Discusión global de resultados

Una vez analizados por separado los resultados obtenidos para las imágenes AVIRIS Indian Pines y DAIS 7915 Tatras, procedemos a discutir de forma global los resultados obtenidos con ambas imágenes con idea de ofrecer una perspectiva general acerca del funcionamiento de las cadenas de procesamiento analizadas en diferentes tipos de aplicaciones. A partir de los resultados obtenidos, se pueden efectuar las siguientes observaciones generales, las cuales derivan en una serie de recomendaciones específicas a la hora de utilizar cada una de las cadenas de procesamiento.

Con respecto a la cadena de procesamiento #1, los resultados obtenidos para las imágenes AVIRIS Indian Pines y DAIS 7915 Tatras indican que el módulo FS utilizando para extracción de características de forma previa a la aplicación del clasificador SVM no resulta tan efectivo como otras aproximaciones utilizadas en la etapa de pre-procesamiento en otras cadenas. En particular, los descriptores morfológicos o relacionados con texturas parecen más efectivos que el módulo FS aplicado en esta cadena como operador de pre-procesado. Por otra parte, los resultados obtenidos para esta cadena de procesamiento con ambas imágenes hiperespectrales indican que la etapa de post-procesado espacial mejora sensiblemente los resultados de clasificación obtenidos por esta cadena, incrementando el porcentaje de acierto de manera notable. Por ejemplo, el mejor resultado de clasificación obtenido con esta cadena para la imagen AVIRIS Indian Pines es de 84.88% (sin post-procesado), el cual se incrementa hasta un 94.64% al aplicar la fase de post-procesado. Para la imagen DAIS 7915 Tatras, el mejor resultado obtenido sin post-procesado es del 80.73%, el cual se incrementa hasta un 90.87% tras aplicar el post-procesado espacial. Por tanto, nuestra recomendación específica a la hora de utilizar esta cadena de procesamiento consiste en aplicar en cualquier caso la etapa de post-procesado espacial, teniendo presente que dicha etapa puede mejorar notablemente los resultados proporcionados por el clasificador SVM aplicado a las características extraídas a partir de la imagen original mediante el módulo FS.

Con respecto a la cadena de procesamiento #2, los resultados obtenidos para las imágenes AVIRIS Indian Pines y DAIS 7915 Tatras indican que el módulo PCA utilizado como pre-procesado de forma previa a la aplicación del clasificador SVM empeora ligeramente los resultados obtenidos tras aplicar el módulo FS de la cadena de

procesamiento #1 para la misma tarea. Al mismo tiempo, PCA ofrece peores resultados que el módulo MNF que se incorpora como módulo base para el pre-procesado en la cadena de procesamiento #3. Este hecho se debe a que la transformación PCA ordena las componentes obtenidas tras la transformación atendiendo a un criterio de mayor a menor varianza, mientras que la transformación MNF utiliza un criterio basado en la relación señal-ruido que se adapta mejor a las características de las imágenes hiperespectrales (gran dimensionalidad y complejidad en cuanto al número de componentes espectrales). Por ejemplo, el mejor resultado de clasificación obtenido con esta cadena para la imagen AVIRIS Indian Pines es de 80.99% sin post-procesado (inferior al 84.88% obtenido en las mismas condiciones por la cadena de procesamiento #1), el cual se incrementa hasta un 93.81% al aplicar la fase de post-procesado (similar al 94.64% obtenido por la cadena de procesamiento #1 en las mismas condiciones). Para la imagen DAIS 7915 Tatras, el mejor resultado obtenido sin post-procesado es del 75.99% (inferior al 80.73% obtenido por la cadena de procesamiento #1 en las mismas condiciones), el cual se incrementa hasta un 84.11% tras aplicar el post-procesado espacial (resultado todavía inferior al 90.87% obtenido por la cadena de procesamiento #1). A la vista de estos resultados, parece que la utilización de PCA como módulo de pre-procesado presenta más inconvenientes que ventajas en comparación con otras aproximaciones utilizadas en otras cadenas, si bien es cierto que la fase de post- procesado espacial sigue resultando fundamental a la hora de obtener un resultado aceptable por parte de esta cadena. Sin embargo, los resultados con la imagen DAIS 7915 Tatras revelan una observación interesante, y es el hecho de que el post-procesado espacial no siempre mejora significativamente los resultados obtenidos. Esto indica que el módulo PCA no solamente ofrece resultados inferiores al resto de módulos de pre- procesado considerados, sino que además también revela que la utilización de dicho módulo no garantiza que la fase de post-procesado espacial pueda mejorar considerablemente los resultados obtenidos por el clasificador SVM.

Con respecto a la cadena de procesamiento #3, los resultados obtenidos para las imágenes AVIRIS Indian Pines y DAIS 7915 Tatras indican que el módulo MNF utilizado como pre-procesado de forma previa a la aplicación del clasificador SVM mejora sustancialmente los resultados obtenidos tras aplicar el módulo FS de la cadena de procesamiento #1 y el módulo PCA de la cadena de procesamiento #2 para la misma tarea. Centrando la comparativa en el módulo PCA, destacamos que el mejor resultado

de clasificación obtenido con la cadena de procesamiento #3 para la imagen AVIRIS Indian Pines es de 91.21% sin post-procesado (frente al 80.99% obtenido en las mismas condiciones por la cadena de procesamiento #2), el cual se incrementa hasta un 95.09% al aplicar la fase de post-procesado (similar al 93.81% obtenido por la cadena de procesamiento #2 en las mismas condiciones). Para la imagen DAIS 7915 Tatras, el mejor resultado obtenido sin post-procesado es del 88.81% (muy superior al 75.99% obtenido por la cadena de procesamiento #2 en las mismas condiciones), el cual se incrementa hasta un 92.54% tras aplicar el post-procesado espacial (el cual sigue siendo muy superior al 84.11% obtenido en las mismas condiciones por la cadena de procesamiento #2). A la vista de estos resultados, es claro que MNF mejora no solamente a PCA sino también a FS como módulo de pre-procesado previo a la aplicación del clasificador SVM. Además, la utilización de MNF garantiza (al menos en los experimentos realizados) la obtención de resultados de clasificación SVM que pueden ser sustancialmente mejorados tras la aplicación de una etapa de post-procesado espacial. Esto indica que MNF resulta una alternativa altamente interesante a la hora de pre-procesar imágenes hiperespectrales reduciendo su dimensionalidad, como queda patente tras analizar en detalle los buenos resultados obtenidos por la cadena de procesamiento #3 con las dos imágenes hiperespectrales consideradas en nuestro estudio.

Con respecto a la cadena de procesamiento #4, los resultados obtenidos para las imágenes AVIRIS Indian Pines y DAIS 7915 Tatras indican que la utilización de descriptores de texturas en la fase de pre-procesado de forma previa a la aplicación del clasificador SVM ofrece resultados ligeramente superiores a los proporcionados tras aplicar únicamente el módulo MNF de la cadena de procesamiento #3 para la misma tarea. Conviene recordar que los descriptores de texturas son descriptores espaciales que se aplican a cada una de las componentes resultantes de una transformación MNF previa. Por tanto, dichos descriptores de texturas integran la información espectral y la información espacial en la etapa de pre-procesado. Centrando la comparativa en el caso en el que solamente se aplica la transformación espectral MNF en la etapa de pre- procesado, destacamos que el mejor resultado de clasificación obtenido con la cadena de procesamiento #4 para la imagen AVIRIS Indian Pines es de 91.50% sin post- procesado (ligeramente superior al 91.21% obtenido en las mismas condiciones por la cadena de procesamiento #3), el cual se incrementa hasta un 96.32% al aplicar la fase de

post-procesado (superior al 95.09% obtenido por la cadena de procesamiento #3 en las mismas condiciones). Para la imagen DAIS 7915 Tatras, el mejor resultado obtenido sin post-procesado es de 90.51% sin post-procesado (superior al 88.81% obtenido en las mismas condiciones por la cadena de procesamiento #3), el cual se incrementa hasta un 91.58% al aplicar la fase de post-procesado (sólo ligeramente inferior al 92.54% obtenido por la cadena de procesamiento #3 en las mismas condiciones). A la vista de estos resultados, podemos concluir que los descriptores de texturas resultan todavía más apropiados en la fase de pre-procesado que la transformación MNF empleada en la cadena de procesamiento #3, y sensiblemente superiores a otros módulos implementados en otras cadenas de procesamiento tales como FS (cadena de procesamiento #1) y PCA (cadena de procesamiento #2). El principal motivo de este superior comportamiento de los descriptores de texturas es la consideración simultánea de la información espacial y espectral, ya que cada descriptor de texturas (operador espacial) se aplica a las diferentes componentes resultantes de una transformación MNF. Por tanto, a la vista de los resultados obtenidos concluimos que los descriptor de texturas ofrecen una solución muy atractiva para la etapa de pre-procesado ya que integran de forma efectiva la información espacial y la espectral. Por el contrario, los resultados indican que, tras la aplicación de descriptor de texturas de forma previa a la clasificación SVM, la etapa de post-procesado orientada a refinar dichos resultados de clasificación incrementa de forma significativa la precisión de la clasificación final. En nuestro caso, el incremento tras aplicar la etapa de post-procesado en la imagen AVIRIS Indian Pines va de un 91.50% a un 96.32% (el mejor resultado observado en nuestros experimentos), mientras que el incremento tras aplicar la etapa de post-procesado en la imagen DAIS 7915 Tatras va de un 90,51% al 91.58% resultando en ambos casos significativo. Este hecho revela que la incorporación de información espacial en la etapa de pre-procesado no penaliza la posibilidad de refinar aún más los resultados obtenidos por el clasificador SVM en la etapa de post-procesado.

Con respecto a la cadena de procesamiento #5, los resultados obtenidos para las imágenes AVIRIS Indian Pines y DAIS 7915 Tatras indican que la utilización de descriptores morfológicos en la fase de pre-procesado de forma previa a la aplicación del clasificador SVM ofrece resultados similares a los proporcionados tras aplicar descriptores de texturas (cadena de procesamiento #4) para la misma tarea. Conviene recordar que los operadores morfológicos son descriptores espaciales que se aplican a

cada una de las componentes resultantes de una transformación MNF previa. Por tanto, dichos descriptores morfológicos (al igual que los descriptores de texturas) integran la información espectral y la información espacial en la etapa de pre-procesado. Centrando la comparativa con dichos operadores, destacamos que el mejor resultado de clasificación obtenido con la cadena de procesamiento #5 para la imagen AVIRIS Indian Pines es de 91.43% sin post-procesado (muy similar al 91.50% obtenido en las mismas condiciones por la cadena de procesamiento #4), el cual se incrementa hasta un 96.02% al aplicar la fase de post-procesado (también muy similar al 96.32% obtenido por la cadena de procesamiento #4 en las mismas condiciones). Para la imagen DAIS 7915 Tatras, el mejor resultado obtenido sin post-procesado es de 92,06% sin post- procesado (ligeramente superior al 90.51% obtenido en las mismas condiciones por la cadena de procesamiento #4). Sin embargo, en este caso al aplicar la fase de post- procesado el resultado de clasificación desciende en términos de precisión hasta un 89.75% al aplicar la fase de post-procesado (inferior al resultado por encima del 90% obtenido por la cadena de procesamiento #4 en las mismas condiciones). A la vista de estos resultados, podemos concluir que los descriptores morfológicos ofrecen una alternativa similar a los descriptores de texturas en la fase de pre-procesado, ofreciendo resultados superiores a los proporcionados por la transformación MNF empleada en la cadena de procesamiento #3, y sensiblemente superiores a otros módulos implementados en otras cadenas de procesamiento tales como FS (cadena de procesamiento #1) y PCA (cadena de procesamiento #2). De nuevo, la principal razón de este comportamiento es la consideración simultánea de la información espacial y espectral, ya que cada descriptor morfológico(operador espacial) se aplica a las diferentes componentes resultantes de una transformación MNF. Sin embargo, los resultados obtenidos también indican que, tras la aplicación de descriptores de morfológicos como paso previo a la clasificación SVM, la etapa de post-procesado orientada a refinar dichos resultados de clasificación no siempre incrementa de forma significativa la precisión de la clasificación final. En nuestro caso, el incremento tras aplicar la etapa de post-procesado en la imagen AVIRIS Indian Pines va de un 91.43% a un 96.02% (el cual resulta significativo), mientras que la aplicación de la etapa de post- procesado en la imagen DAIS 7915 Tatras reduce la precisión en la clasificación obtenida de un 92.06% a un 89.75%, lo cual revela que la incorporación de información espacial en la etapa de pre-procesado puede llegar a penalizar la posibilidad de refinar

los resultados obtenidos por el clasificador SVM en la etapa de post-procesado, en particular, en escenarios de clasificación altamente complejos como el que viene dado por la imagen DAIS 7915 sobre la región de Tatras. Por tanto, a partir de los resultados obtenidos concluimos que los descriptores de texturas parecen proporcionar resultados ligeramente más estables en diferentes escenarios de análisis que los descriptores morfológicos, si bien es cierto que ambos tipos de descriptores ofrecen resultados similares.

A partir de los comentarios anteriormente desarrollados, parece claro que la cadena de procesamiento #4 (pre-procesado mediante descriptores de texturas, clasificación mediante SVM y post-procesado espacial) ofrece los mejores resultados en conjunto (es decir, al considerar los dos escenarios de clasificación considerados en nuestros experimentos). Aunque la evaluación de las diferentes cadenas de procesamiento consideradas en escenarios adicionales resultaría altamente beneficiosa, conviene destacar que dicho análisis resulta dificultoso dada la escasez de imágenes hiperespectrales públicamente disponibles con información verdad-terreno de calidad (tal como la disponible para las imágenes AVIRIS Indian Pines y DAIS 7915 Tatras). No obstante, el estudio realizado en el presente proyecto se considera altamente relevante y novedoso, ya que las imágenes consideradas son altamente representativas de escenarios de clasificación muy difíciles, y los resultados obtenidos para algunas de las cadenas consideradas llegan a superar a otros resultados mostrados en la literatura especializada en análisis de imágenes hiperespectrales. En este sentido, se considera que los resultados del presente proyecto así como las recomendaciones concretas enumeradas en el presente apartado tienen gran potencial para constituir el núcleo de futuras publicaciones de relevancia en la literatura especializada dedicada al análisis y clasificación de imágenes hiperespectrales.