Clasificación de imágenes de superficie terrestre mediante técnicas basadas en ELM

Abstract

Los algoritmos de procesado de im agenes, en general, y los algoritmos de procesado de im agenes hiperespectrales, en particular, son computacionalmente muy costosos, lo que los convierte en buenos candidatos para el modelo SIMD de procesamiento en GPU. En este trabajo se presenta una implementaci on e cente en GPU para un esquema de clasi caci on espectral-espacial de im agenes hiperespectrales. El procesado espacial est a basado en una transformaci on divisioria por inundaci on (Watershed ) aplicada despu es de reducir la im agen hiperespectral a una unica banda mediante un gradiente morfol ogico. La clasi caci on hiperespectral es provista por una t ecnica basada en ELM (Extreme Learning Machine). ELM puede ser expresado en t erminos de operaciones matriciales de forma que pueda sacar el m aximo provecho de la arquitectura de las GPU obeniendo resultados competitivos en comparaci on con una estrategia tradicional basada en SVM en cuanto a precisi on con unos tiempos de ejecuci on signi cativamente menores. Para mejorar los resultados de ELM, se aplica un algoritmo de regularizaci on espacial y, adem as, tambi en se considera el uso de agrupaciones de ELMs. Para obtener el resultado nal de la clasi caci on espectral-espacial se aplica un algoritmo adaptativo de voto de la mayor a a los resultados previamente obtenidos. Los resultados obtenidos en este trabajo muestran que ELM es un clasi cador adecuado para su uso en el procesado de im agenes hiperespectrales en GPU, puesto que, para todas las con guraciones tanto espectrales como espectralesespaciales desarrolladas, obtiene resultados de precisi on competitivos con los obtenidos por un clasi cador SVM, ampliamente utilizado en este ambito, con tiempos de ejecuci on notablemente inferiores