento y el método
utilizado para elegir las posiciones de los centroides iniciales. En base a los resultados obtenidos
con componentes principales, el número de clases se estableció igual a 3. Además, después de
realizar distintas iteraciones con diferentes parámetros para determinar el mejor desempeño
del algoritmo los parámetros restantes se denieron como sigue. La distancia Euclidiana se
Figura 5.2: Izquierda: imagen en color verdadero de la porción del palimpsesto utilizada para los experimen-
tos. Derecha: imagen en falso color realizada mediante la composición de las componentes C1 y C2 obtenidas
mediante PCA.
denió como métrica entre las clases, el número de veces que se repitió el agrupamiento fue
igual a 5 y los centroides iniciales se eligieron de acuerdo a una selección aleatoria a partir
del conjunto X . La Tabla 5.3 despliega los valores de los centroides −
→
ς 1, −
→
ς 2, −
→
ς 3 determinados
con el algoritmo. En la parte inferior izquierda de la gura 5.5 se muestra la clasicación de
los tipos de escritura y el fondo realizados por el agrupamiento de medias-K .
Tabla 5.3: Centroides determinados por medias-K para separar las tres clases en el palimpsesto.
−
→
ς1 116.4 56.5 74.5 92.2 94.9 81.4 98.3 94.4 77.4 73.6 118.9
−
→
ς2 82.4 41.3 54.2 68.6 71.7 65.5 88.5 83.6 69.9 68.1 114.8
−
→
ς3 48.6 25.6 32.9 41.4 43.6 40.9 59.5 56.9 52.2 54.5 107.8
Método W y M.
El cálculo de las matrices WXX y MXX se realizó a partir del conjunto X y los vectores
u y v fueron utilizados para calcular las versiones escaladas W y M , respectivamente. Después
de comprobar la independencia afín de las columnas de ambas memorias, cada matriz está
conformada por 11 columnas, por lo que el máximo número de puntos extremos que se pueden
determinar a partir de W ∪M ∪{v∪u} es igual a 11+11+2 = 24. Es importante mencionar que,
aunque las columnas que conforman a W ∪ M corresponden a valores extremos que encierran
al conjunto X , existe una correlación entre columnas adyacentes de cada matriz escalada. De
ahí que sea necesario aplicar una medida que permita discriminar entre aquellas columnas
que no presenten correlación, mismas que serán utilizadas como columnas de la matriz S en
el modelo MLR. En esta aplicación se utilizó el ángulo espectral entre vectores (spectral angle
mapper, SAM) como métrica para seleccionar un subconjunto de éstos, el cual calcula el ángulo
θ entre un vector espectral x y un espectro de referencia t y está denida por [14],
x·t
θ = cos−1 . (5.11)
∥x∥∥t∥
Figura 5.3: Curvas espectrales de los puntos extremos determinados a partir de W y M. La correspondencia
escrito en forma horizontal, el cual corresponde al texto original que data del siglo X, las tres
técnicas permiten resaltar o extraer gran parte de información. Por ejemplo, la composición
realizada en base a PCA ayuda a contrastar los dos textos presentes en el palimpsesto, lo
que facilita su interpretación. En el caso de medias-K , aunque se logran separar las tres
clases, existen diversos cortes en el texto original así como muchos pixeles mal clasicados
en los que el algoritmo ha señalado la presencia del pigmento 1. Por otra parte, dado que
con el método basado en W y M se han calculado las abundancias fraccionales para cada
pigmento en los pixeles de la imagen, la separación de los dos textos y el cuero se ha logrado
en buena proporción, lo cual permite una mejor extracción e interpretación del texto original.
Una ventaja adicional del método propuesto es que los textos se pueden visualizar de forma
separada. Por otra parte, en muchas aplicaciones es deseable realizar una cuanticación de
los resultados obtenidos en cada caso. Sin embargo, para este caso de estudio en el que no
se cuenta con una imagen de referencia con la que se puedan comparar dichos resultados, la
comparación está limitada a una interpretación visual.
Figura 5.4: Imágenes de las abundancias de los materiales constituyentes del palimpsesto determinados a
partir de W y M. Izquierda: texto escrito en el siglo XII (pigmento 2); centro: texto escrito en el siglo X
5.5. Conclusiones
Figura 5.5: Resultados de segmentación de los pigmentos presentes en el palimpsesto de Arquímedes. Primera
la, de izquierda a derecha: subimagen del manuscrito desplegada en color verdadero, composición en falso
color utilizando PCA. Segunda la, izquierda a derecha: resultados del agrupamiento por medias-K , mapas de
abundancia que corresponden a los dos tipos de escritura determinados por el método W M.
[2] Baronti S., Casini A., Lotti F., Porcinai S., Multispectral imaging systems for the mapping of
pigments in works of art by use of principal component analysis, Applied Optics, Vol. 37, No. 8,
pp. 12991309, 1998.
[3] Bearman G.H., Spiro S.E., Archaeological applications of advanced imaging techniques, The
Biblical Archaeologist, Vol. 59, No. 1, pp. 5666, 1996.
[4] Bishop C.M., Pattern Recognition and Machine Learning, Springer, pp. 424425, 2006.
[5] Burmester A., Bayerer F., Towards improved infrared reectograms, Studies in Conservation,
Vol. 38, No. 3, pp. 145154, 1993.
[6] Casini A., Lotti F., Picollo M., Stefani L., Buzzegoli E., Image spectroscopy mapping technique
for non-invasive analysis of paintings, Studies in Conservation Vol. 44, No. 1, pp. 3948, 1999.
[7] Conde J., Haneishi H., Yamaguchi M., Ohyama N., Baez J., Spectral reectance estimation of
ancient mexican condices, multispectral images approach, Revista Mexicana de Física, Vol. 50,
[8] Easton R.L., Knox K.T., Christens-Barry W.A., Multispectral imaging of the Archimedes
[9] Easton R.L., Knox K.T., Digital restoration of erased and damaged manuscripts, Proc. 39th
Annual Convention of the Association of Jewish Libraries, Brooklyn, NY, June 20-23, 2004.
112
BIBLIOGRAFÍA
[10] Easton, R.L., Innite possibilities: Ten year of study of the Archimedes Palimpsest, Proc. of
the American Philosophical Society, Vol.154, No. 1, pp. 5076, 2010.
[11] Manseld J.R., Sowa M.G., Majzels C., Collins C., Cloutis E., Mantsch H.H., Near infrared
spectroscopic reectance imaging: supervised vs. unsupervised analysis using an art conservation
[12] Pratt W.K., Mancill C.E., Spectral estimation techniques for the spectral calibration of a color
image scanner, Applied Optics, Vol. 15, No. 1, pp. 7375, 1976.
[13] Park S.K., Huck F.O., Estimation of spectral reectance curves from multispectral image data,
[14] Smith R.B., Introduction to hyperspectral images, Microimages Inc. Tutorial, Lincoln, NE.
(2001).
[16] Valdiviezo-Navarro J.C. and Urcid G., Multispectral images segmentation of ancient documents
with lattice memories, OSA Proc.: Digital Image Processing and Analysis, Tucson, AZ, June
2010.
[17] Van Asperen de Boer J.R.J., Reectrography of paintings using an infra-red vidicon television
[18] Ware G.A., Chabries D.M., Christiansen R.W., Brady J.E., Martin C.E., Multispectral Analysis
of Ancient Maya Pigments: Implications for the Naj Tunich Corpus, IEEE Proc.: IGARSS, Vol
En este capítulo se presenta el análisis de puntos extremos utilizando las memorias reticulares
para el caso de dos imágenes hiperespectrales remotamente registradas. El capítulo se inicia con
una breve descripción de los fundamentos físicos involucrados en el registro de estas imágenes,
sus características partículares, así como los métodos utilizados para derivar la reectancia
espectral. Más adelante se presentan los espectros de los puntos extremos determinados con
W y M , los cuales se comparan con los obtenidos por el análisis de componentes de vértices.
Para concluir el capítulo se muestran los mapas de la distribución de los recursos naturales
calculados a partir de los puntos extremos determinados con cada método.
114
6.1. REGISTRO HIPERESPECTRAL DE UNA ESCENA
infrared, VNIR) y la región que comprende de 1.0 a 2.5 µm se conoce como infrarrojo de longi-
tud de onda corta (short wavelength infrared, SWIR). Por lo tanto, los datos hiperespectrales
resultantes están conformados en un cubo de imágenes con dos dimensiones espaciales y una
espectral. La información contenida en un pixel único de la imagen hiperespectral puede ser
usada para comparar e identicar cualquier objeto en base a sus características espectrales,
en una localización especíca de la zona de interés.
IR
espejo rotatorio
Rojo
Verde
Azul
Figura 6.1: Dos tipos de sistemas de barrido usados para capturar una escena hiperespectral; el
número de bandas espectrales está determinado por los detectores que cubren intervalos de longitudes
system ). Por otro lado, si la óptica forma la imagen de una rendija larga sin necesitar de un
sistema mecánico de barrido más que el movimiento de la plataforma para formar una imagen,
el sistema se conoce como escobilla de empuje (pushbroom system ). Ambos sistemas se ilus-
tran el la gura 6.1. Existe otro sistema que utiliza un arreglo bidimensional de fotodetectores
y un arreglo lineal de ltros para registrar de manera simultánea las bandas de la imagen [4].
Después de que la energía se ha colectado, la radiación incidente es entonces dirigida a un
conjunto de espectrómetros que dividen la luz en múltiples bandas estrechas de energía por
medio de un elemento dispersivo, que puede ser una rejilla o un prisma. Finalmente la energía
que sale del elemento dispersivo es capturada por medio de fotodetectores cuya sensibilidad
responde a intervalos de longitudes de onda especícos, lo que da lugar a cientos de bandas
espectrales.
cualquier absorción presente en la reectancia medida sobre estas regiones estará relacionada
con las efectos antes mencionados y, por lo tanto, tales efectos pueden ser compensados para
la imagen completa. De esta manera, al dividir cada espectro de la imagen por el espectro de
campo plano, la escena se convierte a reectancia relativa.
Por otro lado, los métodos empíricos emplean tanto los datos sensados remotamente,
como mediciones de campo de la reectancia, r(λ), para resolver una ecuación lineal que la
relaciona con la radiancia del sensor, tal que,
donde L(λ) representa la radiancia capturada por el sensor y que varía con la longitud de
onda λ, y b, c representan, respectivamente, términos multiplicativo y aditivo para ajustar la
radiancia del sensor.
Las aproximaciones basadas en modelos buscan representar matemáticamente todos los
factores involucrados en la radiancia adquirida en cada pixel, incluyendo las perturbaciones
atmosféricas. Para este propósito, se utiliza el espectro de irradiancia solar simulado, entonces
el método estima la radiancia solar en el día y la hora de la adquisición de la imagen y los
efectos de esparcimiento y absorción de la atmósfera. Por tanto, la radiancia solar que llega a
la apertura del sensor Ls , en función de la longitud de onda λ puede ser modelado como
1
Ls (λ) = (Er(λ) + Mt )τθ + Lp , (6.2)
π
conocido como HyspIRI. La misión incluye dos instrumentos colocados en un satélite en órbita
terrestre baja. El primero, un espectrómetro de imagen, registrará imágenes a una resolución
de 10 nm en las porciones visible a infrarrojo de onda corta. El segundo instrumento es un
sensor multiespectral que cubrirá las porciones infrarrojo medio y térmico (3 a 12 µm). Ambos
instrumentos tendrán una resolución espacial de 60 m y serán capaces de colectar 210 bandas
espectrales [1].
necesario vericar que sus vectores columna satisfacen la propiedad de independencia afín.
Más aún, a diferencia de los casos de aplicación en imágenes en color y multiespectrales, para
imágenes hiperespectrales en las que n es de alto orden, los vectores columna de W presentan
un pico hacia arriba, mientras que los vectores de M presentan un pico hacia abajo. Este
efecto de picos se debe al escalamiento aditivo previamente realizado puesto que wii = ui
y mii = vi , respectivamente. Resulta necesario entonces realizar un procedimiento simple de
suavización considerando uno o dos de los vectores espectrales más cercanos a wii o mii , el
cual está dado, para cualquier i ∈ {1, . . . , n}, por
z1,2 ⇔ i = 1,
zii = 1
(z + zi+1,i ) ⇔ 1 < i < n, (6.3)
2 i−1,i
zn−1,n ⇔ i = n,
donde z puede ser igual a w o m. Una vez que se ha realizado este proceso de suavización, un
subconjunto de W ∪ M puede ser utilizado como puntos extremos en el modelo de mezclado
lineal.
el intervalo de longitudes de onda de 0.395 a 2.45 µm. Cada escena tiene una reolución espec-
tral de 5 nm, con un total de 360 bandas espectrales. De esta manera, un cubo hiperespectral
está conformado por 600 líneas × 320 pixeles × 360 bandas (alrededor de 132 Mbytes). Dada
la alta resolución espectral, una práctica común para evitar información redundante consiste
en reducir la dimensionalidad espectral de los datos mediante una técnica determinada; por
ejemplo, PCA, la transformación de fracciones de mínimo ruido o una reducción de bandas
adyacentes altamente correlacionadas [6, 10, 11], las cuales son necesarias para disminuir el
costo computacional. En los cubos de datos usados para esta simulación, el número de bandas
espectrales fue reducido a 90 por medio de una selección de bandas a subintervalos de 20 nm,
que en conjunto cubren la misma porción del espectro. Esta reducción espectral permite acel-
erar los tiempos de cómputo sin ocasionar cambios signicativos en la tarea de identicación.
Suwanee, el cual se localiza en la costa norte del Golfo que pertenece a Estados Unidos. El
refugio alberga uno de los ecosistemas más grandes del río Delta, en el que habitan numerosas
especies de vida salvaje. Los datos registrados cubren pantanos, así como múltiples reservas de
vida salvaje durante el periodo de mayo a junio del 2010. Las imágenes capturaron el estado
de la vegetación en ese momento y pueden ser utilizadas para localizar la presencia o ausencia
de hidrocarburos en la supercie de la vegetación. Además, debido a que los datos fueron
adquiridos antes del derrame de petroleo ocurrido en 2010, éstos pueden ser comparados con
imágenes más recientes para ayudar en la recuperación de los áreas afectadas. La gura 6.2
muestra dos imágenes compuestas de la escena hiperespectral de la costa del Golfo. La parte
izquierda de la gura fue formada por la combinación de las bandas 54 (rojo, λ = 693 nm),
34 (verde, λ = 584 nm) y 14 (azul, λ = 469.5 nm), dando la apariencia de imagen de color
verdadero; la parte derecha fue formada con las bandas 81 (rojo, λ = 851 nm), 217 (verde,
λ = 1631 nm) y 54 (azul, λ = 693 nm), cuya combinación de bandas en el infrarrojo resalta
las áreas de vegetación en colores verde, naranja y café.
Para el proceso de determinación de los puntos extremos se siguió un proceso similar
al discutido para el caso multiespectral. Primero se formó el conjunto X = {x1 , . . . , xk } ∈ Rn ,
Figura 6.2: Imágenes a color de la escena hiperespectral registrada sobre la costa del Golfo de México.
Izquierda: imagen formada por la combinación de las bandas 54 (rojo), 34 (verde) y 14 (azul). Derecha:
donde k = 600 × 320 = 192000 y n = 90, compuesto con todos los vectores espectrales que
conforman la escena. A partir de la matriz X se calcularon las memorias WXX y MXX . Asimis-
mo, por medio de los vectores v y u, las columnas de ambas memorias fueron escaladas para
obtener W y M . Para comprobar la independencia afín de los vectores se vericó que ninguna
columna de W y M fueran iguales. En este ejemplo, cada matriz escalada está conformada
por 90 columnas independientes afín y, por lo tanto, cada una posee 90 candidatos a puntos
extremos. De manera adicional, antes de seleccionar un subconjunto de puntos extremos se
realizó el proceso de suavizamiento de los picos que aparecen en la diagonal principal de ambas
memorias, por medio de la ecuación (6.3).
Es importante destacar que el método basado en W y M siempre proporciona un
número de candidatos a puntos extremos que es igual o ligeramente menor que la dimen-
sionalidad espectral. En la práctica, sin embargo, las columnas contiguas están altamente
correlacionadas siendo necesario utilizar algunas técnicas para seleccionar un conjunto reduci-
do [11]. En estos ejemplos se ha utilizado una técnica simple basada en el hecho de que las
√ √
memorias forman ⌊ n + 1⌋ subconjuntos, cada uno con ⌊ n + 1⌋ vectores columna tanto para
W como para M . De esta manera, un representante de cada grupo es seleccionado como punto
extremo. Aunque esta técnica provee un número razonable de puntos extremos, en situaciones
prácticas donde un pequño número de materiales conforman la escena hiperespectral, es nece-
sario realizar una selección nal al considerar sólo aquellos espectros que están completamente
decorrelacionados. Por lo tanto en este ejemplo de aplicación, de los 20 candidatos a puntos
extremos determinados a partir de W ∪ M , una selección nal de puntos extremos no correla-
cionados proporcionó un conjunto de 5 vectores espectrales que forman las columnas de S ; así,
S = (w2 , w24 , w43 , w54 , w79 ).
Por otra parte, el algoritmo VCA se aplicó al mismo conjunto de datos hiperespec-
trales. De acuerdo a la implementación, el algoritmo requiere como parámetro de entrada el
número de puntos extremos a determinarse; la salida del algoritmo incluye los espectros de
los puntos extremos obtenidos, así como las posiciones de los pixeles en la imagen de donde
éstos fueron extraídos. Iteraciones repetidas con el mismo número de puntos extremos pro-
duce casi el mismo conjunto de salida, con la diferencia en el orden en el que sus espectros
aparecen. Después de probar diferentes valores de entrada, tales como 5, 7, 9, 10, se eligió
utilizar el número de puntos extremos determinados con W y M como entrada para VCA.
De ahí que el conjunto S de puntos extremos identicados con VCA está conformado por
S = (x27876 , x90661 , x97850 , x84588 , x191634 ). La gura 6.3 despliega los espectros de tres puntos
extremos determinados mediante la selección de columnas de W ∪ M , cuyas curvas espectrales
corresponden a recursos naturales en la escena de la costa del Golfo. De manera similar, la
gura 6.4 muestra los espectros de tres puntos extremos obtenidos con el algoritmo VCA. En
ambos casos la distribución espectral de los valores de reectancia se normalizó del rango
[0,6000] al intervalo unitario [0,1]. En ambas guras se puede observar una similitud entre
curvas espectrales dibujadas con el mismo color.
Ejemplo 2. Belstville
En el siguiente ejemplo se utilizó un cubo hiperespectral registrado sobre el área de
Reflectancia normalizada
Longitud de onda
Figura 6.3: Espectros de tres puntos extremos determinados con W y M en el cubo hiperespectral del Golfo
Belstville, que se localiza al norte del condado de Prince George en Maryland, Estados Unidos.
El área registrada por el sensor incluye muestras de agricultura y vegetación. De forma similar
a la imagen anterior, el cubo de datos empleado para este experimento es de tamaño 600 ×
320 × 90, abarcando el mismo intervalo de longitudes de onda. La parte izquierda de la gura
6.5 despliega una imagen a color compuesta por la combinación de bandas 54 (rojo, λ = 693
nm), 34 (verde, λ = 584 nm) y 14 (azul, λ = 469.5 nm), simulando una imagen de color
verdadero; la parte derecha de la gura fue formada con las bandas 81 (rojo, λ = 851 nm), 54
(verde, λ = 693 nm) y 34 (azul, λ = 584 nm) que permite resaltar las áreas de vegetación en
tonos rojos.
La determinación de los puntos extremos en base a W y M se realizó de manera similar
al procedimiento descrito en el ejemplo previo. El conjunto de todos los vectores espectrales
de la imagen está formado por X = {x1 , . . . , xk }, con k = 600 × 320 = 192000 y n = 90. A
partir de X se calcularon las memorias WXX , MXX = −WXX
T
, así como las matrices escaladas
W y M . Una vez que la condición de independencia afín es vericada, las memorias escaladas
son de tamaño 90 × 90. Además los efectos de picos que aparecen en la diagonal principal de
ambas memorias fueron removidos por medio de la ec. (6.3). A partir del conjunto W ∪ M se
Reflectancia normalizada
Longitud de onda
Figura 6.4: Espectros de tres puntos extremos obtenidos con el algoritmo VCA en el cubo hiperespectral del
Golfo de México. Los vectores columna sj para j = 1, . . . , 5 indican las columnas correspondientes de S.
realizó una selección de 20 candidatos a puntos extremos. La elección de los vectores columna
espectralmente diferentes permitió formar el conjunto nal de puntos extremos, cuyos vectores
denen las columnas de S , tal que S = {w24 , w37 , w47 , w64 , m46 , m57 , m62 }; dicho conjunto
será empleado para estimar las abundancias fraccionales de cada punto extremo.
Por otra parte, la búsqueda de puntos extremos con el algoritmo VCA se realizó estable-
ciendo el valor de 7 como parámetro de entrada. Los espectros resultantes de este procedimiento
fueron usados para formar la matriz S = (s1 , . . . , s7 ), cuyos vectores columna asociados son
(x191845 , x191419 , x9630 , x111446 , x114301 , x191724 , x65969 ). La gura 6.6 muestra cuatro de los pun-
tos extremos nales obtenidos con la selección realizada a partir de W ∪ M . La gura 6.7
despliega cuatro de los puntos extremos determinados por VCA y que son similares a aquellos
calculados con las memorias. La similitud entre curvas espectrales se puede identicar para
curvas dibujadas con el mismo color.
Figura 6.5: Imágenes a color de la escena hiperespectral de Beltsville. Izquierda: imagen formada por la
combinación de bandas 54 (rojo), 34 (verde) y 14 (azul). Derecha: combinación de bandas 81 (rojo), 54 (verde)
y 34 (azul).
Aunque las curvas en ambos conjuntos parecen ser similares, algún criterio debe ser
aplicado para cuanticar estas similitudes. Aqui se han calculado los coecientes de correlación
(φ) entre los vectores determinados por las MAAMs y aquellos producidos por VCA, en cada
uno de los ejemplos. La Tabla 6.1 muestra los coecientes de correlación calculados para las
curvas espectrales desplegadas en las guras 6.3, 6.4 y 6.6, 6.7, respectivamente.
El proceso de separación espectral puede efectuarse mediante la inversión de la ec.
(3.9), sujeta a las restricciones de aditividad completa y no negatividad de los coecientes de
abundancia. Esta inversión se expresa en la ec. (3.11), la cual es un sistema sobre determinado
de ecuaciones lineales, tal que n > p. Para los ejemplos aquí presentados, ambas matrices W y
M son de rango completo, así sus vectores columna son linealmente independientes. Además,
Reflectancia normalizada
Longitud de onda
Figura 6.6: Espectros de cuatro puntos extremos determinados con W y M en el cubo hiperespectral de
los conjuntos de miembros nales determinados tanto con las MAAMs como con VCA son
linealmente independientes, cuya matriz pseudoinversa es única. Para los ejemplos presentados,
donde n > p con n = 90 y p = 7 o p = 5, se ha utilizado la estimación de mínimos cuadrados
no negativa NNLS que resuelve el problema de minimizar la norma Euclidiana ∥Sa − x∥2 ,
sujeta a la condición a > 0 [7].
La gura 6.8 despliega los mapas de abundancia en color de los puntos extremos de-
terminados con los dos métodos aquí discutidos. En estas imágenes las áreas más brillantes
representan máxima distribución del punto extremo correspondiente. La parte izquierda de la
misma gura muestra la distribución de cuatro recursos naturales que fueron determinados
con W y M en el cubo hiperespectral de la costa del Golfo. La parte derecha despliega la dis-
tribución de tres recursos naturales que fueron determinados por el algoritmo VCA. En ambos
casos se presentan sólo los mapas de abundancia que proveen información útil ya que algunos
otros mapas presentan información redundante o áreas predominantemente oscuras, los cuales
no fueron incluidos. Aunque la región es particularmente caracterizada por la presencia de
pantanos, no fue posible identicar los recursos naturales en base a un conjunto de espectros
de referencia pues no se cuenta con dichos espectros.
Tabla 6.1: Coecientes de correlación (φ) para espectros similares obtenidos con el método W M y algoritmo
La gura 6.9 despliega los mapas de abundancia en color de los puntos extremos deter-
minados en base a W y M (izquierda) y con VCA (derecha), a partir del cubo hiperespectral de
Belstville. Aunque el conjunto S está conformado por siete puntos extremos, en ambos casos
se han incluido los mapas de abundancia que mejor se asemejan a la distribución de vegetación
que se puede interpretar en la gura 6.5. En este ejemplo es evidente que la identicación de
los tipos de vegetación, producida por cada uno de los métodos, presenta resultados similares
para las segmentaciones mostradas en colores amarillo y magenta. Sin embargo, los resultados
presentan diferencias importantes en las segmentaciones verde y azul. Estas diferencias son
causadas principalmente por el procedimiento de búsqueda de puntos extremos que emplea
cada uno de los métodos. Más aún, el hecho de que las curvas espectrales de los tipos de
vegetación sean similares, presentando variaciones únicamente en ciertas bandas de absorción,
contribuye con las discrepancias en los resultados de segmentación.
6.5. Conclusiones
Reflectancia normalizada
Longitud de onda
Figura 6.7: Espectros de cuatro puntos extremos obtenidos con el algoritmo VCA en el cubo hiperespectral
de Beltsville. Los vectores columna sj para j = 1, . . . , 7 indican las columnas correspondientes de la matriz S.
Gran parte de los métodos que han sido propuestos para la identicación de puntos extremos
están basados en la geometría de conjuntos convexos; el fundamento matemático de dichos
métodos es modelar las mezclas espectrales adquiridas en los pixeles como una combinación
lineal de materiales constituyentes de la escena. Además, el método basado en MAAMs se
ha empleado para la identicación de recursos naturales en imágenes hiperespectrales. Los
resultados obtenidos en la identicación de puntos extremos se han comparado con aquellos
presentados con el algoritmo VCA. Los mapas de abundancias de los materiales calculados
para cada método permiten conocer la distribución de un determinado material a lo largo de
la escena. En efecto, dichos mapas presentan resultados similares con algunas discrepancias
en la distribución de determinados recursos naturales. De esta manera, se puede decir que el
método W y M es una técnica autónoma con resultados adecuados que pueden ser utilizados
para la clasicación de materiales en imágenes hiperespectrales.
Figura 6.8: Mapas de abundancia en color de los recursos naturales determinados con la identicación
autónoma de puntos extremos en el cubo hiperspectral del Golfo de México. Izquierda: abundancias de cuatro
puntos extremos determinados con W y M , cuya distribución de colores corresponde a amarillo = w2 , magenta
= w24 , verde = w43 , azul = w54 . Derecha: abundancias de tres puntos extremos determinados con VCA cuya
distribución de colores es amarillo = s4 , magenta = s2 , verde = s3 . Áreas más brillantes representan mayor
Figura 6.9: Mapas de abundancia en color de los tipos de vegetación obtenidos con la identicación autónoma
de puntos extremos en la imagen hiperespectral de Belstville. Izquierda: abundancias de cuatro puntos extremos
determinados con WM cuya distribución de colores corresponde a magenta = w24 , amarillo = w67 , azul =
m46 , verde = m62 . Derecha: abundancias de cuatro puntos extremos determinados con VCA, cuya distribución
de colores es magenta = s2 , amarillo = s3 , azul = s5 , verde = s7 . Áreas más brillantes representan mayor
[2] Farrand W.H., Hyperspectral remote sensing of land and the atmosphere. In: Encyclopedia of
Modern Optics, Robert D. Guenther ed., Vol. 1, pp. 395403, Elsevier, Academic Press, 2005.
[3] Huebshman M.L., Schultz R.A., Garner H.R., Hyperspectral imaging. In: Encyclopedia of
Modern Optics, Robert D. Guenther ed., Vol. 1, pp. 134143, Elsevier, Academic Press, 2005.
[4] Jensen J.R., Remote Sensing of the Environment: an Earth Resource Perspective, 2nd edition,
Pearson Prentice Hall, 2007.
[5] Keshava N., Mustard J.F., Spectral unmixing, IEEE Signal Processing Magazine, Vol. 19, No.
1, pp. 4457, 2002.
[6] Keshava N., A survey of spectral unmixing algorithms, Lincoln Laboratory Journal, Vol. 14,
[7] Lawson C.L., Hanson R.J., Solving least squares problems, chap. 23, Prentice-Hall, Englewood
Clis NJ, 1974.
[8] More K.A., Spectrometers, In: Encyclopedia of Modern Optics, Robert D. Guenther ed., Vol.
1, pp. 324336, Elsevier, Academic Press, 2005.
[9] Nascimento J.M.P., Bioucas-Dias J.M., Vertex component analysis: a fast algorithm to unmix
hyperspectral data, IEEE Trans. on Geoscience and Remote Sensing, Vol. 43, No. 4, pp. 898
910, 2005.
133
BIBLIOGRAFÍA
[10] Ritter G.X., Urcid G., Schmalz M.S., Autonomous single-pass endmember approximation using
lattice auto-associative memories, Neurocomputing, Vol. 72, No. 10-12, pp. 21012110, June
2009.
[11] Ritter G.X., Urcid G., Lattice algebra approach to endmember determination in hyperspectral
imagery. In: Advances in Imaging and Electron Physics, Peter W. Hawkes ed., Vol. 160, pp.
[12] SpecTir. SpecTir: end to end hyperspectral solutions, website: www.spectir.com, 2009.
[13] Urcid G., Valdiviezo-N. J.C., Ritter G.X., Endmember search techniques based on lattice
auto-associative memories: a case on vegetation discrimination, SPIE Proc.: Image and Signal
Processing for Remote Sensing, Vol. 7477, Berlín, Germany, pp. 74771D:112, 2009.
[14] Valdiviezo J.C., Urcid G., Convex set approaches for material quantication in hyperspectral
imagery. In: Earth Observation, Rustam B. Rustamov and Saida E. Salahova eds., In Press.
Conclusiones
135
7.1. CONCLUSIONES GENERALES
se denieron los conceptos de reectancia y absortancia que son útiles para comprender los
capítulos subsecuentes. Además, se presentaron espectros de energía reejada registrados para
diversos tipos de vegetación utilizando un espectrómetro de línea de la compañia BWTek. El
registro de espectros en el laboratorio ha sido fundamental en este trabajo ya que ha permitido
tener una idea más clara de los factores que están involucrados en el proceso de registro de
espectros y de los fenómenos que originan cambios en las curvas espectrales. Al tratar de
simular los mecanismos que originan las mezclas espectrales se ha determinado que es posible
representar dichas mezclas usando un modelo de mezclado lineal.
En el Capítulo 3 se enunció la base matemática del método desarrollado en esta in-
vestigación. En particular, las operaciones del álgebra reticular minimax fueron denidas y se
presentó un breve tratamiento de conjuntos convexos y su relación con el análisis de mezclado
lineal. Más aún, al denir las memorias autoasociativas reticulares WXX y MXX se enunció
también su relación con la geometría de conjuntos convexos. Así, las columnas escaladas de
ambas memorias permiten determinar los puntos extremos que envuelven a los datos. De ahí
que el conjunto W ∪ M ∪ {u ∪ v} dene un politopo con 2(n + 1) vértices, donde n es la
dimensión del espacio dado. Un subconjunto de puntos extremos derivados a partir de este
politopo puede ser usado para cuanticar las mezclas en cada pixel de una imagen dada.
En el Capítulo 4 se ha introducido una novedosa técnica de segmentación para imágenes
en color, la cual está basada en la determinación de puntos extremos usando las memorias
autoasociativas reticulares. Los puntos extremos determinados a partir de imágenes en tres
canales corresponden a los pixeles de color saturados en la imagen, los cuales son utilizados en
el modelo de mezclado lineal para representar las mezclas de color en cada pixel. El cálculo de
los coecientes fraccionales de cada color saturado en los pixeles de la imagen permite realizar
una segmentación global de los colores que la conforman. El método basado en W y M se
ha aplicado a imágenes transformadas a otros espacios de color, con lo que se han logrado
mejoras en los resultados de segmentación cuando se utiliza el espacio I1I2I3. Al comparar esta
técnica con métodos de segmentación conocidos, tales como la distancia de Mahalanobis y el
algoritmo de cuencas, los resultados de segmentación son superiores a los que presentan dichas
técnicas. En efecto, el método propuesto puede ser considerado como una técnica autónoma
de los recursos naturales que se encuentran en el área bajo estudio. Por tanto, los espectros
de los puntos extremos obtenidos mediante las memorias reticulares fueron empleados para el
cálculo de las abundancias de cada recurso natural. Los resultados de segmentación obtenidos
para las dos imágenes ejemplares permiten conocer la presencia de los recursos naturales exis-
tentes. En efecto, en base a los resultados obtenidos en cada uno de los casos aquí discutidos se
ha demostrado que es posible aplicar las memorias autoasociativas reticulares para el análisis
y segmentación de imágenes multicanal.
G. Urcid, J.C. Valdiviezo-N, G.X. Ritter, Lattice algebra approach to color image seg-
mentation, Journal of Mathematical Imaging and Vision, doi 10.1007/s10851-011-0302-
2, June 2011.
Gonzalo Urcid, Juan Carlos Valdiviezo-N, Gerhard X. Ritter, Lattice associative memo-
ries for segmenting color images in dierent color spaces, LNCS Proc.: Hybrid Articial
G. Urcid and J.C. Valdiviezo-Navarro, Color image segmentation based on lattice au-
toassociative memories, IASTED Proc.: 13th Articial Intelligence and Soft Computing,
J.C. Valdiviezo, G. Urcid, Convex set approaches for material quantication in hyper-
spectral imagery. In: Earth Observation, Rustam B. Rustamov and Saida E. Salahova
editors, In Press.
Gonzalo Urcid, Juan Carlos Valdiviezo-N. and Gerhard X. Ritter, Endmember search
techniques based on lattice auto-associative memories: a case on vegetation discrimina-
tion, SPIE Proc.: Image and Signal Processing for Remote Sensing, Vol. 7477, Berlín,
Germany, 74771D:112, 2009.
Además de las aportaciones del trabajo de investigación, en la segunda mitad del tercer
año de doctorado se realizó una estancia de investigación en el Instituto de Óptica Daza de
Valdés, en Madrid España. Durante la estancia se trabajó en temas relacionados con el análisis
y mejoramiento de imágenes de Óptica Biomédica. Uno de los resultados de esta estancia ha
sido la publicación del siguiente manuscrito: