experimentos de extraccion de endmembers con mam
TRANSCRIPT
Experimentos de extraccion de endmembers con MAM
0 50 100 150 200 250-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
spectral bands
normalized radianceTextEnd
Extremos encontrados tomando el pixel (1,1) como inicio: 15 extremos
origen de los extremos encontrados
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000endmembers en la imagen original
spectral bands
radianceTextEnd
Endmembers extraidos de la imagen original correspondientes a los extremos encontrados
Imágenes de abundancias
0 50 100 150 200 250-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
spectral bands
norm
aliz
ed r
adia
nce
Extremos encontrados a partir de un espectro inicial escogido aleatoriamente: 6 endmembers
origen de los extremos encontrados
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
spectral bands
radi
ance
Endmembers extraidos de la imagen original correspondientes a los extremos encontrados.
Imágenes de abundancias de los endmembers localizados
Clasificaciones mediante SAM usando los endmembers
origen de los extremos encontrados
spectral bands
0 50 100 150 200 250-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
spectral bands
norm
aliz
ed r
adia
nce
8 extremos
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
8000
9000endmembers en la imagen original
spectral bands
radianceTextEnd
0 50 100 150 200 250-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
spectral bands
normalized radianceTextEnd
Prueba incluyendo los intervalos de confianza (1.5) del ruido en la busqueda de los extremos 17 extremos
origen de los extremos encontrados
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000endmembers en la imagen original
spectral bands
radianceTextEnd
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
8000endmembers en la imagen original
Extremos calculados sobre los datos originales, considerando interv conf (3.5): 16
origen de los extremos encontrados
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
8000
9000endmembers en la imagen original
spectral bands
radianceTextEnd
Siguiendo la aproximacion CCA, aplicamos la cosa sobre los pixels transformados por los autovalores de la covarianza de los pixels normalizados: 3 representantes
origen de los extremos encontrados
Imágenes de abundancias
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
8000endmembers en la imagen original
spectral bands
radianceTextEnd
origen de los extremos encontrados
Idem bajando el umbral de ruido al 0.5
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
8000endmembers en la imagen original
spectral bands
radianceTextEnd
Idem con umbral 0.3: 8 extremos
origen de los extremos encontrados
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
8000endmembers en la imagen original
spectral bands
radianceTextEnd
Idem 0.2, 14 extremosorigen de los extremos encontrados
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
8000endmembers en la imagen original
spectral bands
radianceTextEnd
Con solo 11 autovectores, umbral 0.2 origen de los extremos encontrados
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
8000
9000endmembers en la imagen original
spectral bands
radianceTextEnd
Umbral 0.2, 11 extremos
0 50 100 150 200 2500
1000
2000
3000
4000
5000
6000
7000
8000
9000endmembers en la imagen original
spectral bands
radianceTextEnd
Umbral 0.15, 17 extremos