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

Implementación en GPU del algoritmo K-Means para procesamiento paralelo
de imágenes de satélite disponibles en la herramienta Google Maps
nuestro algoritmo en GPU no es muy distinta a la realizada por la herramienta ENVI.
Ahora nos quedaría demostrarlo a través de la comparación de los distintos píxeles
clasificados por nuestro algoritmo calculando un porcentaje de acierto. Ya que no se
disponen de medidas verdad-terreno, se ha decidido utilizar las imágenes de la
herramienta ENVI cómo nuestra medida de referencia para evaluar las imágenes
obtenidas por nuestra herramienta. De esta manera, es necesario conocer cuántos
píxeles de la imagen clasificada generada por nuestra herramienta se clasifican
correctamente por clase. Así tendremos unas estadísticas que nos ayudarán a valorar
positivamente o negativamente nuestros resultados tras la aplicación del algoritmo de
clasificación no supervisada.
Para la obtención de dichas estadísticas, se ha elaborado un pequeño programa
capaz de ir comparando los píxeles de una imagen y otra, atendiendo que los colores
asignados por nuestra herramienta y por la de ENVI no son iguales. Por ello, es
necesario tenerlos en cuenta para ofrecer unos resultados correctos.
La tabla 6.5 muestra una comparativa (en términos de porcentaje de acierto)
entre la imagen mostrada en la figura 6.12 (correspondiente al método K-Means
implementado) y la imagen mostrada en la figura 6.13 (correspondiente al método
K-Means implementado en ENVI). Los códigos de color indicados en la tabla
corresponden a los colores asociados a cada clase en nuestra implementación
paralelizada. Las celdas que se encuentran sombreadas corresponden a las clases con
las que el usuario ha querido conservar, de las que se han obtenido una media de
valores por encima del 80% de acierto. Como puede apreciarse en la tabla 6.5, la
evaluación de los resultados obtenidos se encuentra en torno al 70-80% de similitud
al emplear el porcentaje de acierto calculado píxel a píxel, con porcentajes muy
elevados de similitud al comparar clases predominantes en la escena de Guareña
como las asociadas a hierba y vegetación (árboles) por lo que podemos concluir que
la implementación desarrollada se comporta de forma correcta con la imagen que ha
sido procesada.
Estos resultados aún podrían ser mejores, puesto que la comparación que se ha
realizado con la imagen de validación ha sido píxel a píxel, sin tener en cuenta
Trabajo Fin de Máster -75- Sergio Bernabé García