Discusión de resultados

Para finalizar este capítulo, ofrecemos una discusión de los resultados obtenidos analizando diferentes aspectos. La discusión se refiere a diferentes aspectos evaluados a lo largo del presente trabajo. En primer lugar, en cuanto a los diferentes algoritmos de emparejamiento de endmembers comparados en el presente trabajo,

podemos realizar las siguientes observaciones generales:

– El algoritmo Media es claramente peor que los otros dos algoritmos en todos los casos.

– El Algoritmo Ávido y Óptimo-Global son igual de buenos pero ambos tienen puntos débiles que hacen que en determinados casos uno sea algo mejor que otro y viceversa.

– El punto débil del algoritmo Ávido es que en su afán por ir seleccionando los mejores emparejamientos puede perjudicar a varios endmembers con tal de mejorar en algo el resultado de solo uno de ellos empeorando así la solución global.

– El punto débil del algoritmo Óptimo-Global es que en su afán por equilibrar la solución global puede darse el caso de que varios endmembers sean perjudicados con tal de no dar una solución muy mala para algún endmember.

– El algoritmo Óptimo-Global con umbral se comporta como un Óptimo-Global en los casos en los que el Óptimo-Global es mejor que el Ávido. Se comporta como un Ávido en los casos en los que el Ávido es mejor que el Óptimo-Global. Y da una solución mejor que ambos en los casos en los que ninguno es capaz de encontrar la solución buena.

Por otra parte, en cuanto a los diferentes algoritmos de extracción de endmembers comparados en el presente trabajo, podemos realizar las siguientes observaciones generales con respecto al ajuste de parámetros para el método AMEE:

– Los tamaños de ventana más apropiados para este algoritmo son los tamaños de ventana pequeños, siendo en general el tamaño de ventana 3x3 el mejor aunque hay un caso en el que 5x5 mejora los resultados de 3x3.

– El ruido afecta a todos los tamaños de ventana por igual, no existiendo un tamaño de ventana que minimice los efectos del ruido.

Las siguientes observaciones generales se refieren al ajuste de parámetros para el método SSEE:

Aunque puede observarse en las imágenes sintéticas que por lo general los tamaños de subconjunto más pequeños son los que mejores resultados obtienen. En condiciones de ruido el tamaño de subconjunto más pequeño es el que mejor tolerancia tiene.

– Los parámetros de SAD y número de iteraciones en el algoritmo SSEE son los menos críticos, ya que no varían demasiado la solución del algoritmo. El valor óptimo del parámetro SAD al igual que el tamaño de subconjunto varía de unas imágenes a otras, aunque por lo general el que mejor se comporta es el 0.01 radianes. Por su parte el número de iteraciones que mejor se comporta en la mayoría de los casos es 11.

Las siguientes observaciones generales se refieren al ajuste de parámetros para el método SPP+N-FINDR:

– El tamaño de ventana óptimo depende de las características de la imagen en algunos casos.

– El tamaño de ventana no interfiere de forma significativa en los resultados en la mayoría de los casos.

– Los tamaños de ventana medianos 7x7 y 9x9 y 11x11 no destacan en la mayoría de las imágenes. Los tamaños de ventana muy grandes (13x13 ) o muy pequeños (3x3) pueden funcionar algo mejor en algunas imágenes pero también pueden funcionar algo peor en otras, siendo el tamaño de ventana que se comporta de forma más regular el de 5x5.

– El ruido afecta a todos los tamaños de ventana por igual, no existiendo un tamaño de ventana que minimice los efectos del ruido.

Las siguientes observaciones generales se refieren al ajuste de parámetros para el método SPP+OSP:

– El tamaño de ventana no interfiere de forma significativa en los resultados en la mayoría de los casos.

– En general los tamaños de ventana más grandes dan mejores resultados, aunque en algún caso concreto pueden ofrecer mejores resultados los tamaños de ventana

pequeños o intermedios, aunque las diferencias suelen ser mínimas.

– El ruido afecta a todos los tamaños de ventana por igual, no existiendo un tamaño de ventana que minimice los efectos del ruido.

Una vez realizadas una serie de observaciones generales sobre el ajuste de parámetros para cada método de extracción de endmembers considerado, procedemos a realizar observaciones sobre la comparativa efectuada entre dichos métodos, utilizando en todos los casos las mejores versiones posibles de cada algoritmo para cada imagen:

– El algoritmo OSP es el que extrae mejor las firmas puras en las imágenes sintéticas tanto en presencia como en ausencia de ruido.

– El algoritmo SPP+N-FINDR mejora algo al método N-FINDR por sí solo.

– El algoritmo AMEE ofrece muy buenos resultados en la imagen real incluso superando al OSP, pero en las imágenes sintéticas no encuentra un gran número de endmembers. Los endmembers que encuentra en las imágenes sintéticas tienen un SAD bajo.

– El algoritmo SSEE ofrece muy buenos resultados tanto en las imágenes sintéticas como en la real. Aunque en algunos casos no tolera muy bien el ruido, comportándose de manera irregular.