Please use this identifier to cite or link to this item:
http://ri.uaemex.mx/handle20.500.11799/98997| Title: | Análisis de imágenes digitales para reconocimiento de cobertura de suelos | Keywords: | Research Subject Categories;info:eu-repo/classification/cti/7 | Publisher: | Universidad Autónoma del Estado de México | Description: | Conocer los recursos naturales, cuantificar los desastres ecológicos y planear las campañas de reforestación. Necesitan de información actual pronta y precisa, esta información se puede obtener por técnicas manuales (censos, estudio de campo, inferencias estadísticas) o análisis de imágenes aéreas. El análisis de imágenes aéreas ha tenido grandes avances tecnológicos, lo cual permite colocar sensores remotos de mayor capacidad con el fin de obtener imágenes que brinde información detallada del área de estudio. Una tecnología desarrollada es la imagen híper-espectral. Las imágenes híper-espectrales permiten obtener más información de una fotografía área que otro tipo de imágenes, esta información se empleó para obtener la cobertura de suelo en la imagen. Esta cobertura de suelo es generada por 2 partes; la segmentación y la clasificación, para segmentar y clasificar imágenes existen técnicas como (ANN, Likelihood y SVM). En este trabajo, la segmentación se realiza de manera conjunta con la clasificación esto es posible al usar los pixeles de forma individual, con lo que se obtiene la clasificación y segmentación en un solo paso. Para clasificar se emplea una SVM con kernel Sigmoid la cual ofrece altas precisiones en imágenes terrestres y aéreas. Antes de emplear el SVM los pixeles son filtrados por 9 diferentes filtros creados a partir del concepto de Markov, buscando solo incluir a los pixeles más próximos al píxel de interés, estos 9 filtros están dado por 3 patrones (cruz, cuadrado y estrella) combinados con 3 magnitudes (1, 3, 5). Debido a que SVM es solo para clasificación binaria se ha introducido la técnica OAA para obtener multi-clasificación. Los resultados experimentales muestran que con la combinación de técnicas ha obtenido una precisión promedio de 90% para clasificar diferentes tipos de cultivos en imágenes híper-espectrales. | URI: | http://ri.uaemex.mx/handle20.500.11799/98997 | Other Identifiers: | http://hdl.handle.net/20.500.11799/98997 | Rights: | info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-nd/4.0 |
| Appears in Collections: | Producción |
Show full item record
Google ScholarTM
Check
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.