29.04.2013 Views

Implementación en GPU del algoritmo K-Means para ... - UMBC

Implementación en GPU del algoritmo K-Means para ... - UMBC

Implementación en GPU del algoritmo K-Means para ... - UMBC

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

<strong>Implem<strong>en</strong>tación</strong> <strong>en</strong> <strong>GPU</strong> <strong>del</strong> <strong>algoritmo</strong> K-<strong>Means</strong> <strong>para</strong> procesami<strong>en</strong>to <strong>para</strong>lelo<br />

de imág<strong>en</strong>es de satélite disponibles <strong>en</strong> la herrami<strong>en</strong>ta Google Maps<br />

según su funcionami<strong>en</strong>to y según el modo <strong>en</strong> que son transportados <strong>en</strong> el mom<strong>en</strong>to<br />

de la toma de datos.<br />

Por último, destacar el parámetro de relación señal/ruido o signal-to-noise ratio<br />

(SNR), que puede <strong>en</strong>t<strong>en</strong>derse, <strong>en</strong> términos globales, como la relación <strong>en</strong>tre la<br />

amplitud de la señal obt<strong>en</strong>ida y la amplitud <strong>del</strong> ruido o, lo que es lo mismo, la<br />

cantidad de señal adquirida por unidad de ruido. Este parámetro nos definirá la<br />

calidad de un s<strong>en</strong>sor multiespectral. En términos g<strong>en</strong>erales, las imág<strong>en</strong>es disponibles<br />

<strong>en</strong> la herrami<strong>en</strong>ta Google Maps suel<strong>en</strong> obt<strong>en</strong>erse a partir de la composición de<br />

imág<strong>en</strong>es obt<strong>en</strong>idas por difer<strong>en</strong>tes s<strong>en</strong>sores, predominando las composiciones<br />

basadas <strong>en</strong> datos de Landsat 2 (moderada resolución espacial) y Quickbird 3 (alta<br />

resolución espacial) <strong>en</strong> un contexto multiespectral limitado a 3 bandas (rojo, verde y<br />

azul).<br />

2.3. Técnicas de clasificación de datos multiespectrales y la necesidad de<br />

<strong>para</strong>lelismo<br />

La forma más simple de abordar el problema de la clasificación de píxeles <strong>en</strong><br />

una imag<strong>en</strong> multiespectral es considerar que los píxeles de interés están compuestos<br />

por un solo material, utilizando las técnicas conv<strong>en</strong>cionales de clasificación de<br />

patrones pero con mayor precisión, debido al elevado número de bandas espectrales<br />

disponibles.<br />

Existe un conjunto de técnicas de clasificación de patrones que realizan la<br />

interpretación de una esc<strong>en</strong>a obt<strong>en</strong>ida de forma remota <strong>en</strong> base a la asignación de una<br />

etiqueta o clasificación individual a cada uno de los píxeles de la misma. Estas<br />

técnicas ofrec<strong>en</strong> resultados interesantes dep<strong>en</strong>di<strong>en</strong>do de la aplicación <strong>en</strong> donde se<br />

apliqu<strong>en</strong>.<br />

Los <strong>algoritmo</strong>s de clasificación de imág<strong>en</strong>es multiespectrales pued<strong>en</strong> dividirse<br />

<strong>en</strong> dos grandes categorías [12]: <strong>algoritmo</strong>s supervisados y <strong>algoritmo</strong>s no<br />

supervisados.<br />

2 http://landsat.gsfc.nasa.gov/<br />

3 http://www.digitalglobe.com/<br />

Trabajo Fin de Máster -21- Sergio Bernabé García

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!