BR102013015147A2 - Método para a seleção de um algoritmo para uso em processamento de dados hiperespectrais - Google Patents

Abstract

Método para a seleção de um algoritmo para uso em processamento de dados hiperespectrais. Trata-se de um método para a seleção de um algoritmo para uso em processamento de dados hiperespectrais a partir de um conjunto de algoritmos, sendo que cada um tem qualidades para processar determinadas caracteristicas de dados hiperespectrais.

Description

“MÉTODO PARA A SELEÇÃO DE UM ALGORITMO PARA USO EM PROCESSAMENTO DE DADOS HIPERESPECTRAIS” ANTECEDENTES DA INVENÇÃO O ambiente de um sistema de sensoriamento remoto de imageamento hiperespectral (HSI) é bem descrito em "Hyperspectral Image Processing for Automatic Target Detection Applications" de Manolakis, D., Marden, D., e Shaw G. (Lincoln Laboratory Journal; Volume 14; 2003 pág. 79 a 82). Um sensor de imagem tem pixels que registram uma medição da energia hiperespectral. Um dispositivo HSI registrará a energia em um arranjo de pixels que captura informações espaciais através da geometria do arranjo e captura informações espectrais fazendo medições em cada pixel de uma grande quantidade de bandas hiperespectrais contíguas. O processamento adicional das informações espaciais e espectrais depende de uma aplicação específica do sistema de sensoriamento remoto.

Provou-se que o HSI remotamente sensoriado é valioso em aplicações de ampla extensão incluindo monitoramento do uso da terra e do ambiente, vigilância militar e patrulha de reconhecimento. O HSI fornece dados de imagem que contêm informações espaciais e espectrais. Esses tipos de informações podem ser usados para detecção remota e serviços de rastreamento. Especificamente, dado um conjunto de sensores visuais fixados em uma plataforma tal como em um Veículo Aéreo Não Tripulado (UAV) ou estação terrestre, um vídeo do HSI pode ser adquirido e um conjunto de algoritmos pode ser aplicado ao vídeo espectral para detectar e rastrear objetos de quadro a quadro.

Algoritmos de processamento com base espectral têm sido desenvolvidos para classificar ou agrupar pixels similares; ou seja, pixels com características espectrais similares ou assinaturas. O processamento somente desse modo não é receptivo a aplicações de rastreamento e detecção de alvo em que a quantidade e tamanho dos alvos em um cenário é tipicamente pequeno demais para sustentar a estimativa de propriedades estatísticas necessárias para classificar o tipo de alvo. No entanto, o processamento espacial da maioria do HSI está comprometido pela baixa resolução espacial de sistemas típicos que coletam HSI. Como resultado, os sistemas de sensoriamento remoto que coletam e processam HSI são tipicamente desenvolvidos como uma escolha entre resolução espectral e espacial para maximizar a detecção de alvos tanto resolvidos quanto não resolvidos em que um alvo resolvido é um objeto imageado por mais de um pixel. Desse modo, as técnicas espectrais podem detectar alvos não resolvidos pelas suas assinaturas e as técnicas espaciais podem detectar alvos resolvidos pelos seus formatos.

Uma grande quantidade de algoritmos de busca tem sido desenvolvida e usada no processamento de HSI com o propósito de detecção de alvo. Esses algoritmos de busca são tipicamente destinados a explorar características estatísticas de alvos candidatos no imageamento e são tipicamente criados a partir de conceitos estatísticos bem conhecidos. Por exemplo, a Distância de Mahalanobis é uma medida estatística de similaridade que tem sido aplicada em assinaturas de pixel hiperespectral. A distância de Mahalanobis mede a similaridade de uma assinatura comparando uma assinatura com uma média e modelo de divergência de uma classe conhecida de assinaturas.

Outras técnicas conhecidas incluem Mapeamento por Ângulo Espectral (SAM), Divergência de Informação Espectral (SID), Área Diferencial Média Zero (ZMDA) e Distância de Bhattacharyya. O SAM é um método para comparar a assinatura de um alvo candidato com uma assinatura conhecida tratando cada espectro como vetores e calculando o ângulo entre os vetores.

Como SAM usa somente a direção do vetor e não o comprimento do vetor, o método é insensível à variação na iluminação. SI D é um método para comparar a assinatura de um alvo candidato com uma assinatura conhecida medindo uma discrepância ou divergência probabilística entre os espectros. ZMDA normaliza a assinatura do alvo candidato e a assinatura conhecida através de suas variações e computa suas diferenças, que correspondem à área entre os dois vetores. A Distância de Bhattacharyya é similar à Distância de Mahalanobois, mas é usada para medir a distância entre um conjunto de assinaturas do candidato alvo em relação a uma classe conhecida de assinaturas.

Breve descrição da invenção A invenção refere-se a um método para a seleção de um algoritmo para uso no processamento de dados hiperespectrais. O método compreende fornecer um conjunto de algoritmos, cada um tendo qualidades para processar certas características de dados hiperespectrais; acessar as características de quadro dos dados hiperespectrais; selecionar pelo menos uma característica dos dados hiperespectrais; estabelecer uma tolerância para variações na pelo menos uma característica a partir de uma amostra de referência da pelo menos uma característica; comparar a pelo menos uma característica nos dados hiperespectrais à tolerância; e se a pelo menos uma característica exceder a tolerância, selecionar um algoritmo a partir do conjunto melhor associado a pelo menos uma característica para processar os dados hiperespectrais.

Breve descrição dos desenhos Nos desenhos: A Figura 1 é uma vista diagramática de um método para rastrear e determinar uma probabilidade de detecção de objetos observados em HIS, de acordo com uma primeira realização da invenção. A Figura 2 é uma vista diagramática de um método para selecionar um algoritmo de busca, de acordo com uma realização da invenção. A Figura 3 é uma vista diagramática de um método para selecionar uma tolerância para um algoritmo de busca, de acordo com uma realização da invenção. A Figura 4a mostra uma situação em que um sistema de imageamento hiperespectral, de acordo com uma realização da invenção, detectou e rastreou dois objetos. A Figura 4b mostra uma situação em que um sistema de imageamento hiperespectral, de acordo com uma realização da invenção, detecta mudanças nos objetos rastreados.

DESCRIÇÃO DAS REALIZAÇÕES DA INVENÇÃO

Nos antecedentes e na descrição a seguir, para fins de explicação, numerosos detalhes específicos são apresentados de modo a fornecer uma profunda compreensão da tecnologia descrita no presente documento. Ficará evidente para aquele versado na técnica, no entanto, que as realizações exemplificativas podem ser praticadas sem esses detalhes específicos. Em outros exemplos, as estruturas e dispositivo são mostrados na forma de diagrama a fim de facilitar a descrição das realizações exemplificativas.

As realizações exemplificativas são descritas com referência aos desenhos. Os desenhos ilustram certos detalhes de realizações específicas que implantam um módulo, método ou produto de programa de computador descritos no presente documento. No entanto, os desenhos não devem ser interpretados como impondo qualquer limitação que pode estar presente nos desenhos. O método e produto do programa de computador podem ser fornecidos em qualquer meio de leitura de máquina para a execução de suas operações. As realizações podem ser implantadas com o uso de um processador de computador existente ou de um processador de computador de propósito especial incorporado a esse ou outro propósito ou de um sistema de ligação física.

Conforme mencionado acima, as realizações descritas no presente documento podem incluir um produto de programa de computador que compreende um meio de leitura de máquina para transportar ou ter instruções executáveis em máquina ou estruturas de dados armazenadas no mesmo. Tal meio de leitura de máquina pode ser qualquer media disponível, que pode ser acessada por um computador de propósito geral ou de propósito especial ou outra máquina com um processador. A fim de exemplificar, tal meio de leitura de máquina pode compreender RAM, ROM, EPROM, EEPROM, CD- ROM ou outro armazenamento em disco óptico, armazenamento em disco magnético ou outros dispositivos de armazenamento magnético ou qualquer outro meio que possa ser usado para transportar ou armazenar código desejado de programa na forma de instruções executáveis em máquina ou estruturas de dados e que pode ser acessado por um computador de propósito geral ou de propósito especial ou outra máquina com um processador. Quando as informações são transportadas ou fornecidas em uma rede ou outra conexão de comunicação (tanto ligação física, sem fio, ou uma combinação de ligação física ou sem fio) em uma máquina, a máquina considera a conexão, de forma correta, como um meio de leitura de máquina. Dessa maneira, qualquer dessas conexões é devidamente denominada um meio de leitura de máquina.

As combinações acima também estão incluídas dentro do escopo do meio de leitura de máquina. As instruções executáveis em máquina compreendem, por exemplo, instruções e dados que levam um computador de propósito geral, computador de propósito especial ou máquinas de processamento de propósito especial a executar certa função ou conjunto de funções.

As realizações serão descritas no contexto geral de etapas do método que podem ser implantadas em uma realização por um produto de programa incluindo instruções executáveis em máquina, como código de programa, por exemplo, na forma de módulos de programa executados por máquinas em ambientes em rede. No geral, os módulos de programa incluem rotinas, programas, objetos, componentes, estruturas de dados, etc. que têm o efeito técnico de executar tarefas particulares ou implantar tipos de dados abstratos particulares. As instruções executáveis em máquina, estruturas de dados associados e módulos de programa representam exemplos de código de programa para executar as etapas do método revelado no presente documento. Uma sequência particular de tais instruções executáveis em máquina ou estruturas de dados associados representa exemplos de ações correspondentes para implantar as funções descritas em tais etapas.

As realizações podem ser praticadas em um ambiente em rede com o uso de conexões lógicas em um ou mais computadores remotos que têm processadores. Conexões lógicas podem incluir uma rede de área local (LAN) e uma rede de longa distância (WAN) que são apresentadas aqui por meio de exemplo não limitante. Tais ambientes em rede são comuns em rede de computador de longa distância ou redes de computador de área alargada, intranets e internet e pode usar uma ampla variedade de protocolos de comunicação diferentes. Aqueles versados na técnica verificarão que tais ambientes de computação em rede irão tipicamente incluir muitos tipos de configuração de sistema de computador, incluindo computadores pessoais, dispositivos portáteis, sistemas multiprocessador, eletrônicos com base em microprocessador ou programáveis, PCs em rede, minicomputadores, computadores mainframe e similares.

As realizações também podem ser praticadas em ambientes de computação distribuídos em que as tarefas são executadas por dispositivos de processamento local e remoto que são ligados (tanto por ligação física, sem fio, ou por uma combinação de ligação física ou sem fio) através de uma rede de comunicação. Em um ambiente de computação distribuído, módulos de programa podem estar localizados em ambos os dispositivos de armazenamento de memória local e remota.

Um sistema exemplificativo para a implantação total ou de porções das realizações exemplificativas pode incluir um dispositivo de computação de propósito geral na forma de um computador, incluindo uma unidade de processamento, uma memória de sistema e um barramento de memória que une vários componentes de sistema incluindo a memória de sistema à unidade de processamento. A memória do sistema pode incluir memória apenas de leitura (ROM) e memória de acesso aleatório (RAM). O computador pode também incluir uma unidade de disco rígido magnético para leitura e registro em um disco rígido magnético, uma unidade de disco magnético para leitura ou registro em um disco magnético removível, e uma unidade de disco óptico para leitura ou registro em um disco óptico removível tal como um CD-ROM ou outro meio óptico. As unidades e seus meios de leitura de máquina associados fornecem armazenamento não volátil de instruções executáveis em máquina, estruturas de dados, módulos de programas e outros dados para o computador.

Efeitos técnicos do método revelado nas realizações incluem aumento da versatilidade e resistência da correspondência de assinatura hiperespectral, especialmente quando a detecção de objeto e métodos de rastreamento forem usados em conjunto com o método. Além disso, o método aumenta técnicas de correspondência de assinaturas existentes através da seleção automática da melhor técnica conhecida de correspondência de assinatura em tempo real. Essa técnica pode ser usada em qualquer sistema que gere imageamento de composição de arranjos de cubos espectrais. A Figura 1 é uma vista diagramática de um método 10 para rastrear e determinar uma probabilidade de detecção para objetos observados em HIS, de acordo com uma primeira realização da invenção. O HSI remotamente sensoriado que pode incluir imagens individuais ou um suprimento de vídeo hiperespectral pode ser inserido em 12 em um processador que tem a capacidade de processar o HSI. O processador recebe os dados hiperespectrais em 12 e processa o conjunto de dados em um conjunto de quadros de imagem hiperespectral em 14 através da execução de uma série de etapas de processamento de imagem conhecidas que podem incluir, mas sem limitação, filtragem de ruídos, detecção de bordas, registro de imagem, homografia e alinhamento quadro a quadro. O processador pode, então, selecionar alvos candidatos com o uso de algoritmos de busca em 16 a partir de objetos rastreados nos quadros de imagem hiperespectrais em que os alvos candidatos e objetos rastreados são conjuntos de pixels que podem representar a imagem hiperespectral de um objeto de interesse real. Por exemplo, em um sistema que coleta HSI que é projetado para procurar alvos em movimento, os alvos candidatos podem ser objetos em movimento. Nesse exemplo, o processador pode realizar uma busca computacional pelas características discriminatórias mínimas que identificam objetos em movimento no HSI. Em outro exemplo, um usuário de um sistema que coleta HSI manualmente seleciona pixels em uma exibição e identifica as assinaturas correspondentes para análises adicionais. O processador pode, então, rastrear alvos candidatos selecionados em 18 de quadro em quadro do HSI. O processador pode comparar em 20 os alvos candidatos selecionados a modelos de alvo de referência de alvos conhecidos armazenados em uma base de dados de modelo em 28 em que os modelos de alvo de referência são conjuntos de pixels que podem ter sido previamente estabelecidos para representar a imagem hiperespectral de um objeto de interesse real.

Em 22, o processador pode fazer uma comparação por correspondência. Se um alvo candidato selecionado se assemelhar a um modelo de alvo de referência do modelo da base de dados em 28, o processador em 24 pode então determinar um grau de correspondência entre o alvo candidato selecionado e um modelo de alvo de referência, e uma probabilidade que o alvo candidato selecionado tenha sido detectado. Se o alvo candidato selecionado não se assemelhar a um modelo, então o processador pode tanto considerar o alvo candidato selecionado para ser um novo modelo de alvo de referência em 30 quanto descartar o mesmo em 32. Se o alvo candidato selecionado for considerado um novo modelo em 30, então o processador pode acrescentar dados relacionados ao novo alvo na base de dados de modelo de alvo em 28.

Após a determinação do grau de correspondência e da probabilidade de detecção em 24, o processador pode comparar a probabilidade com um limite em 26. Se a probabilidade exceder um limite, o processador pode intervir em 34. De outro modo, o processador pode continuar a rastrear o alvo candidato selecionado em 18.

Após modelos de alvo de referência específicos serem identificados da base de dados de modelo de alvo de referência em 28 e comparados em 20 com os alvos candidatos, o processador pode calcular o grau de correspondência e probabilidade de detecção em 24. O grau de correspondência e probabilidade de detecção pode medir a probabilidade de o alvo candidato selecionado corresponder a um modelo de alvo de referência específico primeiramente através da comparação em 24 das assinaturas espectrais do topo que aparecem no alvo candidato selecionado com as assinaturas espectrais do topo que definem o modelo de alvo de referência e então compará-las espacialmente. O processador que computa o método para determinar o grau de correspondência e probabilidade de detecção em 24 pode primeiramente determinar o conjunto de assinaturas do topo que aparecem tanto no alvo candidato selecionado quanto no modelo de alvo de referência. Depois, o processador pode calcular a distribuição dessas assinaturas de topo com base no número de pixels tanto no alvo candidato selecionado quanto no modelo de alvo de referência. Para fazer isso, a primeira etapa é determinar o conjunto de assinaturas no modelo de alvo de referência que cobrem certa porcentagem dos pixels no modelo de alvo de referência e determinar a porcentagem de cada uma das assinaturas no modelo de alvo de referência. O processador que computa o método em 24 pode então determinar a distribuição de assinaturas para um alvo candidato selecionado. Se a distribuição de pixels em cada assinatura for similar à distribuição de assinaturas no modelo de alvo de referência, então, o processador que computa o método pode calcular o grau de correspondência para cada uma das assinaturas considerando a diferença máxima e mínima entre pixels de assinatura similar. O processador que computa a similaridade entre distribuições de pixel hiperespectral pode empregar uma ou mais medidas de similaridade para a computação. Medidas de similaridade podem incluir SAM, SID, ZMDA ou Distância de Bhattacharyya. O processador pode empregar outras medidas de similaridade dependendo da implantação.

Se Si = {si, s2, ■ ■ ·, sp} for o conjunto de assinaturas em um alvo e xy um pixel no local ij na representação espacial bidimensional de um quadro hiperespectral. O pixel xy é feito de um arranjo de subpixels de modo que o pixel X/, tenha um conjunto de valores Xm, Xb2, ' · ·, Xbq em que q é o número de bandas espectrais no imageamento hiperespectral. Portanto, cada pixel contém um valor de subpixel associado a cada banda espectral para o loca! espacial descrito pelo pixel.

Um alvo candidato selecionado citado aqui para brevidade como objeto O, que espacialmente se assemelha com o alvo de modelo de referência citado aqui para brevidade como alvo T pode também se assemelhar espectralmente com o alvo T com confiança C se o conjunto de R% assinaturas de topo no alvo T aparecer em uma proporção similar λ no objeto O,. O objetivo é comparar o objeto e o alvo espacialmente e espectralmente, ou seja, os formatos e as assinaturas do objeto e alvo são similares.

Se Λ/yfor o número de pixels no objeto 0,e nu, n,2, · · , nir com r < p definindo a cardinalidade ou tamanho dos conjuntos de pixels no objeto O, que apresentam assinaturas similares s-ι, s2, ■ ■ ■ , sr. O processador que computa o método em 24 considera dois objetos O,· e Oj um semelhante espectral se as assinaturas de topo R% espectrais no objeto O, se assemelharem com as assinaturas de topo R% do objeto 0/. Os dois objetos O, e Oj λ-se assemelham precisamente se para todos os números selecionados das assinaturas de topo do objeto O, e Oy denotados como {riu, ní2, · · ·, nir} e {riji, rij2, ■ ■ ·, rijr} respectivamente: O grau de correspondência para cada assinatura l pode ser definido como: %{■%, Ο#) = 1 — |:msracjjx:sí — xiiSi J — jxiS — x^jj O método pode empregar outras definições para o grau de correspondência para cada assinatura, /. Qualquer definição para determinar o grau de correspondência em 24 deve conformar-se com a definição matemática conhecida de uma medida indefinida.

Finalmente, o processador que computa o método em 24 pode calcular uma probabilidade de detecção com base na similaridade entre o conjunto de assinaturas nos modelos e o conjunto de assinaturas no objeto.

Considerando N·, o número de pixels no objeto O, e Nj o número de pixels no objeto Oj, o processador pode calcular a probabilidade de detecção em 24 com base no grau de correspondência e no número de pixels que se assemelham a cada assinatura. O processador pode calcular a probabilidade de detecção normalizando o grau de correspondência ao número de pixels do objeto para determinar um nível de confiança da proximidade que a imagem do objeto de alvo candidato selecionado se assemelha ao modelo de alvo de referência de imagem hiperespectral. A probabilidade de detecção, citada como TM, é computada como: em que o número Nj\s de pixels em O, λ-corresponde à assinatura s.

Em 26, a probabilidade de detecção ou TM para um objeto de alvo candidato selecionado como um semelhante para um modelo de alvo pode ser comparada a um limite. Conforme mostrado em 26, o processador pode calcular TM - 1 e comparar com o limite, ε. Se a quantidade TM - 1 exceder o limite, ε, o processador pode intervir em 34. De outra maneira, o processador pode continuar a rastrear o alvo candidato selecionado em 18. O valor do limite, ε, pode ser selecionado com base na implantação específica do algoritmo semelhante em 22, o algoritmo de busca em 16 e informação relativa ao alvo candidato específico e modelo de alvo de referência na base de dados em 28 tal como a velocidade calculada do objeto na cena do HSI.

Diferentes níveis de confiança são definidos com base no valor de TM. Por exemplo, em um caso, se TM for menor que 0,35 o nível de confiança será muito baixo; se TM estiver entre 0,35 e 0,60, o nível de confiança será baixo, se TM estiver entre 0,60 e 0,75, o nível de confiança será médio; se TM estiver entre 0,75 e 0,85, o nível de confiança será médio-alto; e se TM for maior que 0,85, o nível de confiança será alto. Conforme a probabilidade de uma correspondência se torna mais provável, uma exibição dos resultados pode iterar através de uma série de cores mapeadas nesses níveis de TM para distinguir alvos detectados com um alto nível de confiança de alvos detectados com um baixo nível de confiança. Os pixels de uma imagem de um alvo detectado com um nível alto de confiança podem, por exemplo, ser todos pintados de vermelho em uma exibição. Outros limites, níveis de confiança e esquemas de exibição podem ser usados dependendo da implantação.

Quando o processador recebe dados em 12 e processa os mesmos em um conjunto de quadros hiperespectrais em 14, o processador pode, então, selecionar alvos candidatos em 16 a partir dos quadros hiperespectrais. O processador pode selecionar e usar um algoritmo de busca para dados hiperespectrais para selecionar os alvos candidatos em 16. Uma dimensão dos dados hiperespectrais pode ter sido reduzida por meio de técnicas conhecidas de redução de dimensionalidade, incluindo, mas sem limitação, análise de componentes principais, extração de traços e medidas de entropia. A Figura 2 é uma vista diagramática de um método 100 para selecionar um algoritmo de busca para dados hiperespectrais, de acordo com uma realização da invenção. Para selecionar um algoritmo de busca para dados hiperespectrais, um processador que computa o método em 100 pode inicialmente salvar características de um quadro hiperespectral em uma base de dados em 110. Depois, o processador pode considerar uma característica do quadro hiperespectral em 112. Se o processador considerar a característica em 112 como sendo importante para o quadro hiperespectral, os processadores podem aplicar um algoritmo de busca aos dados em 116 para distinguir os alvos candidatos do quadro. Se o processador considerar a característica em 112 como não sendo importante para o quadro hiperespectral, o processador pode considerar uma segunda característica em 114. Se o processador considerar a segunda característica em 114 como sendo importante para o quadro hiperespectral, o processador pode aplicar um segundo algoritmo de busca espectral em 120 aos dados para distinguir os alvos candidatos do quadro. Se o processador considerar a segunda característica em 114 como não sendo importante para o quadro, o processador pode considerar uma terceira característica em 118. Se o processador considerar a terceira característica em ' 118 como sendo i importante para o quadro hiperespectral, o processador pode aplicar um terceiro algoritmo de busca em 122 aos dados parai distinguir os alvos candidatos do quadro hiperespectral. Se o processador considerar a terceira característica em 118 como não sendo importante para o quadro hiperespectral, o processador pode aplicar um algoritmo de busca discrepante I 124 aos dados. j I

Inicialmente, o processador pode determinar características de j um quadro hiperespectral em 110. O processador pode salvar as características de quadro hiperespectral em 110 de modo que os mesmos estejam disponíveis para processamento adicional ao selecionar um algoritmo de busca. Características exemplificativas podem incluir uma estimativa da variabilidade da iluminação da cena imageada, uma variabilidade de pixels com assinaturas similares, e o número de assinaturas distintas no modelo de alvo de referência. Outras características do quadro hiperespectral podem ser consideradas e esses exemplos não devem ser considerados como limitantes.

Com base em uma avaliação da primeira característica em 112 do quadro hiperespectral, o processador pode aplicar um algoritmo de busca que provou funcionar bem com dados hiperespectrais caracterizado por aquela primeira característica em 116. Se a consideração da primeira característica em 112 do quadro hiperespectral não indicar que o primeiro algoritmo de busca funcionará bem com o quadro hiperespectral, o processador pode acessar as I características de quadro salvas de 110 para uma consideração de uma segunda característica de quadro em 114. Em um exemplo, a primeira característica pode ser a variabilidade da iluminação da cena imageada do quadro hiperespectraf. O processador pode acessar as características de quadro hiperespectral para determinar a variabilidade da iluminação da cena imageada. O processador pode tomar uma decisão para determinar se a variabilidade é alta ou baixa. O processador pode usar outras características de quadro como uma primeira característica de quadro dependendo da implantação.

Se a primeira característica de quadro hiperespectral for avaliada como sendo importante, o processador pode usar um primeiro algoritmo de busca em 116 para processar o quadro hiperespectral e seus alvos candidatos.

Nesse exemplo, se o processador calcular alta variabilidade da iluminação da cena imageada, um algoritmo de busca com base em SAM pode processar uma cena imageada para resultados mais favoráveis. O método pode usar outros algoritmos de busca com base em métodos de classificação incluindo, mas sem limitação, SID, Distância de Mahalanobis, ZMDA e Distância de Bhattacharyya, dependendo da implantação.

Com base em uma consideração da segunda característica em 114 do quadro hiperespectral, o processador pode aplicar um algoritmo de busca conhecido por funcionar bem com dados hiperespectrais caracterizado por aquela segunda característica em 120. Se a consideração da segunda característica em 114 do quadro hiperespectral não indicar que o segundo algoritmo de busca funcionará bem com o quadro hiperespectral, o processador pode acessar as características de quadro salvas de 110 para uma consideração de uma terceira característica de quadro em 118. Em um exemplo, a segunda característica pode ser a variabilidade de pixels com assinaturas similares. O processador pode acessar as características de quadro hiperespectral para determinar a variabilidade de pixels com assinaturas similares. O processador pode tomar uma decisão para determinar se a variabilidade é alta ou baixa. O processador pode usar outras características de quadro como uma segunda característica de quadro dependendo da implantação.

Se a segunda característica de quadro hiperespectral for avaliada como sendo importante, o processador pode usar um segundo algoritmo de busca em 120 para processar o quadro hiperespectral e seus alvos candidatos.

Nesse exemplo, se o processador calcular alta variabilidade dos pixels com assinaturas similares, um algoritmo de busca com base em SID pode processar a cena imageada para resultados mais favoráveis. O método pode usar outros algoritmos de busca com base em similaridades ou medidas de distância, incluindo, mas sem limitação, SAM, Distância de Mahalanobis, ZMDA e Distância de Bhattacharyya, dependendo da implantação.

Com base em uma avaliação da terceira característica em 118 do quadro hiperespectral, o processador pode aplicar um algoritmo de busca que é conhecido por funcionar bem com dados hiperespectrais caracterizado por aquela terceira característica em 122. Se a consideração da terceira característica em 118 do quadro hiperespectral não indicar que o terceiro algoritmo de busca funcionará bem com o quadro hiperespectral, o processador pode aplicar um algoritmo de busca divergente em 124 para processar o quadro hiperespectral. Em um exemplo, a terceira característica pode ser o número de assinaturas distintas nos modelos de alvo de referência. O processador pode acessar as características de quadro hiperespectral incluindo alvos previamente rastreados e modelos de alvo de referência correspondentes para determinar o número de assinaturas distintas nos modelos de alvo de referência. O processador pode tomar uma decisão para determinar se o número de assinaturas distintas nos modelos de alvo de referência é alto ou baixo. O processador pode usar outras características de quadro como uma terceira característica de quadro dependendo da implantação.

Se a terceira característica de quadro hiperespectral for considerada como sendo importante, o processador pode usar um terceiro algoritmo de busca em 122 para processar o quadro hiperespectral e seus alvos candidatos. Nesse exemplo, se o processador calcular um grande número de assinaturas distintas nos modelos de alvo de referência, um algoritmo de busca com base na Distância de Mahalanobis pode processar uma cena imageada para resultados mais favoráveis. O método pode usar outros algoritmos de busca com base em similaridades ou medidas de distância, incluindo, mas sem limitação, SAM, SID, ZMDA e Distância de Bhattacharyya, dependendo da implantação. A fim de esgotar as características de quadro, o processador pode usar um algoritmo de busca divergente em 124 para processar o quadro hiperespectral e seus alvos candidatos. O algoritmo de busca divergente pode ter como base qualquer dos SAM, SID, Distância de Mahalanobis, ZMDA e Distância de Bhattacharyya. O método pode usar outros algoritmos de busca como um algoritmo de busca divergente dependendo da implantação. O método em 100 pode implantar etapas adicionais com o uso de outras características de quadro e suas considerações. As características de quadro podem ser encadeadas em série em etapas de decisão que seguem as etapas de decisão previamente reveladas em 112, 114, e 118. Além disso, o processador pode considerar múltiplas características de quadro para determinar se um algoritmo de busca particular é disposto de forma mais favorável para processar o quadro hiperespectral. O método em 100 pode implantar algoritmos de busca adicionais.

Por exemplo, o processador pode gerir múltiplos algoritmos de busca no quadro hiperespectral simultaneamente. O processador pode então juntar os resultados usando critérios múltiplos para decisão fazendo metodologias do processamento simultâneo de múltiplos algoritmos de busca em um único resultado. A Figura 3 é uma vista diagramática de um método em 200 para selecionar uma tolerância para um algoritmo de busca. Ao processar o quadro hiperespectral com um algoritmo de busca selecionado em 116, 120, 122 e 124 na Figura 2, os parâmetros ou tolerâncias do algoritmo gerado podem ser inicialmente colocados em um valor ou valores divergentes em 210. O algoritmo de busca pode então processar os dados do quadro hiperespectral junto com as tolerâncias divergentes em 212. O algoritmo de busca selecionado pode computar o número de pixels hiperespectrais do quadro hiperespectral que são determinados comparar os alvos candidatos do quadro hiperespectral com o modelo de alvo de referência em 216. Se poucos pixels hiperespectrais se assemelharem ao alvo candidato do quadro hiperespectral para o modelo de alvo de referência, o processador pode reduzir as tolerâncias para o algoritmo de busca selecionado em 218 e então o algoritmo de busca pode processar o quadro hiperespectral novamente em 212 com as tolerâncias modificadas. Se muitos pixels hiperespectrais assemelharem os alvos candidatos do quadro hiperespectral com o modelo de alvo de referência, o processador pode constringir as tolerâncias para o algoritmo de busca selecionado em 214 e então o algoritmo de busca pode processar o quadro hiperespectral novamente em 212 com as tolerâncias modificadas. Se um número aceitável de pixels hiperespectrais se assemelhar, o processador pode salvar o local e assinaturas dos pixels hiperespectrais correspondentes em 220. O processador pode repetir as etapas de modificação das tolerâncias do algoritmo de busca em 214 e 218 seguido do processamento do quadro hiperespectral com o algoritmo de busca selecionado em 212 até o número semelhante de pixels em 216 se encontra dentro dos limites aceitáveis. O método em 10 na Figura 1 para rastrear e determinar a probabilidade de detecção para objetos observados em HIS, de acordo com uma primeira realização da invenção, pode instruir uma ação em 34 na Figura 1 com base na probabilidade de detecção para um alvo candidato que excede um limite em 26 na Figura 1 com base na análise dos parâmetros espectrais e espaciais dos alvos candidatos relativos a modelos conhecidos na base de dados de modelo de alvo de referência em 28. Nesse ponto, cada alvo candidato pode ter um único identificador associado com o mesmo. Se o processador que computa o método em 10 da Figura 1 detectar divergência em um alvo candidato com base em mudanças em suas características espectrais e espaciais, o processador pode então, de forma autônoma, marcar a divergência como um evento significativo no ciclo de vida daquele alvo. O processador pode então localizar um identificador para identificar o alvo divergente como um novo objeto. O processador pode agregar todos os eventos de alvo em uma linha do tempo revisável, em que um operador humano tem a habilidade de avaliar e potencialmente corrigir a escolha do processador de associar identificadores novos ou existentes a objetos rastreados. O processador que computa o método em 10 na Figura 1 pode criar uma entrada na base de dados de modelo do alvo em 28 na Figura 1 com descrições de informações tanto hiperespectrais quanto espaciais e características do alvo candidato a ponto de seleção de alvo em 16 na Figura 1. Além das informações hiperespectrais e espaciais, a base de dados de modelo de alvo em 28 na Figura 1 pode também armazenar informações sobre horário conforme o processador rastreia o alvo candidato no HSI. Se o processador detectar uma divergência nos parâmetros espectrais ou espaciais em 20 na Figura 1 usados para rastrear um alvo candidato, o processador pode armazenar informações na base de dados em 28 na Figura 1 que classifica a mudança como um evento que pode ser usado para revisão futura.

Adicionalmente, o processador pode associar tanto o mesmo quanto um novo e único identificador ao novo objeto cujos parâmetros definidos são apreciavelmente diferentes do alvo original. O processador pode basear a decisão para designar um evento em uma medida de confiança calculada para determinar uma divergência significativa dos parâmetros estabelecidos. A medida de confiança pode usar parâmetros definidos em domínios espaciais, espectrais ou ambos para ser resistentes à percepção de erros nas informações hiperespectrais e espaciais. Há muitas situações em que os parâmetros do alvo candidato podem divergir significativamente dos seus parâmetros previamente estabelecidos e provocar um evento. Tais situações podem incluir; um objeto rastreado que se torna obstruído por outro objeto; um objeto rastreado que se divide em objetos múltiplos separados; um objeto rastreado que significativamente muda suas características espectrais, como coloração, contraste, ou brilho ao atravessar uma área coberta por sombras. Outras situações existem e essas não devem ser consideradas como limítantes. Se o processador não conseguir associar um alvo candidato antes e depois de tal evento, o processador pode associar o mesmo identificador usado para o alvo candidato antes do evento a um ou mais alvos candidatos novos após o evento, eliminando a possibilidade de perder ou confundir um alvo.

As Figuras 4a e 4b demonstram uma tal situação exemplificativa. A Figura 4a mostra uma situação exemplificativa em 300 em que o método para rastrear e determinar uma probabilidade de detecção para objetos observados no HSI, de acordo com uma revelação da invenção, detectou e rastreou dois veículos 310, 312 viajando em uma estrada. O processador que implanta o método em 10 na Figura 1 processa os dados hiperespectrais recebidos em 12 na Figura 1 em uma sequência de quadros hiperespectrais em 14 na Figura 1 para selecionar alvos candidatos em 16 na Figura 1. Em uma comparação dos alvos candidatos em 20 na Figura 1 com modelos na base de dados de modelo de alvo de referência em 28 na Figura 1, os cálculos resultantes do grau de correspondência e probabilidade de detecção em 24 na Figura 1 são significativos e provocam ação em 34 na Figura 1. O processador designa para cada carro 310, 312 um identificador de alvo que pode ser armazenado na base de dados de modelo de alvo de referência em 28 na Figura 1. A Figura 4b mostra uma situação em que o método para rastrear e determinar uma probabilidade de detecção para objetos observados em HIS, de acordo com uma realização da invenção, detectou mudanças em objetos rastreados. A Figura 4b demonstra um evento no qual um dos alvos candidatos previamente identificados, um carro 310 na Figura 4A viaja embaixo da sombra 318 de uma árvore 324 desse modo mudando significantemente as características espectrais do carro rastreado 310 na Figura 4A. Adicionalmente, um segundo carro similar está agora viajando próximo ao carro rastreado previamente 310 na Figura 4A. O processador que computa o método como 10 na Figura 1 pode agora distinguir com baixa confiança qual carro 314 ou 316 é o previamente rastreado e identificado 310 na Figura 4A. O processador pode intervir em 34 na Figura 1 para identificar ambos os carros 314 e 316 com identificadores que podem estar associados ao identificador do carro previamente rastreado e registrar o horário do evento na base de dados em 28 na Figura 1 para ambos os objetos. O segundo dos alvos candidatos identificados previamente, um carro 312 in Figura 4A para em um estacionamento e um passageiro 322 sai do veículo agora parado 320. O processador pode detectar e identificar um evento no qual o objeto original do carro 312 na Figura 4A se dividiu em dois objetos separadamente rastreáveis. O processador pode intervir como 34 na Figura 1 para identificar tanto o carro 320 quanto a pessoa 322 com identificadores que podem estar associados ao carro 312 na Figura 4A antes do evento e registrar a hora do evento em uma base de dados em 28 na Figura 1.

Um benefício do armazenamento de informações sobre o evento e criação dos identificadores que podem estar associados com os eventos é que um operador do sistema pode recordar a história do evento de qualquer alvo associado a qualquer identificador de alvo. O operador então pode analisar todos os objetos com aquele identificador ou identificadores associados que estão sendo rastreados junto com a história do objeto para revisão A história do evento pode incluir todos os dados relacionados a todos os eventos em que o sistema alterou identificadores para objetos rastreados.

Adicionalmente, o operador pode corrigir manuaímente o sistema se o identificador que foi associado a um alvo ou alvos em um evento estiver incorreto.

Essa descrição por escrito usa exemplos para revelar a invenção, incluindo a modalidade preferida, e também para possibilitar qualquer pessoa versada na técnica a praticar a invenção, incluindo fazer e usar qualquer dispositivo ou sistemas e executar qualquer método incorporado. O escopo patenteável da invenção é definido pelas reivindicações e pode incluir outros exemplos que ocorrem àqueles versados na técnica. Tais outros exemplos têm a intenção de estar dentro do escopo das reivindicações se os mesmos tiverem elementos estruturais que não diferem da linguagem literal das reivindicações, ou se os mesmos incluem elementos estruturais equivalentes com diferenças insubstânciais da linguagem literal das reivindicações.

Claims (4)

1. MÉTODO PARA A SELEÇÃO DE UM ALGORITMO PARA USO EM PROCESSAMENTO DE DADOS HIPERESPECTRAIS, que compreende: fornecer um conjunto de algoritmos, cada um tendo qualidades para processar determinadas características de dados hiperespectrais; acessar características de quadro dos dados hiperespectrais; selecionar pelo menos uma característica dos dados hiperespectrais; estabelecer uma tolerância para variações na pelo menos uma característica a partir de uma amostra de referência da pelo menos uma característica; comparar a pelo menos uma característica nos dados hiperespectrais com a tolerância; e se a pelo menos uma característica exceder a tolerância, selecionar um algoritmo a partir do conjunto melhor associado a pelo menos uma característica para processar os dados hiperespectrais.

2. MÉTODO, de acordo com a reivindicação 1, em que as características de quadro dos dados hiperespectrais incluem a variabilidade da iluminação dos dados hiperespectrais, a variabilidade dos pixels com assinaturas similares dos dados hiperespectrais.

3. MÉTODO, de acordo com a reivindicação 1, em que o conjunto de algoritmos inclui Divergência de Informação Espectral (SID), Mapeamento por Ângulo Espectral (SAM), Ângulo Diferencial de Média Zero (ZMDA), Distância de Mahalanobis e Distância de Bhattacharyya.

4. MÉTODO, de acordo com a reivindicação 1, que inclui a etapa de selecionar pelo menos duas características e se a pelo menos uma característica não exceder a tolerância, selecionar um algoritmo a partir do conjunto melhor associado à segunda característica para processar os dados hiperespectrais.