Show simple item record

dc.contributor.advisor
dc.contributor.advisorIribarne Martínez, Luis Fernandoes_ES
dc.contributor.advisorPiedra Fernández, José Antonioes_ES
dc.contributor.advisorAyala Palenzuela, Rosa M.es_ES
dc.contributor.authorEspínola, Antonio Moises
dc.contributor.otherGrupo de Informática Aplicada TIC-211es_ES
dc.contributor.other
dc.date.accessioned2017-11-14T09:45:12Z
dc.date.available2017-11-14T09:45:12Z
dc.date.issued2014-11-21
dc.identifier.isbn978-84-617-3776-5
dc.identifier.urihttp://hdl.handle.net/10835/5297
dc.description.abstractEn primer lugar, a pesar del gran número de algoritmos de clasificación de imágenes de satélite que existe en la actualidad, ninguno es completamente fiable en términos de tasa de acierto. En general, los algoritmos de clasificación funcionan de un modo correcto si las propiedades espectrales de los píxeles determinan adecuadamente las clases, o si las imágenes no presentan ruido adicional. Sin embargo, si existen clases en la imagen de satélite con un alto grado de heterogeneidad, es decir, que agrupan píxeles con diferentes características, y que presentan un amplio abanico espectral (píxeles inciertos), o las imágenes son alteradas con un ruido de tipo impulsivo-gaussiano (píxeles ruidosos), la imagen resultante puede presentar muchas áreas diminutas mal clasificadas. Todos estos problemas provocan una pérdida de la calidad de la tasa de acierto durante el proceso de clasificación. Para solucionar estos problemas, podemos aplicar posteriormente algoritmos contextuales de post-clasificación, que utilizan datos contextuales además de los datos espectrales. Existen muchos algoritmos contextuales de post-clasificación, que utilizan valores promedio o la descripción de texturas, para mejorar los resultados obtenidos por los algoritmos de clasificación espectral. Sin embargo, el inconveniente de su uso consiste en que es necesario aplicar tres algoritmos a lo largo de todo el proceso: un algoritmo de pre-clasificación para eliminar los píxeles ruidosos, el algoritmo de clasificación propiamente dicho y un algoritmo de post-clasificación para mejorar la clasificación de los píxeles inciertos. A veces, como consecuencia de la aplicación de todos estos algoritmos, puede incluso empeorar la tasa de acierto. Por lo tanto, sería interesante disponer de un solo algoritmo que contara con las bondades de los tres procesos anteriormente mencionados, para incrementar la calidad de la tasa de acierto mediante una clasificación espectral-contextual. En segundo lugar, los algoritmos de clasificación de imágenes de satélite clásicos ofrecen resultados demasiado rígidos, ya que cada píxel es etiquetado en su clase correspondiente independientemente del nivel real de cercanía respecto al centro espectral de dicha clase, es decir, no se ofrece un grado de pertenencia. Sólo los algoritmos de clasificación difusa proporcionan dicha información, pero no los clásicos. Sería interesante que un algoritmo ofreciera una clasificación jerárquica dividida en niveles de pertenencia a las clases, para que los analistas expertos pudieran comprobar qué píxeles están más cerca de sus clases y cuáles están más distantes en el espacio de características, con el objetivo de detectar los píxeles más problemáticos. En tercer lugar, los algoritmos de clasificación clásicos no permiten personalizar el funcionamiento para ajustarse a una zona de estudio concreta, o para obtener unos resultados específicos. Sería interesante poder personalizar el proceso de clasificación, para obtener unos u otros resultados dependiendo del objetivo que se quisiera conseguir en cada zona de estudio determinada. Por otro lado, un autómata celular es un modelo matemático que consiste en un conjunto de celdas, normalmente distribuidas en forma de matriz bidimensional, donde cada celda posee un estado, que puede cambiar a lo largo de un número determinado de iteraciones, como consecuencia de la aplicación de un conjunto de reglas a través de una función de transición f, teniendo en cuenta no sólo el estado actual de la celda en cada iteración concreta, sino también el estado de sus celdas vecinas. En los últimos años, los autómatas celulares se han convertido en una potente herramienta que se ha aplicado a numerosos ámbitos científicos. Dentro del ámbito de la teledetección, se han aplicado sobre todo para implementar procesos de simulación en imágenes de satélite, ya que sus propiedades permiten trabajar con este tipo de problemas. No obstante, en el ámbito específico de la clasificación de imágenes de satélite, son escasos los trabajos relacionados con los autómatas celulares, a pesar de las ventajas que pueden llegar a ofrecer. Las tres limitaciones de los algoritmos de clasificación de imágenes de satélite mencionadas anteriormente se pueden resolver mediante las propiedades de los autómatas celulares. La primera limitación se puede superar mediante el uso de la vecindad de cada celda del autómata celular durante el proceso de clasificación, obteniendo una pre-clasificación (para píxeles ruidosos), clasificación y post-clasificación (para píxeles inciertos) agrupados en un solo algoritmo espectral-contextual, pudiendo ajustar además el nivel contextual, usando más o menos vecinos para las celdas. La segunda limitación se puede superar mediante el uso de las iteraciones del autómata celular, como método de división del proceso de clasificación en varios niveles jerárquicos con distinto grado de calidad. La tercera limitación se puede superar mediante el empleo de distintas reglas aplicadas, a través de la función de transición f, para poder personalizar lo máximo posible el proceso de clasificación en cada caso concreto. Esta tesis doctoral se centra en el desarrollo de un nuevo algoritmo de clasificación de imágenes de satélite basado en autómatas celulares, denominado algoritmo ACA (classification Algorithm based on Cellular Automata), que resuelve las tres limitaciones descritas, proporcionando una clasificación con una tasa de acierto mejorada mediante resultados espectrales-contextuales, divididos en niveles de fiabilidad relacionados con el grado de pertenencia de los píxeles a sus clases correspondientes, y con la posibilidad de personalizar el proceso de clasificación. Todas estas mejoras permiten a los analistas expertos disponer de una mayor cantidad de información para mejorar la interpretación de los resultados obtenidos. De este modo, el algoritmo ACA optimiza la funcionalidad de cualquier SIG que lo utilice como base, ya que mejora los resultados de la clasificación en tres niveles: acierto, flexibilidad y personalización.es_ES
dc.description.sponsorshipMinisterio de Ciencia e Innovación (MICINN), proyecto TIN2007-61497 Ministerio de Economía y Competitividad (MINECO), proyecto TIN2010-15588 Proyecto de Excelencia de la Junta de Andalucía, P10-TIC-6114es_ES
dc.language.isoeses_ES
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectAutómatas celulareses_ES
dc.subjectImágenes de satélitees_ES
dc.subjectClasificación de imágeneses_ES
dc.titleClasificación de imágenes de satélite mediante autómatas celulareses_ES
dc.typeinfo:eu-repo/semantics/doctoralThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.relation.projectIDTIN2010-15588es_ES


Files in this item

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 Internacional