Técnicas de reducción dimensional de imágenes hiperespectrales sobre hardware reconfigurable

• Autores: Daniel Fernández Gámez
• Directores de la Tesis: Daniel Mozos Muñoz (dir. tes.), Carlos Gonzalez Calvo (dir. tes.)
• Lectura: En la Universidad Complutense de Madrid ( España ) en 2024
• Idioma: español
• Tribunal Calificador de la Tesis: Hortensia Mecha López (presid.), Daniel Báscones García (secret.), Germán León Navarro (voc.), Jesús Tabero Godino (voc.), Jesús Javier Resano Ezcaray (voc.)
• Programa de doctorado: Programa de Doctorado en Ingeniería Informática por la Universidad Complutense de Madrid
• Materias:
  • Ciencias tecnológicas
    • Tecnología electrónica
      • Diseño de circuitos
• Enlaces
  • Tesis en acceso abierto en: Docta Complutense
• Resumen

  • Las últimas décadas han sido el periodo de consolidación de la tecnología hiperespectral. Las técnicas espectrales se han afianzado como un nuevo eslabón dentro de las cadenas productivas en multitud de industrias de diferente índole, sectores tan diversos como la biomedicina, el sector minero o la industria agroalimentaria. El análisis de datos hiperespectrales permite identificar la composición, estructura y propiedades de elementos de la escena mediante el reconocimiento de patrones dentro del espectro electromagnético, siendo posible identificar materiales. La consolidación de la tecnología espectral ha hecho posible aumentar el interés de grupos de investigación e inversores, permitiendo el desarrollo de nuevos modelos de espectrómetros que han ido incrementando de manera gradual la resolución espectral, espacial, radiométrica y temporal de los dispositivos, mejorando la sensibilidad del espectro que es capaz de capturar, aumentando el número de píxeles obtenidos en cada barrido del terreno e incrementando las tasas de lectura por unidad de tiempo, reduciendo así los tiempos de captura e incrementado la precisión de los datos espectrales. Aumentar estas resoluciones implica directamente la necesidad de incrementar el coste computacional y los recursos de almacenamiento necesarios para procesar los conjuntos de datos. Estas magnitudes provocan en ciertas ocasiones limitaciones que impiden el tratamiento de la información, ya sea por limitaciones computacionales o de recursos (tales como memoria, anchos de banda limitados o tiempos de respuesta). Para paliar este problema se han desarrollado técnicas de reducción dimensional cuyo objetivo es la búsqueda de un subconjunto de dimensión reducida en base a explotar las características intrínsecas de los datos, seleccionando información relevante o descartando información duplicada, no relevante, ruido o lecturas erróneas. En el presente documento de Tesis Doctoral, se ha realizado el análisis, diseño e implementación de dos de los algoritmos de reducción dimensional más utilizados, en concreto, el algoritmo de análisis de componentes principales o PCA y el algoritmo de análisis de componentes independientes o ICA, específicamente en su versión FastICA. Ambos comparten el objetivo común de reducir la dimensionalidad de los datos de origen, pero cuyos planteamientos de reducción son radicalmente distintos. Los diseños propuestos han permitido desarrollar dos implementaciones mediante el uso de lenguaje de descripción VHDL, utilizando como plataforma un dispositivo reconfigurable de tipo FPGA. Los resultados obtenidos muestran que las implementaciones son capaces de encontrar de manera eficiente subespacios de dimensión reducida que permiten reducir la complejidad computacional de las tareas de procesamiento espectral. En comparación con su versión comercial ENVI, las implementaciones hardware han obtenido tasas de rendimiento considerablemente superiores, las cuales permitirían el procesamiento de imágenes hiperespectrales en tiempo real.