la i+d en defensa y seguridad - jbmb.webnode.es · ... arrays de antenas distribuidas como soporte...

La I+D en Defensa y Seguridad

Congreso Nacional de I+ en

Defensa y Seguridad

DESEi+d 2013

Actas

Celebrado en:ETS Ingenieros de Telecomunicación - UPM

6 y 7 de noviembre

Coordinadora: Ana Pilar González Marcos

Secretaria del Congreso DESEi+d:

Consuelo Flores RomeroSecretaría de la Cátedra Isdefe-UPM

Responsable de la Web del congreso DESEi+d:

Ángeles Moya GarcíaPeriodista colaboradora de la Cátedra Isdefe-UPMhttp://catedraisdefe.etsit.upm.es/congreso

Foto de la Portada.Composición de:

DerpikusPhotograpy-Péndulo de Newton

http://derpikus.deviantart.com/gallery/©2008 Germán Laullón - Péndulo de Foucault en la California Academy of Sciences

http://photoblog.laullon.com/2008/11/10/autorretrato-en-un-pendulo/

Para citar la obra, por favor, utilice la siguiente referencia:

González-Marcos, A.P. (coord.) (2013). Actas: Congreso Nacional de I+D en Defensa y Seguridad – DESEi+d –Madrid, 6-7 de noviembre de 2013. Madrid:

Primera edición: Noviembre-2013

No está permitida la reproducción total o parcial de este libro, ni su tratamiento informático, ni la transmisión de ninguna forma o por cualquier medio, ya sea Electrónico, mecánico o por fotocopias.

Edita: Fundación Rogelio Segovia para el Desarrollo de las Telecomunicaciones Ciudad Universitaria, s/n 28040-Madrid

Imprime: E.T.S.I. Telecomunicación Universidad Politécnica de Madrid Ciudad Universitaria, s/n 28040-Madrid

ISBN(13): 978-84-7402-399-2 Depósito Legal: M-30675-2013

ÍndiceComité organizador

Presentación

Prólogo

Ponencias por orden de presentación

IAP1 – Componentes 19

1. Fabricación y caracterización de pilas microtubulares de óxido sólido operando en modo pila de combustible y electrolizador

2. Interferómetros de radiofrecuencia aplicados a guerra electrónica

3. Modulares de electroabsorción basados en estructuras de nitruro de galio para su aplicación

-sumo en tecnología CMOS de 0,35 m

IAP2 – Sensores de radiofrecuencia y procesado de señal 55

5. Radares pasivos en aplicaciones de seguridad y defensa. El sistema APIS

6. Detectores radar neuronales en aplicaciones de vigilancia costera

7. Sensor radar a 300 GHz para la generación de imágenes tridimensionales

de datos sintética y descomposición en valores singulares

9. Análisis espectral de explosivos en el rango de los terahercios

GEM1 – Materiales y estructuras 95

10. Diseño y optimización de materiales autorreparables a través del modelado matemático y la simulación computacional

13. Análisis y compensación de anomalías magnéticas en cubiertas de vuelo de plataformas navales

14. Desarrollo de sensores sin refrigerar de PbSe dotados de discriminación espectral

ESM1 – Sistemas navales y su entorno 145

15. Nuevos materiales híbridos estructurales para plataformas navales

16. Proyecto hidrodinámico de un buque de escolta oceánico tipo Trimarán: dimensionamiento, diseño, estudio numérico y experimentación

17. Propuesta, valoración y selección de diseños conceptuales de sistemas de lanzamiento y recogida de vehículos submarinos autónomos desde plataforma submarina

18. Modelo de propagación acústica subacuática para el estudio de sistemas de comunicaciones o de localización

IAP3 – Sistemas de sensores ópticos y procesado de señal 191

20. Evaluación de sistema de autoprotección de energía dirigida. Capacidades y fundamentos

de movimiento de cámara mediante agrupación robusta de correspondencias

22. Microsensores químicos luminiscentes integrables basados en LEDs de GaN para aplicaciones de seguridad utilizando Smartphones

23. SAVASA: Redes de video-vigilancia inteligentes, interoperables y semánticas

IAP2 – Sensores de radiofrecuencia y procesado de señal 229

24. GEODA: Una antena inteligente en array conformado para comunicaciones simultáneas con varios satélites LEO y MEO

25. SARAS: Arrays de antenas distribuidas como soporte a la adquisición y seguimiento de satélites desde estaciones terrenas TT&C

26. Sensores de imaging pasivo en frecuencias milimétricas para aplicaciones de seguridad

28. Sistema de medida polivalente para la realización de ensayos de dispersión electromagnética y su aplicación sobre materiales y recubrimientos

GEM1 – Materiales y estructuras 275

29. Materiales cerámicos transparentes con aplicaciones en protección balística

31. Técnica electroquímica ACET: evaluación rápida de la corrosión de estructuras metálicas pintadas. Control y optimización de la protección anticorrosiva

GEM2 – Sistemas energéticos, misiles y municiones 303

32. Desarrollo nacional de un señuelo espectral para autoprotección de plataformas

ESM1 - Sistemas navales y su entorno 319

34. Navegación de vehículos submarinos no tripulados en entornos no estructurados

35. Robots autónomos submarinos con capacidad de intervención: experiencias recientes y perspectivas

GEM4 – Guiado y control 347

36. Demostrador tecnológico de sistema de actuación y control de un cohete guiado

soporte vectorial y regresores lineales

ESM4 – Factores humanos y protección BQR 373

38. La nanociencia en Defensa y Seguridad

39. Detección molecular de la cepa epidémica O104:H4 de EscherichiaColi mediante PCR cuantitativa en tiempo real múltiple (genes gapA, aatA y vtx2a)

40. Polímeros de coordinación porosos: aplicaciones en protección personal

41. Sistema de ayuda a la decisión basado en simulación para la gestión de amenazas BQR

42. Desarrollo y fabricación de un robot de desmantelación de explosivos

GEM2 – Sistemas energéticos, misiles y municiones 413

44. GENERCUS: Generación de energía por medios termo-acústicos

45. Diseño y fabricación de una pila PEM de mediana potencia para la unidad de potencia de un HALE UAV

46. Sistemas autónomos de generación renovable con almacenamiento en hidrógeno para uso militar

47. Proyecto de aprovechamiento de bioaceitepirolítico en motores a reacción y turbinas de gas: aspectos preliminares

GEM3 – Sistemas terrestres y su entorno 459

48. Equipos para generación de energía eléctrica estacionaria por combustión de hidrógeno

49. Dispositivo de aviso de riesgo de vuelco adaptado al vehículo RG31

50. Radar de protección perimetral en milimétricas basado en tecnología anticolisión de vehículos

51. Proyecto SARBOT: Introducción de robots humanoides en tareas de búsqueda y

rescate en entornos urbanos degradados

ESM2 – Sistemas aéreos y su entorno 495

53. Análisis de la densidad espectral RCS doppler aplicada a entornos militares

para aplicaciones de defensa y seguridad

55. Detección de anomalías y blancos en imágenes hiperespectrales

ESM4 – Factores humanos y protección BQR 533

mediante alteraciones en la variabilidad del ritmo cardiaco

58. Interfaces cerebro ordenador y sus aplicaciones duales: análisis experimental de técnicas de reconocimiento de patrones para procesado de señales EEG

IAP4 – Sistemas de comunicación e información y redes 563

59. Estudio comparativo de aplicabilidad de tecnologías inalámbricas de banda ancha civiles en entornos militares

60. Un enfoque guiado por el modelado para la obtención y análisis de requisitos de supervivencia de C2IS

para la seguridad

ESM3 – Sistemas de sistemas, espacio, simulación y experimentación 591

62. Visualización del campo de batalla por medio de la realidad aumentada

63. HIRF SE. Desarrollo y validación de un entorno sintético de simulación para soporte

64. Validación pre-operativa de tecnologías de vigilancia de fronteras: la innovación impulsada por la demanda

ESM2 – Sistemas aéreos y su entorno 617

65. Diseño de red de comunicaciones para UAVs de nueva generación

67. Evaluación del rendimiento de un modelo matemático para la predicción de la vida útil restante de turbinas aeronáuticas

Anexo 643

Comité Organizador

Cátedra Isdefe-UPM

Vicente Ortega Castro

Isdefe

Antonio Torres Díaz-Malaguilla

Ministerio de Defensa

DGAM – Subdirección General de Tecnología e Innovación (SDGTECIN)

José María Riola Rodríguez

DIGEREM – Centros Universitarios de Defensa (CUDs)

Antonio Elipe Sánchez

Fundación Círculo de Tecnologías para Defensa y la Seguridad

Félix Pérez Martínez

Presentación

exposiciones y conferencias, que abordan temas de índole político, estratégico, organizativo y expositivo sobre las Fuerzas Armadas, y Fuerzas y Cuerpos de Seguridad del Estado.

La experiencia de los últimos 30 años demuestra que en el área de la Defensa y la Seguridad se han llevado a cabo muchas innovaciones tecnológicas en cooperación entre los distintos agentes involucrados en tareas de I+D+i (Investigación, Desarrollo e innovación).

Sin embargo, no existe ninguna reunión periódica en la que los grupos de I+D de universidades,

los Planes Nacionales de I+D+i, el Programa Marco de la Unión Europea de I+D, los programas y proyectos de I+T de la Agencia Europea de Defensa (EDA), o convenios y contratos con empresas del sector, etc.

Por este motivo, la Cátedra Isdefe de la Universidad Politécnica de Madrid (UPM) ha organizado el Congreso Nacional de I+D en Defensa y Seguridad (DESEi+d), con la colaboración del Ministerio de Defensa, a través de la Subdirección de Tecnología e Innovación, e Isdefe. Con él se pretende que investigadores y expertos de las instituciones mencionadas puedan intercambiar experiencias y conocimientos, como sucede en otros congresos temáticos.

de diferentes instituciones, universidades y empresas aportarán la visión estratégica de la I+D en el sector de la Defensa y la Seguridad, tanto a nivel nacional como europeo; otra de carácter más

la Defensa o la navegación en interiores); y una tercera en la que, a través de comunicaciones orales, podrán participar todas aquellas personas que quieran compartir sus conocimientos en alguna de las tres áreas tecnológicas en las que se dividirá el Congreso, alineadas con la agrupación tecnológica de la Agencia Europea de Defensa.

A esta idea inicial del Congreso, celebrado los días 6 y 7 de noviembre en la Escuela Técnica Superior de Ingenieros de Telecomunicación, en Madrid, se han unido diferentes instituciones y organizaciones relacionadas con el sector de la Defensa y la Seguridad, y esperamos que en próximas convocatorias sean muchas más las instituciones y personas que se sumen a la organización, para llevar el Congreso a otros centros y ciudades en sus próximas ediciones.

Coordinadora: Ana Pilar González Marcos

Acuña Benito, Angélica - AT SOPT / SDGTECIN, Ministerio de Defensa

Argumosa, María del Pilar - INTA

Arias Miguélez, Fernando - Isdefe

Barrio Santamaría, Nuria - AT SOPT / SDGTECIN, Ministerio de Defensa

Benzi Rabazas, Yolanda - AT SOPT / SDGTECIN, Ministerio de Defensa

Burgos García, Mateo - ETSI Telecomunicación –UPM

Calle Gómez, Fernando - ETSI Telecomunicación – UPM

Carda Barrio, Pedro - AT SOPT / SDGTECIN, Ministerio de Defensa

Cases Vega, Fernando - AT SOPT / SDGTECIN , Ministerio de Defensa

Criado de Pastors, Héctor - AT SOPT / SDGTECIN, Ministerio de Defensa

Cuerno Rejado, Cristina - ETSI Aeronáuticos - UPM

de Vicente y Cuenca, Pedro Domingo - INTA

Díaz Hernández, Juan Jesús - AT SOPT / SDGTECIN, Ministerio de Defensa

Espinosa Barrueco, José Carlos - Instituto Tecnológico La Marañosa

Ferré Romero, Manuel Antonio - SDG TECIN, Ministerio de Defensa

García Armada, Ana - Universidad Carlos III de Madrid

García Dolla, David - AT SOPT / SDGTECIN, Ministerio de Defensa

García Gómez, Carlos - Instituto Tecnológico La Marañosa

García Laencina, Pedro J. - Centro Universitario de la Defensa de Cartagena

García Martín, Alberto - Centro Universitario de la Defensa de Zaragoza

Gimeno Bellver, Fernando - Centro Universitario de la Defensa de Cartagena

González Espasadín, Óscar - INTA

González Muñoz de Morales, Guillermo - AT SOPT / SDGTECIN, Ministerio de Defensa

Gramage Cornejo, Antonio - Isdefe

Granda Coterillo, José María - Isdefe

Guerrero González, Antonio - Universidad Politécnica de Cartagena

Gutiérrez Ríos, Julio - Facultad de Informática - UPM

Íñigo Villacorta, Fernando - AT SOPT / SDGTECIN, Ministerio de Defensa

Lecuona Neumann, Antonio - Universidad Carlos III de Madrid

Lega de Benito, Jorge - AT SOPT / SDGTECIN, Ministerio de Defensa

Llorente Santos, Fernando - Instituto Tecnológico La Marañosa

523Congreso Nacional de I+D en Defensa y Seguridad, 2013

Detección de anomalías y blancos en imágenes hiperespectrales

Alonso Rodríguez, Mª Concepción 1,*, Carda Barrio, Pedro 2, Gomez Pardo, Jesús Carlos 3, González Matesanz, Francisco Javier 4, Martínez de Agirre, Alejandro 5, Mena Berrios, Juan Bautista 1, Rodríguez Cuenca, Borja 1, Sánchez Oliveros, Car-

men 3, Simón Gutiérrez, Estíbaliz 1, del Val Pardo, Alberto 1

1 Universidad de Alcalá; [email protected], [email protected], [email protected], [email protected], [email protected]

2 Subdirección General de Tecnología e Innovación; [email protected],

3 Instituto Tecnológico La Marañosa; [email protected], [email protected]

4 [email protected],

5 Universidad Pública de Navarra; [email protected]

* Autor Principal y responsable del trabajo; [email protected]

Resumen:

El proyecto “Detección de Anomalías y Blancos en Imágenes Hiperespectrales” (DABIH), tiene como objetivo principal la integración de técnicas para la detección de anomalías y blancos de posible interés militar a partir de imágenes hiperespectrales.

una herramienta informática operativa para su comparación, y también se han desar--

El proyecto DABIH demuestra la utilidad de los sensores hiperespectrales para las Fuerzas Armadas y previsiblemente será útil para múltiples aplicaciones militares tales como la detección de sistemas de armas enmascarados, detección de anomalías, iden-

Palabras clave: anomalías, blancos, imágenes hiperespectrales, reducción de la di-mensión.

524 Congreso Nacional de I+D en Defensa y Seguridad, 2013

1. Introducción

La teledetección obtiene información de un elemento mediante la detección y análisis de su energía radiada. Durante los últimos años, esta disciplina ha experimentado un notorio avance. Las imágenes adquiridas por los sensores remotos permiten diversas capacidades de extracción de información

técnicas de estos dispositivos. Existen dos tipos de sensores: pasivos y activos. La teledetección pa-

espectrales entre el visible y el infrarrojo (desde los 400 a los 2.500 nm) es llamada teledetección óptica. Los sensores multiespectrales e hiperespectrales suponen una extensión del espectro óptico. Por otra parte, la teledetección activa analiza la señal de radiación que retorna de un objeto al que se le dirige un pulso de energía o rayo. Instrumentos propios de este tipo de teledetección son el radar, el sonar y el lidar. En este trabajo se centra en los sensores pasivos, multiespectrales e hiperespec-trales. La teledetección pasiva utiliza sensores remotos, aerotransportados o satelitales, capaces de captar información en diferentes longitudes de onda del espectro electromagnético de la cubierta terrestre. Estas imágenes aéreas o satelitales tienen numerosas aplicaciones, en cartografía, geología, geografía, hidrología, etc. (ver [1], [2] y [3] entre otros). Cada imagen multiespectral/hiperespectral se puede considerar como un espacio Euclídeo de variables discretas, cuya dimensión coincide con el número de bandas de la imagen. Las imágenes hiperespectrales tienen un mayor número de bandas que las multiespectrales, pero como sus bandas poseen una correlación alta por estar en regiones muy próximas del espectro, se produce gran redundancia en la información.El comportamiento de las cubiertas del terreno no es homogéneo en todo el espectro, sino que en función de sus características tendrá más información en una u otra frecuencia, así pues, a mayor número de bandas espectrales se dispondrá de mayor información para la interpretación de la ima-gen. El término multiespectral hace referencia a aquellas imágenes que tienen un número reducido de bandas (normalmente menor de 20) mientras que por hiperespectral se entiende una imagen que posee un gran número de bandas que ofrecen información prácticamente continua del espectro elec-tromagnético.El objetivo principal de DABIH es el desarrollo de técnicas para la detección automática de anom-alías y blancos de imágenes hiperespectrales de notable interés militar. Por anomalías debe entender-

-cial interés para los analistas de imágenes. A partir de las metodologías y algoritmos llevados a cabo

interés o eliminarlas al considerarlas como ruido de la imagen. A pesar de que el término “anomalías” corresponde al dominio de la teledetección y “outlier” al de la estadística, en este trabajo se consider-ará la detección de anomalías en imágenes hiperespectrales equivalente a la detección de outliers en el espacio objeto. Por otra parte, se considera un blanco cuando del objeto a detectar se tiene alguna información a priori. Se podría decir que las anomalías representan el método no supervisado de los elementos raros en una imagen y los blancos los supervisados, según la terminología propia de teledetección.

2. Materiales y Métodos.

Como ejemplo se describen pruebas realizadas sobre dos imágenes hiperespectrales reales. La Figura1(a) fue tomada por el sensor AHS (Airborne Hyperspectral System) en un vuelo llevado a cabo en 2004 entre las localidades madrileñas de Alcalá de Henares y Torrejón de Ardoz. Esta imagen, de 512×512 píxeles y 55 bandas espectrales, fue corregida radiométricamente para eliminar


(Universal Transversa Mercator). La Figura1(b), imagen de 800×280 píxeles y 126 bandas espec-trales, pertenece al Rochester Institute of Technology (RIT) de Nueva York. Previamente a la toma de esta imagen se colocaron una serie de blancos en el terreno para su detección a partir de los algorit-mos del software DABIH. Se han localizado tanto anomalías como blancos; en este último caso, se utiliza como información para detectar dichos blancos la verdad terreno o Region Of Interest (ROI)

Figura 1 – (a) Región de Alcalá de Henares, representada en color verdadero RGB, sobre la que se han aplicado los algoritmos de detección de anomalías y (b) Imagen en falso color en la que se puede ver la zona de estudio de la imagen del RIT.

es la imagen hiperespectral; la salida del método es una imagen de probabilidad sobre la que hay que aplicar un umbral para determinar qué píxeles o regiones son las detectadas como anomalías o como blancos.La interfaz creada para el software DABIH tiene implementados los métodos de detección super-visada (blancos) y no supervisada (anomalías) que se detallan a continuación.

1. Reed Xiaoli (RX): Este método es uno de los primeros en la detección de anomalías, desarrollado por Reed y Xiaoli Yu en 1990 [4]. Se ha utilizado sobre imágenes multiespectrales [5], aéreas y satelitales. En rasgos generales, este algoritmo extrae los objetivos que son espectralmente

está limitado por la alta dimensionalidad de las imágenes hiperespectrales, por lo que se requiere la

2. Principal Component Analysis (PCA): la técnica del análisis de componentes principales permite reducir la dimensionalidad de los datos, buscando la proyección que proporciona la mejor representación de los datos en términos de mínimos cuadrados. Además, esta proyección conserva las características del conjunto de datos que más contribuyen a su varianza, lo que permite la detección de los aspectos más importantes de la información de los datos de entrada, como la existencia de anomalías. El algoritmo PCA también puede ser empleado para extraer las bandas no correlacionadas o para separar las componentes de ruido de una imagen hiperespectral.3. Independent Component Analysis (ICA): La función principal de este algoritmo es la trasformación de un conjunto de señales mezcladas y aleatorias en componentes que son independientes entre sí, aunque no haya información previa sobre la mezcla. ICA es útil en: la reducción de la


dimensión de la información, detección de anomalías y blancos, extracción de miembros puros,

4. Hierarchical Clustering (HCL Clustering): Este algoritmo se basa en la agrupación jerárquica

interno homogéneo.

Figura 2 blancos en el software DABIH.

5. Kernel Principal Component Analysis (Kernel PCA): Este algoritmo es una extensión del PCA que utiliza transformaciones no lineales, en contraposición a las lineales del PCA.6. Grafos: El algoritmo de detección de anomalías mediante grafos está basado en un trabajo del RIT, y es un algoritmo de aprendizaje múltiple (manifold learning algorithm) que utiliza grafos para representar los datos, cuyos nodos (los píxeles en nuestro caso) están conectados por arcos, tanto si están próximos o poseen una naturaleza espectral similar.

Posteriormente se crea una matriz Laplaciana con los grados de conectividad de cada vértice y se utilizan los valores y vectores propios para representar la imagen en un espacio de dimensión re-ducida. Los pípropios. Para optimizar el algoritmo se recomienda realizar previamente una reducción del volumen de datos mediante un PCA por bloques o realizando una segmentación de la imagen (mediante los

nivel de píimagen [6].


Los algoritmos de detección de blancos necesitan un entrenamiento, en forma de verdad terreno

Los algoritmos de detección de blancos que se han incluido en DABIH son los siguientes:7. Matched Filter (MF): Este algoritmo es un detector que compara las correlaciones de la

Cuando se utiliza esta técnica en los datos de los efectos de iluminación y el albedo. El endmember utilizado para este algoritmo puede venir de

un ROI promedio de espectros. El algoritmo se encarga de comparar el ángulo que existe entre el vector de espectro endmember y cada vector de píxel en el espacio. Los ángulos más pequeños con

paramétrica de una imagen, bajo la información proporcionada por el entrenamiento. A diferencia

de la densidad.

imágenes que utiliza un conjunto de regiones de interés para la imagen de entrada, y se basa en la búsqueda de los vectores soporte de las regiones de máxima separabilidad entre las clases. Este

las distribuciones de probabilidad de las clases y además funciona bien incluso con entrenamientos pequeños.

en una desviación estándar o un umbral de distancia, en cuyo caso algunos píxeles pueden quedarse

en las clases con divergencias pequeñas respecto a un espectro endmember de referencia, que viene

13. Constrained Energy Minimization (CEM): Este algoritmo trata de maximizar la respuesta del blanco suprimiendo la respuesta del fondo, para establecer el máximo contraste entre el blanco y

la matriz de correlación o covarianza [14].14. Adaptive Coherence Estimator (ACE): Este algoritmo se deriva del algoritmo Generalized Likelihood Ratio Test (GLRT) y de su enfoque [15]. Se basa en el uso de un estadístico construido con la matriz de covarianzas del entrenamiento comparándolo con un umbral para detectar la presencia del blanco.


3. Resultados y Discusión

-to o una información a priori de aquellas cubiertas o elementos de interés que se quiere detectar. Para la detección de blancos se ha utilizado la imagen RIT, sobre la que se ha aplicado el algoritmo Con-strained Energy Minimization (CEM) utilizando como información a priori la respuesta espectral de una serie de elementos de interés situados en el terreno. En la (Figura 3) se muestran los resultados

-nes llevadas a cabo por el algoritmo CEM para cada uno de los 3 blancos estudiados.

Figura 3 – (a)(c)(e) Situación de los tres blancos estudiados sobre la imagen RIT y (b)(d)(f) detec-ción de blancos llevada a cabo por el algoritmo CEM

A modo de ejemplo se ha realizado una detección de anomalías en la imagen hiperespectral de Alcalá de Henares con el algoritmo RX. Los mejores resultados en la detección de anomalías se obtuvieron con el algoritmo RX. En la Figura 4 se muestran los resultados de 3 zonas de la imagen. El primer detalle se corresponde con el tramo de la autovía A2 a su paso por el campus universitario externo de Alcalá de Henares (Figura 4(a)). Aplicado el algoritmo RX se han detectado como anom-alías lo que parecen vehículos (tal vez camiones, dadas sus dimensiones en la imagen hiperespectral)

es muy distinta del resto de la región, lo que provoca la detección por parte del algoritmo RX.En el segundo detalle se muestra la rotonda de acceso al recinto del campus universitario externo de la Universidad de Alcalá y el Hospital Universitario Príncipe de Asturias. Próximo a esta rotonda se encuentra un supermercado (Figura 5(a), detalle 1), una estación de servicio (Figura 5(a), detalle 2) y una urbanización con una piscina en uno de sus patios (Figura 5(a), detalle 3). Aplicando el RX se han detectado como anomalías las cubiertas de la estación de servicio y del supermercado y la piscina de la urbanización (Figura 5(c)). La respuesta espectral de estos elementos es muy peculiar y diferente del conjunto de la imagen, es por esto que el algoritmo RX las detecta como anómalas.El tercer detalle se centra en la residencia universitaria situada en recinto del campus externo de Al-


calá de Henares (Figura 6(a)). En este caso se han detectado como anomalías una cubierta alargada,

6(c)).

Figura 4 – (a) imagen en color verdadero RGB del tramo de la autovía A2 a su paso por Alcalá de Henares, (b) región de estudio en la banda 4 de la imagen hiperespectral y (c) detección de anomalías realizada con el algoritmo RX con los umbrales.

Figura 5 – (a) imagen en color verdadero RGB de la rotonda de acceso al campus externo de la Uni-versidad de Alcalá y las parcelas vecinas, (b) detalle en la banda 4 de la imagen hiperespectral del recorte y (c) detección llevada a cabo por el algoritmo RX.

Figura 6 – (a) residencia universitaria ubicada en el recinto del campus externo de la Universidad de Alcalá en color verdadero RGB, (b) misma región en la banda 4 de la imagen hiperspectral y (c) anomalías detectadas por el algoritmo RX


4. Conclusiones

Con el proyecto DABIH se ha corroborado que en la detección de anomalías no existe un algoritmo que obtenga mejores resultados que los conseguidos por el resto para todo tipo de imágenes, de anomalías y en todas las situaciones. Por lo que para realizar un buen análisis se deben aplicar los distintos algoritmos sobre la misma imagen, y con los resultados obtenidos discriminar lo que es

El software DABIH facilita estas tareas, ya que integra distintas técnicas en una herramienta infor-

de gran utilidad en las aplicaciones militares tales como la adquisición de inteligencia, situaciones de vigilancia, adquisición de objetivos o reconocimiento.

Agradecimientos

Los autores agradecen al Instituto Nacional de Técnica Aeroespacial (INTA), al Instituto Tecnológico

DEFENSA2011-10032110034.

Referencias

1. Lillesand, T.M.; Kiefer, R.W., Chipman, J.W., Remote sensing and image interpretation, 756 pag., 2007.

2. Jensen, J.R., Introductory digital image processing, Prentice Hall, 2006.3. Campbell, J.B., Introduction to remote sensing, The Guilford, 626 pag., 2008.4. Reed I.S., Yu X., “Adaptive multiple-band CFAR detection of an optical pattern with unknown

spectral distribution”, IEEE Transactions on Acoustics, Speech, and Signal Processing, 38(10), October 1990, pp. 1760-1770, doi: 10.1109/29.60107.

5. Yu X., Reed I.S., “Comparative performance analysis of adaptive multiband detectors”, IEEE Transactions on Signal Processing, 41, August 1993, pp. 2639-2656.

6. Martínez de Agirre, A.; Rodríguez-Cuenca, B.; Alonso, M.C.; del Val, A., Methodology for an object-based anomaly detection in hiperspectral images, ESA Living Planet Symposium, Edimburgo, Reino Unido, 2013.

7. Fisher R.A., Multiple Measures in Taxonomic Problems, Ann. Eugenics, vol. 7 , pp. 179-188, 1936.

8. Yuhas R.H., Goetz A.F.H., Boardman J.W., “Discrimination among semiarid landscape endmembers using the spectral angle mapper (SAM) algorithm”, Summaries of the Third Annual JPL Airborne Geoscience Workshop, JPL Publication 92-14, 1, 1992, pp. 147-149.

9. Kruse F.A., Lefkoff A.B, Boardman J.W., Heidebrecht K.B., Shapiro A.T., Barloon P.J., Goetz A.F.H., “The Spectral Image Processing System (SIPS) - interactive visualization and analysis of imaging spectrometer data”, Remote Sensing of Environment, 44, 1993, pp. 145-163.

10. Schowengerdt R.A., “Remote Sensing: Models and Methods for Image Processing”, 2nd ed.,1997, Academic Press.

11. Garcia-Allende P.B., Conde O.M., Mirapeix J., Cubillas A.M., López-Higuera J.M., “Data Processing Method Applying Principal Component Analysis and Spectral Angle Mapper for Imaging Spectroscopic Sensors”, Sensors Journal IEEE, 8, 2008, pp. 1310- 1316.

12. Chang C.I., “Spectral information divergence for hyperspectral image analysis”, Geoscience


and Remote Sensing Symposium, IGARSS, 1, 1999, pp. 509-511.13. Chang C.I., “An Information-Theoretic Approach to Spectral Variability, Similarity, and

Discrimination for Hyperspectral Image Analysis” Information Theory, IEEE Transactions on Geoscience and Remote Sensing, 46, 2000, pp. 1927-1932.

14. Farrand W.H., Harsanyi J.C., “Mapping the Distribution of Mine Tailings in the Coeur d’Alene River Valley, Idaho, through the Use of a Constrained Energy Minimization Technique,” Remote Sensing Environment, 59, 1997, pp. 64-76.

15. Kraut S., Scharf L.L., Butler R.W., “The adaptive coherence estimator: A uniformly most powerful invariant adaptive detection statistic,” IEEE Trans. Signal Process Feb. 2005, 53, 2, pp. 427–438.

la i+d en defensa y seguridad - jbmb.webnode.es · ... arrays de antenas distribuidas como soporte...

Documents