WiMi Hologram Cloud Inc. ha anunciado que ha desarrollado la tecnología RandomPatchSpatialSpectrumClassifier (RPSSC) para aprovechar al máximo la complementariedad entre la información espacial y la espectral. El I+D del RPSSC de WiMi combina un filtro de Gabor 2D y un método de extracción de características por convolución de parches aleatorios (GRPC). En primer lugar, el RPSSC utiliza el análisis de componentes principales (PCA) y los algoritmos LDA para reducir la escala de la imagen hiperespectral original.

El propósito de este paso es eliminar la información espectral redundante conservando la información principal, aumentar los ratios de distancia interclase e intraclase y preparar los datos para la posterior extracción y clasificación de características. Sobre la imagen dimensionalizada, el RPSSC introduce un filtro de Gabor bidimensional. Los filtros de Gabor se utilizan ampliamente en el campo de la visión por ordenador para extraer características estructurales espaciales como los bordes y las texturas de las imágenes.

Mediante el filtro de Gabor, la tecnología RPSSC puede captar la textura local y la información espacial de la imagen, lo que sienta las bases para la posterior extracción de características. A continuación, se emplea el método GRPC para el RPSSC, que toma las características de Gabor como entrada. La convolución de parches aleatorios realiza la extracción de características espectrales multinivel de una imagen seleccionando aleatoriamente parches en la imagen y realizando operaciones de convolución en estos parches.

Este paso pretende sintetizar la información espacial y espectral, permitiendo al modelo comprender las características de la imagen de forma más exhaustiva. Por último, la tecnología RPSSC fusiona las características espaciales extraídas de la GRPC con las características espectrales multinivel. Mediante este proceso de fusión, el modelo es capaz de sintetizar la información espectral y la información de la estructura espacial local para proporcionar una representación de características más rica para la clasificación de imágenes.

En última instancia, el RPSSC emplea un clasificador de máquina de vectores de soporte (SVM) para clasificar las características fusionadas y lograr una clasificación precisa de las imágenes hiperespectrales. La extracción de características GRPC consta de varias capas y cada una de ellas contiene los siguientes pasos: PCA: El PCA se realiza en parches seleccionados aleatoriamente para extraer características espectrales. Blanqueamiento: Las características espectrales extraídas se blanquean para reducir la información redundante.

Proyección aleatoria: Las características blanqueadas se proyectan a un espacio de menor dimensión mediante proyección aleatoria. Extracción convolucional de características: La operación convolucional se realiza en el espacio dimensional reducido para extraer características espectrales multinivel. La tecnología RPSSC de WiMi tiene múltiples ventajas técnicas a la hora de realizar la utilización integral de las características espectrales y espaciales de las imágenes hiperespectrales.

Mejora la precisión de la clasificación, reduce la complejidad del modelo y explota plenamente la información de las imágenes hiperespectrales para proporcionar soluciones más eficaces para las aplicaciones prácticas. Las ventajas técnicas del RPSSC de WiMi son las siguientes: Estructura sencilla y excelente rendimiento: El RPSSC adopta el GRPC, que tiene una estructura relativamente sencilla, pero muestra un rendimiento excelente en los experimentos. Esta estructura simple hace que el modelo sea más fácil de entender y optimizar, y reduce el coste de despliegue en aplicaciones reales.

Utilización plena de las características espaciales y espectrales: El RPSSC utiliza plenamente las características espaciales y espectrales de las imágenes hiperespectrales combinando filtros de Gabor 2D y métodos GRPC. Esta utilización combinada no sólo mejora la precisión de la clasificación, sino que también revela la importancia de las características estructurales espaciales que a menudo se descuidan en los métodos tradicionales. Buena adaptabilidad: La tecnología RPSSC funciona bien para superar el ruido de pimienta y el fenómeno de suavizado excesivo en la clasificación de imágenes hiperespectrales es aplicable a una gran variedad de escenarios del mundo real y sigue consiguiendo una gran precisión de clasificación incluso con un número limitado de muestras de entrenamiento.

Esto es importante para hacer frente a entornos irregulares y datos incompletos en aplicaciones prácticas. Apilamiento de características espaciales y espectrales: El RPSSC realiza el apilamiento efectivo de características espaciales y espectrales, lo que permite al modelo comprender las imágenes hiperespectrales de forma más exhaustiva. Esta utilización exhaustiva no sólo mejora la precisión de la clasificación, sino que también mejora la comprensión del modelo de la estructura interna de la imagen, proporcionando un fuerte apoyo para una clasificación más detallada.

Aplicable a muestras de entrenamiento limitadas: El RPSSC puede seguir alcanzando una gran precisión de clasificación con muestras de entrenamiento limitadas. Esta ventaja es especialmente importante en las aplicaciones del mundo real porque, en algunos dominios, obtener datos etiquetados a gran escala puede ser difícil, y la alta eficacia del RPSSC lo hace adecuado para estos escenarios desafiantes. Superación eficaz del alisado excesivo: En el procesamiento de imágenes hiperespectrales, el alisado excesivo conduce a menudo a la pérdida de información y afecta a la precisión de la clasificación, lo que es superado por RPSSC mediante el uso combinado de información espacial y espectral, mejorando la precisión del procesamiento de imágenes.

El RPSSC de WiMi tiene una amplia gama de aplicaciones en el campo de la clasificación de imágenes hiperespectrales, y la tecnología RPSSC puede aplicarse a imágenes hiperespectrales de teledetección recogidas por satélites y aviones para la categorización de la cubierta terrestre, el estudio de recursos y la vigilancia medioambiental. Por ejemplo, puede clasificar con precisión tierras de cultivo, bosques, aguas, etc., y realizar una gestión eficaz de los recursos naturales. En el campo de la agricultura, la tecnología RPSSC puede utilizarse para la clasificación del tipo de cultivo, la detección de enfermedades y el análisis del suelo.

Al clasificar con precisión las imágenes hiperespectrales, puede ayudar a los agricultores a optimizar la producción agrícola. Mientras tanto, la tecnología RPSSC de WiMi puede utilizarse para la vigilancia medioambiental, incluida la planificación urbana, la vigilancia de la calidad del agua y la vigilancia de la cubierta vegetal. Mediante el análisis exhaustivo de las imágenes hiperespectrales, se puede controlar mejor la contaminación del agua y los cambios en los ecosistemas.