ALGORITMOS COMPLEJOS PARA LA REDUCCIÓN DE RUIDO EN DATOS HIPERESPECTRALES DE IMÁGENES CON BAJO SNR

Kurzfassung

El presente trabajo se centra en el limpiado de ruido en imágenes hiperespectrales. Actualmente existe una gran variedad de métodos que abordan este problema de diversas maneras, entre los que destacan, por ser los más extendidos, el filtrado de las imágenes mediante la utilización de filtros de paso bajo como la media. Sin embargo, como es sabido esta técnica presenta ciertos inconvenientes tanto a la hora de mantener los valores originales de la imagen como a la de mantener su resolución espacial original. Esto resulta bastante inconveniente en imágenes hiperespectrales, ya que éstas ya suelen presentar inicialmente bajas resoluciones espaciales, además, la conservación de los valores originales de la imagen es imprescindible para un gran número de aplicaciones, entre las que caben citar aplicaciones acuáticas, por requerir gran precisión en sus datos. En el Deutsches Zentrum für Luft- und Raumfahrt e.V. -o DLR en adelante- se ha desarrollado un nuevo procedimiento de limpieza del ruido -o denoising-, basado en el spectral unmixing, un conjunto de técnicas propias de la teledetección hiperespectral empleadas para la determinación de la composición interna de cada píxel. Hasta ahora, el spectral unmixing y el limpiado de ruido se han considerado problemas totalmente independientes dentro del tratamiento digital de imágenes hiperespectrales, sin embargo, con el método desarrollado por el DLR, se demuestra que el spectral unmixing puede llegar a aportador buenos resultados para reducir el ruido incluso en imágenes muy corrompidas con ratios de señal/ruido -Signal to Noise Ratio, o SNR- muy bajos. A pesar de esto, aunque esta técnica, llamada Unmixing-based denoising -UBD en adelante-, presenta grandes ventajas frente a otra serie de técnicas más extendidas, también muestra algunos problemas que han de solucionarse antes de generalizar el procedimiento. Para ello, en el presente trabajo se ha pretendido abordarlos e intentar solucionarlos, de modo que se ha complementado el algoritmo inicial desarrollando unos procedimientos alrededor de éste que los automatizan y lo implementan para tratar de resolver algunas de sus carencias más relevantes. Finalmente, el algoritmo desarrollado se ha probado con datos reales, llegando a obtener resultados bastante positivos.